Vous êtes sur la page 1sur 191

Interpr

etation g
eologique de donn
ees sismiques par une
m
ethode supervis
ee bas
ee sur la vision cognitive
Philippe Verney

To cite this version:


Philippe Verney. Interpretation geologique de donnees sismiques par une methode supervisee

Nationale Superieure des Mines de Paris,


basee sur la vision cognitive. domain other. Ecole
2009. French. <NNT : 2009ENMP1666>. <pastel-00005861>

HAL Id: pastel-00005861


https://pastel.archives-ouvertes.fr/pastel-00005861
Submitted on 10 Mar 2010

HAL is a multi-disciplinary open access


archive for the deposit and dissemination of scientific research documents, whether they are published or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.

Larchive ouverte pluridisciplinaire HAL, est


destinee au depot et `a la diffusion de documents
scientifiques de niveau recherche, publies ou non,
emanant des etablissements denseignement et de
recherche francais ou etrangers, des laboratoires
publics ou prives.

ED n84 : Sciences et Technologies de lInformation et de la Communication

THESE
pour obtenir le grade de
DOCTEUR DE LECOLE NATIONALE SUPERIEURE DES MINES DE PARIS

Spcialit Informatique
prsente et soutenue publiquement par
Philippe Verney
le 17 Septembre 2009

INTERPRETATION GEOLOGIQUE DE DONNEES SISMIQUES PAR


UNE METHODE SUPERVISEE BASEE SUR LA VISION COGNITIVE

Directeur de thse : Michel Perrin

Jury
Mme Monique THONNAT
Mme Isabelle BLOCH
M. Philippe JOSEPH
M. Jean-Franois RAINAUD
M. Pascal PODVIN

INRIA Sophia Antipolis


ENST / CNRS
Institut Franais du Ptrole
Institut Franais du Ptrole
Ecole des Mines de Paris

Prsident
Rapporteur
Rapporteur
Examinateur
Examinateur

Remerciements
Je souhaite tout dabord remercier Michel Perrin de lENSMP, mon directeur de thse, et Jean
Franois Rainaud de lIFP, mon tuteur industriel, pour leurs soutiens, leurs patiences et les
ides quils ont pu mapporter tout au long de ma thse. Jai beaucoup apprci la manire
dont ils mont encadr et les remercie pour mavoir permis douvrir mes connaissances un
domaine dans lequel jtais totalement novice : la gologie et plus particulirement la
gologie ptrolire. Je remercie tout particulirement Michel Perrin pour son encadrement
lors de la rdaction de ce manuscrit. Sans lui, ce manuscrit ne serait que lombre de lui-mme.
Je remercie Monique Thonnat de lINRIA Sophia Antipolis, avec qui jai eu le plaisir de
collaborer tout au long de mes travaux. Elle a toujours t disponible et a t dune aide trs
prcieuse lors de cette thse tout particulirement sur le plan informatique.
Je remercie Isabelle Bloch, professeur lENST/CNRS, et Philippe Joseph, professeur
lENSPM, pour avoir accept dtre rapporteurs de cette thse et pour leurs remarques sur
mon manuscrit.
Je remercie Pascal Podvin, professeur lENSMP, pour sa participation au jury de thse.
Je remercie Pierre Ferry Forgues, Rmi Eschard et Olivier Lerat de lIFP pour avoir mis ma
disposition lensemble des moyens ncessaires au bon droulement de ma thse.
Je remercie galement Marie Christine Cacas, Laurent Duval, Vincent Clochard et Michel
Lger de lIFP ainsi que Jean Luc Mari et Anne Jardin de lENSPM pour leurs conseils tout
au long de ma thse. Je noublie pas non plus Thibaut Chret de BG Group et Total UK qui
mont permis de raliser des tests sur des donnes relles. Merci aussi Jean-Yves
Cassagnou, Stephane Weibel et Thibaut Mouton de lIFP pour avoir permis, par leurs travaux,
de mettre en valeur les miens.
Merci Chakib Bennis pour mavoir offert une exprience trs enrichissante dans son quipe
la suite de mon stage lIFP et le meilleur moyen de rester Paris le temps que ma thse
dmarre.
Merci aussi Mara Abel, professeur lUFRGS Porto Alegre, pour mavoir permis de
raliser un stage en relation avec ma thse au sein de son laboratoire. Ces 3 mois mont appris
beaucoup tant au niveau professionnel quau niveau personnel.
Je remercie lensemble du dpartement informatique et mathmatiques de lIFP pour mavoir
offert la possibilit de raliser mon travail de thse dans des conditions humaines plus
quagrables. Les nombreux repas avec les doctorants, posts-docs, prestataires et permanents
ont toujours reprsent un moment que jaffectionnais tout particulirement (comme
beaucoup savent).
Merci aussi aux collgues pour les sorties en dehors de lIFP (encore les restaurants bien sr,
les pokers, le karting, le ski, ou mme les simples apros), merci de mavoir appris esquiver
des projectiles venant dans ma direction, merci pour les vulgarisations scientifiques des
thories qui me dpassent, merci pour mavoir montr des quantits incroyables de courbes
sur vos crans et avoir essayer de mexpliquer votre travail, merci pour mavoir lguer une
plante (qui doit tre en bien mauvais tat aujourdhui.), merci pour mavoir secouru une
certaine journe o mon genou sest gripp ou encore quand mon taux de sucre ntait pas
assez haut lors dun certain djeuner, et de manire gnrale merci pour tous ces moments o
jai ri en votre prsence et il y en a eu de nombreux.

Merci au CLJT Emilienne Moreau pour mavoir offert beaucoup plus quun toit lors de mon
arrive sur Paris. Les multiples rencontres que jai faites dans ce lieu ont eut une incidence
certaine sur ce que je suis devenu. Jespre simplement ne jamais oublier cette priode et, plus
encore, jespre tre capable dappliquer ce que jai pu y apprendre. Merci tout
particulirement Tommy et la quiche pour avoir fait durer laventure lors de la colocation.
Merci Denis Lafeuille du cycle DFE et Philippe Richard de FinanceFi pour avoir largi ma
vision de lunivers professionnel qui soffrait moi. Je les remercie aussi pour leurs qualits
humaines qui sont la hauteur de leurs qualits professionnelles.
Merci de nouveau Jean Franois pour mavoir aid lorsque je cherchais un appartement et
pour moffrir la possibilit de continuer dans le milieu de lexploration ptrolire.
Enfin merci ma famille et principalement mes parents, ma marraine et ma grand-mre pour
leurs encouragements tout au long de ma thse et surtout pour mavoir offert un cocon
protecteur loin de tout o je pouvais me ressourcer par moments.
Pour finir, merci Graziella pour me supporter et pour allger mon esprit tout en me faisant
garder les pieds sur terre.

Rsum
Ce travail traite de l'interprtation smantique d'une image sismique, communment appele
interprtation sismique. Cette dernire permet de formuler une reprsentation du sous sol
partir d'une image physique en trois dimensions obtenue par enregistrement des chos d'une
onde acoustique traversant le sol.
L'interprtation sismique reprsente une longue et dlicate tape de la chane de traitements
relative l'exploration ptrolire. Bien que le type de ces images soient trs spcifique au
domaine, les difficults rencontres lors d'une telle tude sont comparables celles
rencontres dans la plupart des interprtations d'image : traitement d'images, mise en
correspondance de reprsentations abstraites avec des images issues de capteurs,
interprtation smantique... Dans cette thse, nous avons choisi de profiter des dernires
avances ralises dans le monde de l'interprtation d'image assiste par ordinateur et plus
spcifiquement les dernires recherches ralises en vision cognitive.
L'objectif de ce travail est de raliser une nouvelle plateforme d'interprtation sismique 3D
semi-automatique base sur la connaissance gologique employe aujourd'hui par les experts
du domaine. A l'heure actuelle, la majeure partie des solutions apporte notre problme
d'tude est oriente vers les traitements d'image et l'utilisation de quantits d'attributs
sismiques. Elles fournissent un rsultat interprtable par un expert qui ralise alors une
correspondance informelle entre la nouvelle image obtenue et des objets gologiques. Nous
dsirons explorer une nouvelle mthodologie mettant en avant la formalisation de la
connaissance utilise dans l'interprtation sismique comme la vision cognitive le permet et le
conseille. Ainsi, nous caractrisons le rsultat des traitements d'images oprs sur le bloc
sismique grce des concepts et relations visuels provenant d'une ontologie ddie. Ces
caractristiques nous permettent alors de formaliser l'interprtation d'objets gologiques
partir de ces instances et ainsi de proposer de manire automatique des solutions
d'interprtation d'un bloc sismique, que l'expert pourra choisir de valider.
Dans ce travail, nous avons coeur de nous concentrer sur l'identification de deux premiers
objets gologiques identifier dans une image sismique : les horizons et les failles. Une
ontologie de ce domaine d'tude est propose afin de servir de base pour la cration de la
plateforme d'interprtation et des rsultats sur diffrents blocs sismiques sont comments.

Mthodologie gnrale.

Mthodologie propose.

Extended abstract
1. Introduction
1.1. Subject definition
This work deals with the semantic interpretation of a 3D seismic image in order to build a
shared earth model. For achieving this goal, we propose a method which enables to build in a
largely automated way, starting from a 3D seismic image, a basic earth model composed of
horizons and faults, whose various mutual relationships are fully defined and geologically
consistent.
A 3D seismic image is a visual representation of the subsurface. It is constructed by
recording wave reflections on sedimentary interfaces. (cf. figure 1).

Figure 1: A 2D seismic image.

The Semantic Interpretation of an image consists in making it meaningful for domain


experts. For this, it is necessary to segment the scene data into various entities and to specify
their spatial organization in order to build a sensible scene description.
A Structural Model is a geological model, which provides a geometrical and topological
representation of some geological surface assemblages (horizons, faults, channels, etc.)
attached to a prospect.
Shared indicates the capability of a model to be easily managed by various applications or
by various types of actors (geophysicists, geologists, engineers, decision makers).

1.2. Addressed issues


The main issue that is addressed in this work is computer aided seismic interpretation. At
present, this task rests at each step on data manipulations, operations and verifications, which
require the collaboration of experts from various domains and which are very time
consuming.
Within a seismic image, each object of interest must first be hand-picked with the mouse on a
2D cross section (cf. figure 2 left). This selection is then tracked all over the seismic block by
means of specialized algorithms (cf. figure 2 right).

Figure 2: Picking (left) and tracking (right)

As they deal with noisy images of huge sizes, these operations are heavy to realize. However,
it seems to us that the main problem of seismic interpretation lies in the fact that this task is
operated without considering any significant embedded knowledge. This is paradoxical since
the final structural model results from interpretations operated by various domain experts
(geophysicists, geologists, sedimentologists, etc) Considering the toy example shown on
figure 3 constituted by two hand-picked surfaces, the expert user must decide which surface
will intersect the other one by using geological criteria, which result from his understanding
of the geological context of the model.

Figure 3: A toy example of geological interpretation.

The hand-picked data figured in (a) can either be interpreted:


as in (b) : A stops on B; B is erosional.
as in (c) : B stops on A; B is not erosional.
At present, most of current interpretation software platform are not knowledge based. Being
mostly oriented towards user interface optimization, they efficiently help experts operating
computations and visualizations but they do not propose geological solutions to the user.

1.3. Our goal


Our goal is to provide a solution for partly automating the seismic interpretation process. Our
work will mainly be focused on identification and interpretation of the basic elements of
structural models: horizons and faults.
We have chosen to take advantage of recent research works on cognitive vision [Thonnat,
1989], [Hudelot, 2005] for exploring the possibility of operating a 3D seismic image
interpretation based on domain expert knowledge. The knowledge here considered is mainly
related to geology and more specifically rests on the geological knowledge formalization
proposed by Perrin (1998), which consists in representing geological interpretation using a
Geological Evolution Schema (GES). For operating this knowledge formalization, we have
chosen to use the OWL language which is the W3C standard for ontology representation.

2. Proposed method
2.1. Overview
In contrast to current seismic interpretation methods, we propose a new interpretation
approach, which is not based on mere image processing but on considering the geological
knowledge that can be associated to seismic images.
We choose to manage this knowledge by means ontologies which enable formalizing, using
and sharing all useful concepts, relations, attributes and instances.
Our approach is based on the cognitive vision method, which is operated in various domains
by the PULSAR team at INRIA Sophia Antipolis. In accordance with the Marr paradigm, we
thus define a seismic interpretation system by means of 3 abstraction levels of object visual
representation as illustrated on figure 4.

Figure 4: The proposed architecture

2.2. Knowledge representation


The lowest level of abstraction is related to data management, i.e. to extracting from the
seismic image some candidates that potentially correspond or are potentially part of some
geological object.
The median level aims at defining criteria for characterizing these candidates by means of
relations and attributes representing their visual properties.
The highest level enables to decide whether a defined candidate can be associated to some
geological object. This interpretation makes use of associations previously established
between sets of visual attributes and relations and actual geological objects.
Figure 5 illustrates this global approach and the ontology on which it is based.

Figure 5: Main used ontology.

2.3. Use case


The most important geological surfaces, which enter into earth models, are horizons and
faults. Their mutual arrangement within a structural model allows to represent the vertical
sequence of sedimentary layers present within the considered prospect and their
disconnections through faults. For this reason, fault and horizon interpretation is, in our

10

opinion, the first issue to be solved when building a structural model resting on seismic data.
Considering the delay that was available for performing this work, we thus decided to
concentrate on that one issue, considering that other important elements such as diapirs,
channels or chimneys will eventually be objects of future work;

3. Application
3.1. Horizon interpretation
3.1.1. Knowledge representation

Horizon interpretation is based on the stratigraphic column model. Sedimentary deposits are
represented as stratigraphic sequences, each constituted by a vertical succession of parallel
layers. Considering a normal succession, the deepest layers are supposed to be the oldest ones.
The ontology that was defined for identifying horizons handles some of the properties of this
model. Reflector is the main concept of this ontology. A reflector is defined thanks to the
following visual properties (see figure 6) issued from geology:

parallelism/non parallelism with neighbor reflectors: this allows to determine whether


the considered reflector is part of a sequence of parallel reflectors

chronological relationships with other reflectors: this allows to determine the position
of the considered reflector within a given sequence

thickness (integer) and color or amplitude (float), which allow the reflector
identification.

eventually the distance to some well marker: when available; this parameter allows to
directly associate a reflector with a geological horizon.

Figure 6: Used ontology for horizon interpretation.

11

3.1.2. Data management

Since very low amplitude reflections in the seismic image have generally little interest, we
first eliminate values lower than a threshold fixed by the user. The eliminated values most
time correspond to noisy zones where no useful signal can be detected. The operated
thresholding allows to significantly reduce the volume of data to be processed and thus
simplifies all the following operations.
Since the resulting image is generally still large, thresholding must be completed by a
thinning of the remaining reflectors, which allows to only keep the most significant
information. The resulting image is shown hereunder on figure 7.

Figure 7: A seismic image after thresholding and thinning.

Thanks to these thresholding and thinning operations, it is possible to represent the resulting
seismic image into a 3D sparse matrix, whose size is generally around 25% that of the original
image.
The last data management step consists in identifying main reflectors of the seismic image.
Parsing the sparse matrix, we look for sets of connected voxels corresponding to first order
reflectors (cf. figure 8).

Figure 8: The three allowed connected voxel connections.


3.1.3. Visual characterization

In this module, for each detected reflector, we compute numerical values related to the
various visual properties defined in the ontology. These values are stored as instances of

12

ontology properties attached to each reflector. For each reflector, we consider the following
properties:

minimal distance to the closest well marker.

thickness corresponding to the mean vertical thicknesses all along the considered
reflector.

amplitude corresponding to the mean amplitude all along the reflector.

3D dip represented by two 2D dips respectively measured on inlines and crosslines

chronological relationships with neighbor reflectors; these relationships are


determined by the vertical position of the considered reflector relatively to the others:
in the case of a normal succession, depending whether the considered reflector is
located below or above some other one, it is considered as being older or younger than
this latter one.

Figure 9: Local chronological relationships attached to reflector A.

Considering all local chronological relationships attached to the various detected reflectors, it
is possible to construct one global chronological relationship graph for all the reflectors. In
order to build this global graph, we merge all the local graphs which share at least one node.
An example of this merging is given on figure 10.

13

Figure 10: Merging of two local relationships graph.

The result provides a classification of reflectors in the geological time domain equivalent to a
Wheeler diagram or to a Geological Evolution Schema.
3.1.4. Geological Correlation

This module enables to qualify each of the previously identified reflectors as partly or totally
corresponding to some geological horizon.
The first step consists in merging all the reflectors sharing one same distance relation to a well
marker into one horizon that can be given the name of the well marker to which these various
reflectors are associated. This merging is most reliable since well markers represent accurate
geometrical information. That is why it is the first one to be operated.
The other visuals properties allow operating other merging. For this, considering a node
corresponding to some given horizon, we parse the global chronological graph searching for
two older or two younger nodes corresponding horizons having the same characteristics, i.e.:
sharing the same distance relation to the considered horizon,
having similar amplitudes, similar thicknesses and similar dips according to defined
thresholds.
The horizons sharing these same characteristics are then merged into one same horizon.

14

Figure 11: Characterization of four visual attributes on the global graph relative to reflectors
detected on the above seismic image.

Figure 11 shows from left to right four visual characteristics associated to the nodes of one
same graph. These characteristics respectively represent the chronological relationships, the
thickness, the amplitude and the dip of each reflector associated to one node of the graph. We
clearly see that nodes E and G share similar characteristics. Accordingly, these 2 nodes are
merged into one same node representing one horizon composed by these 2 reflectors, as it is
shown on figure 12. This new node will then be itself eventually taken into account for future
merging.

15

Figure 12: Global graph merging.

The various threshold parameters that are used for establishing similarities between visual
characteristics are given default value that the user can choose to modify when it is needed.
All these parameter values are recorded as instances of ontology properties attached to each
process concept in order to keep the memory of how the resulting objects were interpreted.
By applying the above methodology, the user can run a semi automatic interpretation of the
horizons located in the seismic block. He can also easily run again the same process using
different parameters or considering new information such as new exploration well data for
instance.

3.2. Fault interpretation


3.2.1. Knowledge representation

We developed for fault interpretation a methodology similar in its principle to the one used
for horizon detection.
A fault is a planar or gently bent geological surface which disconnects a horizon sequence. On
a seismic image, a fault corresponds to an area which is locally planar and in most cases
noisy. Moreover, it induces a disconnection and a displacement of all the reflectors located in
its vicinity (cf. figure.13).

Figure 13: Disconnection and displacement induced by a fault.

16

We choose to represent the disconnection of a horizon as a set of 2D disconnections in the


inline and crossline directions. As it is shown on figure 13, each of these disconnections is
characterized using 3 attributes:
1. Heave corresponding to the amplitude of the lateral disconnection
2. Throw corresponding the amplitude of the vertical disconnection
3. Dip, which is the angle of the segment joining two disconnected points of an
horizon on a 2D cross-section (inline or crossline) with respect to 2D local
direction of the horizon.
Furthermore, as illustrated on figure 14, the various disconnections induced by one same fault
on different horizons, are normally approximately coplanar.

Figure 14: Example of fault/horizon geometrical relationships. .

As illustrated on figure 15, all the attributes, relations and concepts required for interpreting a
fault in a seismic image are defined, in this case also, in an ontology.

Figure 15: Illustration of the ontology defined for fault interpretation.

3.2.2. Data management

This module allows identifying horizon disconnections that will be further characterized in
the next step.
Each horizon is projected on a plan. The horizon is then viewed as an array which dimensions
are [number of crosslines] x [number of inlines] on the seismic image and whose cells are
affected with the local Z values of the voxels composing the horizon. By parsing the resulting

17

array line by line (or column by column), we can identify filled cells that are not connected.
Such voxel gaps correspond to horizon disconnections (cf. figure 16)

Figure 16: Identification of 2D disconnections.

By checking their eventual connectivity, the identified horizon 2D disconnections can be


gathered into 3D disconnections (cf. figure 17), which need to be further characterized.

Figure 17: Identification of 3D disconnections.


3.2.3. Visual characterization

This module affects to the identified horizon disconnections the visual characteristic values
previously defined in the ontology
For each horizon disconnection, we compute a heave corresponding to the vertical distance
between the higher and lower points of the disconnection and a throw corresponding to the
horizontal distance between these two points. We also compute a dip corresponding to the

18

angle of the segment joining the two points of each disconnection with respect to the local
direction of the horizon.
Finally, we parse the seismic block through inlines and crosslines in order to check eventual
colinearity of the horizon disconnections. Colinearity is detected when at least 3 higher or 3
lower disconnection points lie on the same line in a given cross-section. (cf. figure 18). The
identified colinearities are stored as instances of ontology relations attached to each horizon
disconnection.

Figure 18: 3 disconnection points lying on the same line of a cross section.

3.2.4. Geological correlation

Horizon disconnections are merged when they are locally collinear all along and when they
locally share the same heaves, throws and dip (with approximations according to fixed
thresholds).
Disconnection merging provides uncertainty areas which correspond to linear zones inside
which faults are supposed to be present. We arbitrarily choose to position the faults in the
middle of these areas. However, the uncertainty areas are also stored in the ontology by means
of throw and heave values that are represented as instances of ontology properties attached to
each horizon disconnection. It allows us to eventually adjust fault positions afterwards for
keeping geological consistency.

4. Results
The above described methodology was applied to various seismic blocks. We will consider
here the results that were obtained by processing the Alwyn seismic block, which corresponds
to data provided by Total UK related to a field located in the North Sea. This seismic block
comprises 1163 inlines, 849 crosslines and 1001 timelines. The Alwyn geology is represented
on figure 19. The structural style corresponds to tilted and eroded fault blocks dipping to the
west and aligned in a north-south direction corresponding to the main normal fault trend. The
hydrocarbon columns are restricted to the Brent Group and, more specifically to the Tarbert
formation and to the upper parts of the Ness Formation.
19

Figure 19: Cross section of the studied part of Alwyn.

4.1. Horizon interpretation


In order to verify our interpretations, we took advantage of results obtained on the Alwyn
block by students of the IFP School, who provided us a set of hand-picked horizons and
faults. These surfaces were identified during a 3 week training session of the IFP School by
using the Petrel software, which is one the most used all over the world for seismic
interpretation. The results obtained by the IFP students were further validated by their
supervisors, who have an extensive knowledge of the Alwyn data..
The provided horizons are located in the most important part of the seismic image (cf. figure
20). They correspond to:

the top of the Turonian Formation

the erosional surface called BCU (Base Cretaceous Unconformity)

the top of the Brent formation

the top of the Dunlin Formation

20

Figure 20: 4 horizons hand-picked by IFP School students.

Thanks to our automated methodology, we were able to extract more surfaces since we could
explore the block in totality. The table hereunder shows the number of reflectors detected and
the number of horizons interpreted for given amplitude threshold values. It also shows the
running times that were needed for obtaining these results.

Amplitude
Threshold

Number of
detected
reflectors

Merging time
(sec)

Number of
interpreted
horizons

Total time
(min)

25000

1,35

10000

85

372

54

19

9000

137

557

90

30

8000

209

1860

120

60

Figure 21 shows the surfaces that were obtained for an amplitude threshold value of 10 000.
In this case, a significant number of surfaces were interpreted, which allows the user to have a
global view of the geological structure.
We notice in particular that some horizons were detected between the two horizons top Brent
and top Dunlin that are respectively figured in yellow and in green on figure 21 (see for
instance the horizon figured in light brown, which lies just above top Dunlin on the figure).
Identifying horizons in this particular zone is considered as a good result by interpreters, since
automated tracking by commonly used software is made impossible by a poor quality image
and a significant level of noise.

21

Figure 21: 54 automatic picked horizons for a 10 000 amplitude threshold value.

Furthermore, we successfully verified the geometry of the automatically interpreted surfaces.


Figure 22 shows that, although some areas were not fully detected by our method, the surface
that we interpreted as Top Dunlin (figured in red) well fits with the Top Dunlin surface
handpicked by the IFP School students (figured in green on figure 22).

Figure 22: Geometrical verification concerning the Top Dunlin horizon: the surface resulting from an
automated interpretation using our method (red) well fits with the handpicked Top Dunlin
surface (green).

The only horizon that was not correctly interpreted is BCU. The reason for this is that BCU is
an erosion surface that is signalled by no proper seismic reflection. Since the ontology that we

22

use identifies reflector as the main elements to be considered for surface interpretation, it
cannot be used for detecting erosion surfaces.

4.2. Fault interpretation


Figure 23 shows the fault pickings operated by hand by the IFP School students on various
cross sections of the seismic image. These pickings were operated by the students with the
goal of defining a self consistent fault model. For this, the students just considered the parts of
the image which they visually identified as corresponding to fault traces and took no care of
their possible relationships with previously interpreted horizons. 28 faults were identified in
total.

Figure 23: The main faults identified by the ENSPM students.

Thanks to the platform that we developed, we obtained the following results.


Amplitude
threshold
value

Extraction and
characterization
time (sec)

Number of
horizon
discontinuities

Merging time
(sec)

Number of
faults

25000

8,5

40

0,5

10000

127

1191

475

44

23

9000

161,5

1976

1214

101

8000

223,7

4215

5356

287

Figure 24 illustrates results that were obtained using a 9000 amplitude threshold value.

Figure 24: Detected faults using a 9000 amplitude threshold value.

We can see that the main north south fault trend was well interpreted. However, the transverse
faults were not very well detected on this particular interpretation. By rerunning this
interpretation with different parameters (amplitude threshold for horizon detection, heave and
throw constrain), we can obtain other fault interpretation. For instance for a 10000 threshold
amplitude value, we obtain less fault but one more transverse fault as it is shown on top left of
the figure 25. The faults, which appear on several interpretations are of course more reliable
than the other ones.

24

Figure 25: Detected faults using a 10000 amplitude threshold value.

A significant advantage of detecting faults by considering horizon discontinuities is the fact


that fault locations are by construction consistent with the all over structural model. This is
verified on figure 26 where the interpreted faults exactly lie on the horizon discontinuities
(signalled by shadows on the green horizon). Consequently, for enabling the user to obtain a
consistent structural model, it suffices to offer him the possibility of manually merging the
various fault patches corresponding to one same fault.
The results obtained in the case of the Awyn use case show that our fault detection method
still necessitates some improvements for being able to identify all geologically significant
faults. For this, one possibility, which could be object of future work, would consist to add in
the ontology a detection criterion directly based on fault interruptions. This would allow to
detect more zones of the image potentially associated with fault traces and thus provide more
numerous and more secure fault reconstructions.

25

Figure 26: Interpreted faults on the Top Dunlin horizon (in green and blue).

5. Conclusions
The present work takes advantage on recent research achievements in the cognitive vision
domain for proposing a largely automated methodology for seismic interpretation.
For representing the gross architecture of the system that we propose, we defined three
abstraction levels that are linked by an ontology representing geological knowledge. The
lowest level is in charge of extracting from the seismic image a set of candidates potentially
corresponding to geological objects. The second level allows to visually characterize these
candidates by means of attributes and relationships defined in the ontology. These properties
are directly deduced from geology. Finally, the highest level allows to merge the validated
candidates, which share similar characteristics, into actual geological objects.
The ontology that was defined provides the necessary knowledge for characterizing
candidates and for associating them to geological objects. In our study, the ontology more
specifically defines the information that is necessary for identifying horizons and faults in a
3D seismic image.The ontology is also used as a support for allowing the storage of all the
created instances with their properties as well as the storage of all the parameters that were
used for creating these instances.
Future work should be dedicated to adding new knowledge to the defined ontology and to
developing related algorithms. This will lead to better interpretations and to identifying other
geological objects with the final goal of building more accurate and better informed structural
models.
26

Table des matires


INTRODUCTION .................................................................................................................. 31
1.

DEFINITION DU SUJET .................................................................................................... 31


1.1.
Image sismique ..................................................................................................... 31
1.2.
Modle structural ................................................................................................. 32
1.3.
Interprtation sismique 3D................................................................................... 33
1.4.
Modle partag .................................................................................................... 35
2. PROBLEMATIQUE ........................................................................................................... 35
2.1.
Interpretation sismique ........................................................................................ 35
2.2.
Ouverture du modle ............................................................................................ 35
3. L'OBJECTIF FIXE ............................................................................................................ 36
4. CONTRIBUTIONS ............................................................................................................ 36
5. CONTEXTE DU TRAVAIL................................................................................................. 37
6. PLAN DU MEMOIRE ........................................................................................................ 38
CHAPITRE 1 : LE DOMAINE METIER ........................................................................... 39
1.
2.

INTRODUCTION .............................................................................................................. 39
LA GEOLOGIE ................................................................................................................ 39
2.1.
Objets gologiques simples .................................................................................. 39
2.1.1. Les interfaces sdimentaires ................................................................................ 40
2.1.2. Les contacts tectoniques ....................................................................................... 43
2.2.
Objets gologiques composs............................................................................... 44
2.2.1. Les squences stratigraphiques ............................................................................ 44
2.2.2. Les systmes de failles .......................................................................................... 45
3. LA GEOLOGIE PETROLIERE............................................................................................. 46
3.1.
O se trouve le ptrole? ....................................................................................... 46
3.2.
La formation des bassin sdimentaires ................................................................ 46
3.3.
La formation du ptrole........................................................................................ 48
3.4.
La formation d'un gisement .................................................................................. 48
3.5.
Trouver le ptrole ................................................................................................. 50
4. LA MODELISATION GEOLOGIQUE ................................................................................... 50
4.1.
Plusieurs modles gologiques ............................................................................ 50
4.2.
De la sismique au modle structural .................................................................... 51
4.2.1. Les donnes d'entre ............................................................................................ 51
4.2.2. L'interprtation sismique...................................................................................... 55
4.2.3. La formalisation de l'interprtation ..................................................................... 58
4.2.4. Diagramme de Wheeler ........................................................................................ 59
4.2.5. Une syntaxe gologique ....................................................................................... 60
5. CONCLUSIONS ............................................................................................................... 63
CHAPITRE 2 : TAT DE L'ART ........................................................................................ 65
1.
2.

INTRODUCTION .............................................................................................................. 65
L'INTERPRETATION SISMIQUE ........................................................................................ 65
2.1.
Un bref historique ................................................................................................ 65
2.2.
Attributs sismiques ............................................................................................... 66
2.2.1. Dfinition gnrale ............................................................................................... 66
2.2.2. Classification des attributs ................................................................................... 66
2.2.3. Cohrence............................................................................................................. 67

27

2.2.4. Orientation ........................................................................................................... 69


2.2.5. Dcomposition spectrale ...................................................................................... 71
2.2.6. Bilan ..................................................................................................................... 72
2.3.
Innovations rcentes ............................................................................................. 72
2.3.1. Utilisation simultane de plusieurs attributs sismiques ....................................... 72
2.3.2. Post traitements des attributs ............................................................................... 75
2.3.3. Classification des rflecteurs. .............................................................................. 77
2.3.4. Construction automatique du diagramme de Wheeler ......................................... 78
2.4.
Bilan ..................................................................................................................... 79
3. L'INGENIERIE DES CONNAISSANCES ............................................................................... 81
3.1.
Dfinitions ............................................................................................................ 81
3.2.
Acquisition de la connaissance ............................................................................ 82
3.2.1. Les dbuts ............................................................................................................. 82
3.2.2. La modlisation .................................................................................................... 83
3.2.3. Le management de la connaissance ..................................................................... 83
3.2.4. Le web smantique ............................................................................................... 83
3.3.
Les ontologies ....................................................................................................... 84
3.4.
Bilan ..................................................................................................................... 85
4. L'INTERPRETATION D'IMAGE GUIDEE PAR LA CONNAISSANCE ........................................ 86
4.1.
La vision par ordinateur jusqu'aux annes 1980 ................................................. 86
4.2.
Le paradigme de Marr ......................................................................................... 87
4.3.
La vision par ordinateur base sur la connaissance............................................ 87
4.4.
L'interprtation d'image et la vision cognitive ..................................................... 88
4.4.1. La vision cognitive ............................................................................................... 88
4.4.2. Travaux de lquipe PULSAR .............................................................................. 89
4.4.3. Une ralisation base sur la vision cognitive ...................................................... 90
4.5.
Bilan ..................................................................................................................... 91
5. CONCLUSION ................................................................................................................. 92
CHAPITRE 3 : METHODE PROPOSEE ........................................................................... 93
1.

INTRODUCTION .............................................................................................................. 93
5.1.
Principe de la mthode propose ......................................................................... 93
5.2.
Architecture adopte ............................................................................................ 93
5.3.
Ralisation ............................................................................................................ 94
2. LINTERPRETATION DES HORIZONS ................................................................................ 97
2.1 Module de connaissance ............................................................................................ 97
2.2.
Module de gestion des donnes .......................................................................... 100
2.3.
Module de caractrisation visuelle .................................................................... 109
2.4.
Module de corrlation gologique ..................................................................... 118
3. LINTERPRETATION DES FAILLES ................................................................................. 122
3.1.
Module de connaissance .................................................................................... 122
3.2.
Module de gestion des donnes .......................................................................... 124
3.3.
Module de caractrisation visuelle .................................................................... 126
3.4.
Module de corrlation gologique ..................................................................... 127
4. EXPORTATION DES RESULTATS .................................................................................... 128
4.1.
Exportation des horizons .................................................................................... 129
4.2.
Exportation des failles ........................................................................................ 131
5. CONCLUSION ............................................................................................................... 131
CHAPITRE 4 : RESULTATS ............................................................................................. 133
1.

LE CHAMP ALWYN ...................................................................................................... 133


28

1.1.
Histoire gologique ............................................................................................ 133
1.2.
Le bloc sismique Alwyn ...................................................................................... 135
2. LINTERPRETATION DES HORIZONS .............................................................................. 137
2.1.
Cration de la matrice creuse ............................................................................ 137
2.2.
Extension et caractrisation des rflecteurs ...................................................... 139
2.3.
Fusion des rflecteurs en horizon ...................................................................... 139
3. LINTERPRETATION DES FAILLES ................................................................................. 155
3.1.
Les failles connues dans Alwyn .......................................................................... 155
3.2.
Les failles obtenues ............................................................................................ 157
4. EXPORTATION ............................................................................................................. 162
4.1.
Modlisation ....................................................................................................... 162
4.2.
OWL ................................................................................................................... 164
5. BILAN .......................................................................................................................... 166
PERSPECTIVES ET CONCLUSIONS ............................................................................. 169
1.

LES CONTRIBUTIONS ................................................................................................... 169


1.1.
Une plateforme dinterprtation sismique base sur la connaissance .............. 169
1.2.
Une premire ontologie ddie linterprtation sismique des horizons et des
failles 169
1.3.
La matrice creuse et les algorithmes.................................................................. 170
1.4.
Interprtation de donnes relles ....................................................................... 170
2. PERSPECTIVES A COURT TERME ................................................................................... 171
2.1.
Enrichissement des donnes dentre ................................................................ 171
2.2.
Approche multi seuillages .................................................................................. 171
2.3.
IHM ddie ......................................................................................................... 172
2.4.
Visualisation partage de la matrice creuse ...................................................... 172
2.5.
Implmentation ................................................................................................... 173
3. PERSPECTIVES A LONG TERME ..................................................................................... 173
3.1.
Workflow ............................................................................................................ 173
3.2.
Meilleure exportation des donnes .................................................................... 174
3.3.
Rglage des paramtres ..................................................................................... 175
3.4.
Enrichissement de lontologie ............................................................................ 175
GLOSSAIRE SUR LES TERMES TECHNIQUES UTILISES EN VISION
COGNITIVE DANS CE MANUSCRIT. ........................................................................... 181
BIBLIOGRAPHIE ............................................................................................................... 183

29

30

Introduction
Cette thse traite de l'interprtation smantique d'une image sismique 3D en vue dobtenir un
modle structural partag. La faisabilit de la mthode propose est prouve sur la cration
d'un modle structural basique c'est dire compos essentiellement d'horizons, de failles et de
leurs relations.
Une image sismique 3D est une reprsentation volumique visuelle du sous sol obtenue par
enregistrement des chos d'une onde acoustique traversant le sol.
L'interprtation smantique d'une image consiste construire du sens partir des donnes
provenant de la scne analyse c'est--dire structurer ces donnes, reconnatre les
diffrentes entits qui composent l'image, comprendre leur organisation spatiale et
construire une description de la scne.
Un modle structural est un go-modle qui fournit une reprsentation des divers objets
gologiques (horizons, failles, chenaux, diapir, etc.) prsents dans tout ou partie dun prospect
et de leurs relations mutuelles.
Partag signifie que ce dernier devra pouvoir tre utilis avec autant de facilit par
n'importe quelle application.

1. Dfinition du sujet
1.1. Image sismique

Figure 0.1: Une image sismique 2D

Comme il est illustr sur la partie gauche de la figure 0.1, une source sismique, telle quune
explosion de dynamite, un canon air comprim ou un vibrateur, gnre de lnergie qui se

31

diffuse lintrieur de la Terre sous forme dondes acoustiques traversant les diverses
couches gologiques avec des vitesses de propagation donnes. A linterface entre deux
milieux rocheux de vitesses diffrentes, une onde est gnralement pour partie rfracte et
pour partie rflchie en accord avec les lois de Descartes. [Schlumberger Oilfield Glossary,
2009]
Grce des rcepteurs placs la surface indiquant le temps que l'onde a pris pour
parcourir un aller retour et en connaissant la vitesse de propagation de l'onde, on peut ainsi
avoir une ide de la position o l'onde s'est rflchie. Aprs traitements, ces informations sont
donc corrles afin dtablir une image du sous-sol que l'on nomme une image sismique
visible droite sur la figure 0.1.
Les valeurs des pixels de cette image correspondent l'amplitude avec laquelle s'est
rflchie l'onde. On a donc pour chaque colonne d'une telle image, aussi appele "trace", une
succession verticale d'amplitudes positives puis ngatives plus ou moins fortes qui
correspondent des changements verticaux de milieux plus ou moins marqus dans le soussol. La figure 0.2 illustre quelques unes de ces colonnes.

Figure 0.2: Quelques traces sur un morceau d'une image sismique 2D.

En deux dimensions, l'image rsultante montre une succession verticale de lignes paisses
valeur positive puis ngative que l'on appelle couramment "rflecteurs".
Enfin en trois dimensions, ces rflecteurs apparaissent sous forme de surfaces paisses.

1.2. Modle structural


Un modle structural (cf. Fig. 0.3) est un assemblage de surfaces gologiques [Foucault,
2005][Bates, 1987] qui correspondent des limites dunits stratigraphiques, des failles,
des chevauchements voire des arrangements plus complexes (rseaux de failles, chenaux,
chemine). Un tel go modle rsulte dune interprtation gologique, qui permet didentifier
les objets prsents et de prciser leurs relations spatiales et chronologiques.

32

E
E
A

F1
C

F
2

F3

A
B
F
4

F
4

B
F
3

F
2

F
1

B
A

Figure 0.3 : Gauche -Reprsentation dun modle structural sous forme de surfaces.
Droite - Reprsentation dun modle structural sous forme d'un graphe.

Le modle structural est une tape essentielle de la chane de traitements de l'exploration


ptrolire illustre sur la figure 0.4. Il est un des rsultats essentiels pour la suite de la
modlisation. Cest le squelette sur lequel pourront tre construits les modles futurs.

Structural
model

Stratigraphic
model
Reservoir grid

Upscaling

Well and
seismic
data
Property model :
facies, porosity,
permeability

Facies proportions

Flow simulation

Production forecast

Figure 0.4 : Chane gnrale de traitements de l'exploration ptrolire.

1.3. Interprtation sismique 3D


L'interprtation sismique, ou interprtation smantique d'une image sismique, est une tape de
la chane de l'exploration ptrolire qui vise analyser des donnes sismiques en vue de
gnrer des modles et des prdictions sur les proprits et la structure du sous sol
[Schlumberger Oilfield Glossary, 2009]

33

Le picking reprsente l'opration la plus basique de l'interprtation sismique. Elle consiste


cliquer avec la souris sur des coupes 2D de l'image sismique. Le but est que l'ensemble des
positions cliques reprsente une partie d'un objet extraire de l'image. Cette opration est
entirement manuelle.
Le picking se fait gnralement sur plusieurs coupes 2D du bloc sismique afin de dfinir
l'objet d'intrt dans plusieurs directions. La figure 0.5 considre cette opration sur 2 sections
sismiques orthogonales.

Figure 0.5: Picking (points rouges) d'un horizon.

Entre chaque picking, un algorithme est charg d'interpoler le meilleur chemin 2D dcrivant
l'objet souhait. Cette interpolation entre deux positions peut tre de type linaire ou alors
suivre une loi plus complique. On parle alors d'algorithme de type tracking.
Ce genre d'algorithme est ensuite utilis pour tendre la slection picke l'ensemble du bloc
3D (cf. Fig 0.6).

Figure 0.6: Tracking d'une slection sur l"ensemble du bloc sismique.

34

1.4. Modle partag


Si l'on regarde notre sujet dans son contexte, l'exploration ptrolire, on s'aperoit que
l'change de donnes est un lment clef de cette chane de traitements. En effet, plusieurs
centaines voire milliers de logiciels sont utiliss dans le mme but : identifier la structure du
sous sol.
Chacun de ces logiciels ayant ses propres avantages et inconvnients diffrents moments
de la chane, il nous parat ncessaire de pouvoir aisment communiquer notre rsultat de la
manire la plus renseigne possible.
Aussi, notre modle se doit d'tre partageable afin que quiconque du domaine de
l'exploration ptrolire puisse l'utiliser dans le logiciel qu'il souhaite.

2. Problmatique
2.1. Interpretation sismique
La problmatique principale de cette thse concerne l'interprtation d'une image sismique par
un ordinateur. A ce jour, cette tche est ralise de manire trs incrmentale avec
manipulations, oprations et vrifications des donnes chaque tape. Elle ncessite plusieurs
mois d'tudes et la coopration de plusieurs experts du domaine.
Chaque objet doit tre pick avec prcision puis track sur l"ensemble du bloc. Or ce bloc est
fortement bruit (du l'acquisition physique) et la plupart des objets apparaissent ainsi trs
dconnects voire invisibles. Mme si le picking manuel permet un contrle total, le tracking
a ses limites et n'arrivent pas toujours tendre une slection comme l'utilisateur le voudrait.
Outre des difficults que nous qualifierons de techniques comme la gestion d'images de trs
grandes tailles (plusieurs gigaoctets) ou encore le travail sur des images fortement bruites, il
apparat que le problme principal de l'interprtation sismique relve plutt du domaine de la
connaissance qui n'est pas assez intgr dans les divers algorithmes actuels. En effet, le
modle structural recr par l'interprteur est le fruit d'un savoir provenant de diffrents
domaines tels que la gologie, la gophysique, la sdimentologie, etc....
Or, de nos jours, la majeure partie des plateformes d'interprtation nintgre que trs peu
de connaissance dans leurs algorithmes. Ces logiciels aident les experts du domaine
principalement par calculs et par visualisation, le logiciel ne propose pas vraiment de
solutions l'utilisateur. L'assistance des solutions actuelles est bien plus visible au niveau de
l'ergonomie qu'au niveau cognitif.

2.2. Ouverture du modle


Enfin, l'heure actuelle, les modles structuraux interprts nous paraissent sous
informs. En effet, aucune solution actuelle ne renseigne la manire dont les surfaces du
modle ont t extraites. Ceci empche toute rvision du modle par la suite. De plus, en ce
qui concerne les autres informations, comme la topologie entre les surfaces par exemple, elles
n'existent simplement pas! L'information topologique est dduire de la visualisation 3D ou
alors de la pure connaissance de l'expert.

35

En sortie, il est seulement possible d'exporter chaque objet de manire indpendante.


Cependant, aucune formalisation du modle structural n'est encore implmente dans un
logiciel d'interprtation sismique de nos jours.
Le modle structural existe donc seulement dans l'esprit de l'interprteur ou alors au
mieux dans des documents textuels. Il est impossible de communiquer l'ensemble des
rsultats une autre application. Il est, pour l'instant, ncessaire de transmettre les
informations par l'intermdiaire d'une personne ou d'un document ou alors dans le pire des cas
de refaire une interprtation des donnes extraites.

3. L'objectif fix
Notre objectif est d'apporter une aide consquente l'automatisation de l'interprtation
sismique. Nous souhaitons dvelopper une plateforme facilitant l'interprtation sismique en
automatisant tant que possible cette opration. La validation de cette plateforme se fait sur les
lments de base de la construction du modle structural : les horizons et les failles.
Pour raliser cela, nous pensons tirer partie des recherches en vision cognitive [Vernon,
2004] afin de pouvoir interprter notre image au mieux en se basant sur la connaissance lie
au domaine.
Enfin, le rsultat de notre interprtation doit contenir l'ensemble des informations qui le
caractrisent afin d'tre exploitable par n'importe quelle autre application.
Nos objectifs intermdiaires peuvent donc s'exprimer de la sorte :
-

Acqurir la connaissance du domaine d'application

Sur quels critres les experts arrivent extraire le modle structural partir
d'une image sismique 3D ?
-

Formaliser cette connaissance pour exploitation


Comment reprsenter cette connaissance?

Dveloppement d'une plateforme d'interprtation sismique base sur cette


connaissance dans une optique "vision cognitive".
Comment intgrer cette connaissance dans une application?

Interprtation d'objets gologiques simples puis plus complexes en utilisant la


plateforme.
Est-ce que la plateforme fonctionne pour les objets basiques?

Export des objets et de leurs relations en vue de construire un modle structural


ouvert.
Comment partager notre rsultat avec les gens de notre domaine?

4. Contributions

36

La contribution majeure de ce travail de thse est la cration dune plateforme dinterprtation


sismique base sur la connaissance gologique. Elle est applique principalement
linterprtation de 2 types dobjets gologiques basiques savoir les horizons et les failles.
Pour cela, nous avons du crer une premire ontologie dcrivant les connaissances
ncessaires linterprtation de ces 2 objets dans une image sismique. Il est possible
damliorer les possibilits dinterprtation de cette plateforme en enrichissant lontologie de
nouvelles connaissances et en mettant disposition de la plateforme de nouveaux algorithmes.
Larchitecture de la plateforme nest pas sujette des modifications.
Une structure de stockage dune image sismique en mmoire vive a t propose ainsi que des
algorithmes de caractrisation visuelle des lments contenus dans cette structure.
Enfin, plusieurs interprtations ont t ralises sur des donnes relles grce la plateforme
ralise. Elles ont pu tre compares avec des rsultats obtenus manuellement sur ces mmes
donnes.

5. Contexte du travail
Le prsent travail est effectu dans la cadre dune thse CIFRE place sous la double
responsabilit de lEcole des Mines de Paris et de lIFP.

Du ct universitaire, la thse est effectue au sein du doctorat Informatique Temps


Rel, Automatique et Robotique de lcole Nationale Suprieure des Mines de Paris. Elle
est encadre par Michel Perrin (ENSMP, Dpartement de Gosciences). Michel Perrin
coopre depuis une dizaine danne avec lIFP (Jean-Franois Rainaud, Division de
Technologies Informatiques et de Mathmatiques Appliques) sur des approches de la gomodlisation guide par la connaissance. Elle est effectue en liaison troite avec Monique
Thonnat (Equipe ORION puis PULSAR, INRIA Sophia Antipolis). PULSAR est une quipe
pluridisciplinaire, la frontire des domaines de la vision par ordinateur, des systmes base
de connaissances et du gnie logiciel. Cette quipe dveloppe des techniques et des logiciels
pour l'interprtation automatique d'images, la rutilisation et le pilotage automatique de
programmes.

Du point de vue industriel, cette thse prend place au sein d'un projet de recherche de
l'Institut Franais du Ptrole (IFP) dnomm "Caractrisation de rservoir". Plus
prcisment, ce projet se rattache au domaine de l'exploration ptrolire qui vise calculer le
potentiel d'extraction d'hydrocarbures dans un champ ptrolier. Cette thse est place sous la
responsabilit de Jean-Franois Rainaud (Direction Technologie, Informatique et
Mathmatiques Appliques).

Cette tude tant en amont de la chane et ayant pour seul objectif un prototype non
commercial, aucune plateforme de dveloppement spcifique n'est impose. Cependant, toute
collaboration avec OpenFlow, la future plateforme de dveloppement de l'IFP, est
encourage.

37

6. Plan du mmoire
Ce mmoire est articul selon 4 chapitres.
Le chapitre 1 prsente le domaine mtier de ce travail. La premire partie de ce
chapitre expose les bases de la gologie connatre pour comprendre cette thse. Puis une
deuxime partie sefforce de montrer le rle de la gologie dans le monde ptrolier. Dans la
dernire partie, nous expliquons ce quapporte linformatique cette gologie ptrolire.
Le chapitre 2 traite de l'tat de l'art concernant notre travail. Aprs un bref historique,
nous nous efforons d'expliquer la mthodologie gnrale employe actuellement ainsi que
les dernires recherches effectues dans le monde de l'interprtation sismique. Aprs une
partie consacre lingnierie des connaissances, nous discutons de la vision cognitive, de
son but et des possibilits que ce domaine apporte l'interprtation d'image en gnrale.
Le chapitre 3 propose un descriptif dtaill de notre approche. C'est dans cette partie
que sont discuts nos choix sur la mthodologie suivie. Le lecteur est amen dcouvrir en
dtail la transformation de cette approche en un prototype. Deux tudes de cas illustrent ce
chapitre : la dtection des horizons et la dtection des failles. Les choix de l'architecture, des
structures des donnes ainsi que des algorithmes y sont notamment discuts.
Enfin, le chapitre 4 a pour rle de montrer les rsultats de notre application sur des
donnes sismiques relles. Nous vrifierons dans cette partie dans quelle mesure nos rsultats
sont la hauteur de nos objectifs.
En conclusion, nous parlons des contributions que nous avons apportes au domaine
de l'interprtation sismique 3D et des perspectives que cela engendre.

38

Chapitre 1 : Le domaine mtier


1. Introduction
Le prsent mmoire est relatif linterprtation sismique. Ce domaine mtier est au carrefour
de plusieurs domaines scientifiques et technologiques, qui ne font pas tous couramment
lobjet dexposs didactiques. Le prsent chapitre vise fournir lensemble des informations
relatives lexploration sismique, la gologie de base, la gologie ptrolire, la
modlisation gologique, indispensables la comprhension de la suite du travail.

2. La gologie
Comme toute science, la gologie dfinit des objets spcifiques et associe ceux-ci au travers
de divers modles selon le domaine dintrt adress. Le domaine qui nous intresse concerne
la reprsentation de la structure du sous sol. Nous dcrirons ici les proprits des principaux
objets gologiques qui seront pris en considration ainsi que les relations entre ces objets.

2.1. Objets gologiques simples


Divers types de modles gologiques 3D sont utiliss pour les besoins de lexploration
ptrolire. Les plus simples de ces modles, dont drivent tous les autres, sont les modles
structuraux, qui reprsentent lassemblage des diffrentes surfaces gologiques prsentes dans
une zone dintrt dtermine. Pour cette raison, les seuls objets gologiques qui sont pris en
considration ici sont les surfaces gologiques. Elles sont classes selon 2 grandes familles :

Les interfaces sdimentaires

Elles sparent deux strates sdimentaires, cest dire deux couches du sous sol dposes lune
au dessus de lautre et chacune composes de roches du mme type. Chaque interface
sdimentaire correspond un vnement gologique marquant comme une rosion,
lachvement dun pisode de dpt, le dplacement dune aire de dpt , etc

Les contacts tectoniques

Ils sont gnrs par les mouvements transversaux qui affectent la crote terrestre et dont la
cause premire est le jeu des plaques tectoniques. Ces contacts correspondent des surfaces
de fracture le long lesquelles les masses rocheuses glissent de manire diffrentielle sous
leffet du champ de contraintes locales auxquelles elles sont soumises.

39

2.1.1. Les interfaces sdimentaires


2.1.1.1. Horizon

Dans le domaine de la gologie ptrolire, les interfaces sdimentaires sont gnralement


dsignes comme des horizons. Ces surfaces sparent des couches sdimentaires, qui sont
regroupes, plus grande chelle, en units sdimentaires (encore appeles units
stratigraphiques). Les horizons sont gnralement de grande taille (plusieurs kilomtres
carrs) et sont souvent horizontaux ou faiblement inclins. Leur forme peut tre plane ou plus
ou moins intensment plisse. Un horizon a un ge unique. Deux horizons peuvent donc tre
compars en fonction de leurs ges relatifs.
Du fait de leur plus ou moins grande horizontalit, les horizons sont dans la plupart des cas de
bons rflecteurs des ondes acoustiques. Pour cette raison, ils sont donc gnralement
identifiables de manire aise sur les images sismiques.
Un horizon peut tre continu sur l'ensemble de sa surface. A linverse, du fait des accidents
tectoniques qui laffectent, il peut ventuellement tre dcoup en plusieurs morceaux.

Figure 1.0 : Exemples de successions d'horizons.

Les horizons sont gnralement disposs paralllement les uns aux autres mais sous l'effet de
divers facteurs lis aux particularits des environnements de dpt ou la tectonique locale,
il arrive que cette proprit ne soit pas respecte.
Conscients que la terminaison des interfaces sdimentaires relativement les unes aux autres
renseigne sur le mode de dpt des strates et ventuellement sur les vnements ultrieurs qui
les ont affectes, Vail et Mitchum [Mitchum, 1977] puis [Catuneanu, 2002] ont caractris les
diffrents types de terminaisons que peut possder un horizon. Un rsum de ces rsultats est
prsent ci dessous.

40

Figure 1.1 : Diffrents types de terminaisons des interfaces sdimentaires.

Onlap
DEFINITION

ATTRIBUTS GEOLOGIQUES

Terminaison d'une surface sub-horizontale sur


une surface plus pentue.

Angle connexion : plutt faible.


Surface de connexion : pentue, plus rcente

Truncation
DEFINITION

ATTRIBUTS GEOLOGIQUES

Terminaison sur une surface rosive plus


rcente.

Toplap
DEFINITION

Angle de connexion : gnralement fort.


(discordance angulaire)
Surface de connexion : plus rcente, rosive

ATTRIBUTS GEOLOGIQUES

Terminaison de rflecteurs inclins sur une


surface sub-horizontale recouvrante.

Downlap
DEFINITION

Angle de connexion : gnralement fort


Surface de connexion : plus rcente, non rosive,
sub-horizontale

ATTRIBUTS GEOLOGIQUES

Terminaison de rflecteurs inclins sur une


surface sub-horizontale plus ancienne.

Concordance
DEFINITION

Angle de connexion : gnralement fort


Surface de connexion : plus ancienne, subhorizontale

ATTRIBUTS GEOLOGIQUES

Aucune terminaison.

Connexion inexistante

Figure 1.2 : Exemple rel d'une terminaison de type "Truncation".

41

Figure 1.3 : Exemple rel d'une terminaison de type "Downlap".

2.1.1.2. Chenal

D'aprs la dfinition fournie dans [Schlumberger Oilfield Glossary, 2009], un chenal est une
dpression de forme gnralement concave et linaire dans laquelle les sdiments transports
par un flux aqueux constituent divers corps sdimentaires allongs
De manire plus image, il s'agit du lit d'une ancienne rivire assche remplie par des
alluvions et par des dpts ultrieurs.

Figure 1.4 : Exemple rel d'un chenal.

Un chenal a un profil transversal concave et un profil longitudinal toujours allong qui peut
tre de type droit, mandreux ou tress.

42

Droit

Mandreux

Tress

Figure 1.5 : Profil d'un chenal.

Par ailleurs, un chenal peut s'tendre sur plusieurs centaines de mtres de largeur et sur
plusieurs kilomtres de longueur.

2.1.2. Les contacts tectoniques


Les contacts tectoniques appartiennent principalement deux catgories : les failles et les
chevauchements (encore appels contacts anormaux ). Selon [Groshong, 2006], [a fault]
is a surface or narrow zone across which there has been relative displacement of the two
sides parallel to the zone. The term displacement is the general term for the relative
movement of the two sides of the fault, measured in any chosen direction." Il sagit donc
dune discontinuit qui spare les couches quelle affecte en deux compartiments qui ont subi
un dplacement apprciable lun par rapport lautre.

Figure 1.5 : Une faille commune.

Bien qu'il existe des failles qui ne soient pas planes, nous portons essentiellement notre
attention dans le prsent travail sur les failles dont la surface peut tre assimile un plan.
Les failles peuvent avoir des extensions longitudinales extrmement variables, allant du mtre
la dizaine de kilomtres ou plus. Le dplacement relatif lun par rapport lautre des deux
panneaux dcoups par une faille est appel rejet. Le rejet s'attnue progressivement
lorsquon sloigne de la partie centrale de la surface de faille jusqu sannuler sa bordure
externe. Une faille est fortement continue sur sa surface excepte si elle est elle-mme
dconnecte par une autre faille. Dans ce dernier cas, elle n'est alors que continue par
morceaux. Le contour d'une faille est mal connu mais il est suppos de prfrence convexe.
On appelle panneau suprieur (Hanging wall) l'ensemble des couches sdimentaires localises
au dessus de la surface de faille et panneau infrieur (Footwall) l'ensemble des couches
sdimentaires localises en dessous. Il existe principalement 3 types de dplacements des
panneaux le long d'une faille :

43

1. Normal : Le dplacement est vertical, le panneau suprieur est dplac vers le bas et la
pente de la faille est d'environ 60 degrs par rapport l'horizontal.

Figure 1.6 : Faille normale.

2. Inverse : Le dplacement est vertical, le panneau suprieur est dplac vers le haut et
la pente de la faille est d'environ 45 degrs par rapport l'horizontal

Figure 1.7 : Une faille inverse.

3. Dcrochement : Le dplacement est horizontal, la pente de la faille est d'environ 90


degrs par rapport l'horizontal

Figure 1.7 : Une faille de dcrochement.

Une faille n'est gnralement pas directement visible sur une image sismique. En effet, dans la
mesure o une faille n'est pas une surface homogne du point de vue des proprits physiques,
son comportement n'est pas homogne du point de vue de la propagation des ondes sismiques
et ce n'est donc pas un rflecteur.

2.2. Objets gologiques composs


2.2.1. Les squences stratigraphiques
Les squences de dpt sont des units stratigraphiques composes d'une succession
relativement conforme de strates gntiquement lies et limites leur sommet et leur base
par des discordances. Leur paisseur est dcamtrique pluridcamtrique. Une squence
correspond une dure de dpt couramment comprise entre 1 et 5 millions dannes.

44

Larrangement des strates l'intrieur d'une squence a fait l'objet d'une tude pousse de la
part de Vail et Mitchum dans [Mitchum, 1977]. En reprenant ces travaux, il est possible de
rsumer les diffrents arrangements d'horizons sous la forme ci dessous.

Figure 1.7 : Les diffrents arrangements des horizons dans une squence.

2.2.2. Les systmes de failles


Ces systmes sont de deux types :
1. Famille de failles : c'est un ensemble de failles ayant approximativement la mme
orientation et le mme pendage. Le pendage dcrivant langle dinclinaison de la
surface.
2. Rseau de failles : c'est un ensemble de failles interconnectes soit toutes de mme ge
soit appartenant ventuellement plusieurs familles de failles d'ge diffrent.

45

Figure 1.8 : Un rseau de failles compos de 2 familles de failles..

3. La gologie ptrolire
La gologie ptrolire utilise la connaissance gologique dans le but didentifier et d'exploiter
au mieux un gisement dhydrocarbures (ptrole et/ou gaz naturel).

3.1. O se trouve le ptrole?


Ptrole provient des termes latins "ptra", qui signifie "pierre", et "olum", qui signifie
"huile". Ainsi "ptrole" signifiant littralement "huile de pierre", le ptrole est de lhuile qui se
trouve dans des roches et plus prcisment dans des roches sdimentaires poreuses. On peut
retenir schmatiquement quune roche poreuse contenant du ptrole est comme une ponge
imbibe de ptrole.
On appelle gisement une concentration dhydrocarbures dans le sous-sol susceptible dtre
exploite dans des conditions conomiques. Un gisement est une fraction du sous-sol o
lhuile est aujourdhui immobile, et est prte tre extraite. On dit quelle y est pige. La
superficie dun gisement va de quelques km quelques dizaines de km et peut plus rarement
atteindre quelques centaines de km. Les gisements correspondent des structures
gologiques particulires limites leur partie suprieure par des couches impermables qui
font obstacle une migration des hydrocarbures vers le haut. Ces structures sont inclues dans
des ensembles gologiques plus vastes dits bassins sdimentaires. Ces bassins ont
couramment des paisseurs de quelques kilomtres.

3.2. La formation des bassin sdimentaires


Les bassins sdimentaires correspondent danciennes zones ocaniques dans lesquelles des
sdiments se sont accumuls durant des priodes gologiques plus ou moins longues. Les
dpts sdimentaires peuvent avoir des origines diverses. Il peut sagir notamment :

Dune accumulation de particules solides :


o qui proviennent de lrosion des roches exposes dans les parties merges de
la crote terrestre; les roches en place sont dtruites sous leffet des pluies, du
gel, du vent ou de lrosion fluviatile et les fragments rsultants sont ensuite
transportes par les rivires et les courants marins jusque dans les bassins
sdimentaires o ils se dposent.
o qui sont issues dorganismes (plancton, corail, coquilles danimaux marins,
dbris de vgtaux ) ayant vcu sur place dans le milieu aquatique du bassin
ou y ayant t transports.

Des dpts de sels minraux (sel gemme, gypse, potasse) lis lvaporation de leau
rsultant par exemple dun asschement des mers suite un changement climatique
important. Ces dpts sont dsigns sous le terme d vaporites.

46

Les sdiments se dposent dans les bassins, strate aprs strate, formant des empilements de
couches stratigraphiques. Par ailleurs, au cours de leur histoire, ces couches subissent divers
types de transformation. Constitus au dpart de vase, les sdiments subissent des
transformations sous leffet de la compaction due au poids des sdiments sus-jacents
nouvellement dposs. Ces transformations sont dsignes par les gologues par le terme de
diagnse. Elles entranent une rduction de volume des strates et une transformation de leur
contenu de vase en roches sous leffet de recristallisations. Ces transformations peuvent
entraner une rduction plus ou moins importante de la porosit.

Au

-300 Ma

-200 Ma

Figure 1.9 : La mme partie d'un bassin sdimentaire deux poque diffrentes.

Une autre consquence de laugmentation de la pression sur les couches lie laccumulation
des sdiments est la formation ventuelle de dmes de sel (encore appels diapirs). Les dpts
de sel gemme sont moins denses que les dpts non vaporitiques. Pour cette raison,
lorsquelles se trouvent comprimes sous leffet du poids des sdiments sus-jacents, les
couches de sel ont tendance remonter en formant des grosses bulles, puis des dmes. Dans
les dernires phases de monte du sel, il se forme galement des sortes de "gouttes" au dessus
du dme (voir figure ci-dessous). Le sel est par ailleurs un matriau non poreux et
impermable. Les dmes de sel vont donc arrter lcoulement du ptrole, lors de sa
migration, comme nous le verrons plus loin.

-100 Ma

Age actuel

Figure 1.10 : La mme remonte" de sel deux poques diffrentes.

Par ailleurs, au cours de leur histoire ultrieure, les couches sdimentaires peuvent
ventuellement tre exondes si la mer se retire et ultrieurement rodes en tout ou en partie.
Enfin, sous leffet de la tectonique, ces couches peuvent tre plisses et/ou failles.

47

Figure 1.11 : gauche un rgime extensif et droite un rgime compressif.

3.3. La formation du ptrole


Lors du dpt des sdiments, une partie des particules solides dposes provient de matires
organiques (cadavres danimaux grands ou petits, dbris de vgtaux, plancton, etc.). Dans
les milieux aquatiques riches en oxygne, ces particules disparaissent car elles sont "manges"
par les bactries. Par contre dans des eaux fermes trs pauvres en oxygne, en labsence de
bactries pour les dtruire, les particules organiques tombent et sjournent au fond du bassin.
Si la sdimentation est rapide, la matire organique est alors enfouie dans les sdiments avant
davoir t dtruite. Cette matire organique enfouie est lorigine du charbon, qui rsulte de
la transformation de dbris vgtaux de grande taille, et du ptrole, ce dernier rsultant de la
transformation de matire organique disperse provenant de dbris de taille microscopique. .
Les dbris organiques de taille microscopique se concentrent dans des vases noirtres. Dans
les premires centaines de mtres de leur enfouissement, la matire organique se transforme
en des assemblages macromolculaires de produits carbons appels krogne. Les roches
sdimentaires, gnralement argileuses, qui contiennent le krogne, sont appeles "roches
mres". Sous le poids des sdiments, le krogne est transport des profondeurs importantes,
o la temprature ambiante est suffisantes pour entraner un cracking naturel de la matire
organique solide. Les chanes organiques du krogne sont ainsi brises ce qui entrane la
transformation de cette matire en hydrocarbures : ptrole ou gaz naturel.

3.4. La formation d'un gisement


Une fois forms, les hydrocarbures qui sont des fluides, ont tendance se dplacer par
migration vers des endroits o la pression est plus faible. Expulss de la roche mre poreuse,
ils se dplacent dans des couches permables (des "drains"). Sil ny a pas dobstacle
impermable empchant leur ascension, les hydrocarbures peuvent atteindre lair libre.

48

Figure 1.12 : La migration des hydrocarbures.

Si les hydrocarbures rencontrent, linverse, une couche impermable qui arrte leur
migration vers la surface, ils sont alors pigs. Pour que les hydrocarbures puissent
saccumuler en quantit suffisante sous une couverture impermable et former un rservoir,
il faut que les piges aient une forme particulire favorable.

Figure 1.13 :.Trois diffrents types de pige.

Trois types classiques de piges sont schmatiss ci-dessus. Les parties colores en marron
correspondent aux couvertures. Le pige en forme de dme, figur dans la partie gauche de la
figure correspond au type le plus rpandu appel pige anticlinal, qui reprsente 90% des
piges de trs gros gisements au Moyen-Orient. La partie centrale de la figure montre un
pige limit par une faille en compression, qui constitue une barrire impermable dans le
bassin. Enfin, la partie droite de la figure reprsente un pige limit par un dme de sel, le sel
tant un matriau totalement impermable.
Dans le cas o les hydrocarbures qui migrent sont constitus la fois de ptrole et de gaz
naturel, le gaz saccumule en raison de sa plus faible densit, dans la partie suprieure du
gisement. A linverse, leau, qui est plus dense que les hydrocarbures, saccumule dans la
partie infrieure du gisement.

49

Un rservoir peut se trouver des profondeurs allant de quelques mtres plus de 6000
mtres. Il peut stendre sur une superficie allant de quelques km2 quelques centaines de km2
et son paisseur peut varier de quelques mtres quelques centaines de mtres.

3.5. Trouver le ptrole


Nous avons vu que le ptrole est localis dans les bassins sdimentaires. Quils soient
terrestres ou immergs, ces bassins sont bien rpertoris lchelle de la plante. Dans ces
conditions, explorer de nouvelles possibilits de gisement cest--dire faire de lexploration,
cest aujourdhui rpondre aux trois questions suivantes :
1. O les structures de type pige sont-elles localises dans le bassin sdimentaire ?
2. Le pige est-il rempli ?
3. Si oui, que contient-il (quelle qualit et quelle quantit dhydrocarbures) ?
Du point de vue de la mis en place des moyens dexploration puis dexploitation, il faudra en
outre prendre en compte la position du gisement potentiel terre ou, ce qui est trs souvent le
cas actuellement, off-shore.
La prsente thse est uniquement relative la dtection de piges potentiels. L'interprtation
sismique que nous allons dcrire dans le paragraphe suivant, permet une reprsentation du
sous sol sur ordinateur et constitue donc une aide prcieuse, indispensable pour dfinir la
localisation des piges. Cette reprsentation elle-mme ressort du domaine de la modlisation
gologique, que nous allons maintenant dcrire.

4. La modlisation gologique
4.1. Plusieurs modles gologiques
La modlisation gologique sintresse la reprsentation du sous-sol sur ordinateur. Elle
date des annes 80 et a t rendue possible grce aux progrs de la Conception Assiste par
Ordinateur (CAO) et de linformatique graphique.
La modlisation gologique est particulirement utilise dans le domaine de l'exploration
ptrolire o le nombre de donnes et les volumineux calculs effectus ncessitent l'emploi
d'ordinateurs. Dans ce cas, les modles gologiques utiliss (earth models) sont de plusieurs
types. Ils peuvent concerner soit des gisements, et donc des rservoirs individuels (modles de
rservoirs) soit des bassins dans leur ensemble (modles de bassin).

50

Structural
model

Stratigraphic
model
Reservoir grid

Upscaling

Well and
seismic
data
Geological Property
model :
facies, porosity,
permeability

Facies proportions

Flow simulation

Production forecast

Figure 1.14 : Vue densemble du workflow ddi la modlisation gologique dun gisement.

Comme nous pouvons le voir sur la figure ci dessus, plusieurs earth models sont utiliss lors
de la chane de traitements de l'exploration ptrolire :

Le modle structural dcrit un assemblage de surfaces gologiques. Il est le rsultat


d'une interprtation d'une image sismique renseigne par des marqueurs provenant de
puits d'exploration. L'tape qui permet de passer des donnes de puits et d'une image
sismique au modle structural reprsente le coeur de cette thse. Nous allons donc la
dvelopper dans la partie suivante.

Le modle stratigraphique est une extension du modle structural obtenue par ajout de
maillages volumiques. Ceux-ci permettant de discrtiser finement les volumes
dlimits par les surfaces gologiques. Il est souhaitable que les maillages se moulent
autant que faire se peut sur la structure des couches sdimentaires prsentes au sein
des volumes gologiques. Par exemple, si les dpts sont disposs de manire
parallle, le maillage sera fortement rgulier.

Le modle de proprits gologiques permet de remplir le modle stratigraphique avec


des proprits ptro-physiques, telles que des porosits (proportion d'espaces libres
dans la roche) ou des permabilits (proportion d'espaces libres connects dans la
roche), utiles pour effectuer ensuite des simulations d'coulement.

4.2. De la sismique au modle structural


4.2.1. Les donnes d'entre
4.2.1.1. L'acquisition sismique

L'acquisition de donnes sismiques concernant un champ ptrolier on shore ou off shore est
ralise au moyen d'une technique appele sismique rflexion. Le but est d'explorer le soussol en profondeur. La sismique rflexion est une technique de mesure indirecte qui consiste
enregistrer en surface l'aide de capteurs des chos issus de la propagation dans le sous-sol
d'une onde sismique provoque par une forte vibration (dynamite, canon air, ...) Ces chos

51

sont gnrs par des interfaces sdimentaires qui correspondent un changement assez brutal
des proprits physiques (densit, lasticit) du sous-sol et qui, de ce fait, rflchissent les
ondes sismiques.

Figure 1.15 : La sismique rflexion.

Deux proprits fondamentales sont enregistres par les capteurs : l'amplitude de l'onde
rflchie et la dure du trajet de l'onde. Ainsi, chaque position de rcepteur est enregistr un
signal qui reprsente l'amplitude de la rflexion en fonction du temps. Ce signal s'appelle une
trace. Il constitue les colonnes d'une image sismique.
L'image 3D est assimilable une matrice 3 dimensions appele bloc sismique. Les
coordonnes latrales de ce bloc sont relatives la position gographique des capteurs et les
coordonnes verticales sont relatives au temps de retour de l'onde. Enfin, les valeurs associes
chaque cellule (voxel) de cette matrice sont reprsentatives de l'amplitude de la rflexion en
ce point.
Selon les trois directions du bloc sismique, les coupes 2D effectues dans un bloc sismique
portent des noms diffrents : inline ou crossline pour des coupes latrales du bloc et timeslice
pour une coupe horizontale.

52

Figure 1.16 : Structure d'un bloc sismique.

Un bloc sismique est reprsentatif d'un champ ptrolier de plusieurs dizaines plusieurs
milliers de kilomtres carrs. Il s'tend en profondeur sur quelques kilomtres. Le pas latral
entre deux voxels est environ de 10 50 mtres. La longueur de l'onde envoye dans le soussol ne permet pas de dtecter des diffrences de milieu dans des couches de moins de 7,5
mtres d'paisseur dans les meilleures conditions.
4.2.1.2. L'image sismique

L'image sismique est le rsultat de l'acquisition sismique. Elle est structure selon ses
colonnes que l'on appelle aussi trace. De par la nature de l'onde, une trace (colonne de
l'image) est constitue en fonction du temps d'une alternance entre plage d'amplitudes
positives et ngatives. C'est la valeur absolue de cette amplitude qui reprsente rellement
lintensit de la rflexion.

53

Figure 1.17 : Structure d'une coupe (inline) de l'image sismique.

Chaque ligne noire ou blanche de la figure 1.17 (en bleu et en rouge sur le tableau)
correspond un rflecteur qui reprsente une interface sdimentaire (gnralement un
horizon). Il s'agit en fait de plages d'amplitudes de mme signe latralement connexes.
Bien que la dimension verticale soit initialement exprime en temps (en secondes), il est aussi
possible de la convertir en profondeurs (en mtres) afin que les relations de distance entre les
diffrents lments de l'image soient plus proches de la ralit. Pour cela, il est ncessaire de
connatre les vitesses de propagation des ondes dans les milieux traverss. En effet, si l'on
connat la vitesse de propagation d'une onde dans un milieu et le temps qu'elle a mis pour le
traverser, on peut en dduire l'paisseur de ce milieu. Un bloc temps est donc lgrement
trompeur par rapport la ralit. Cependant, la transformation en bloc profondeur est une
opration lourde car elle ncessite des temps de calcul trs importants.
Dans notre cas, la totalit des blocs que nous avons pu rcuprer pour tester la mthode que
nous proposons correspond des blocs temps.
4.2.1.3. Les marqueurs aux puits

Paralllement aux donnes sismiques, l'interprteur dispose gnralement dune collection de


puits (en vert sur la figure 1.17) qui montrent chacun diffrentes successions de marqueurs
(reprs en jaune sur la figure). Ces derniers rsultent de linterprtation des logs de puits,
c'est--dire des enregistrements de diverses proprits physiques des roches traverses par le
forage). Les marqueurs signalent gnralement des horizons d'intrt pour le modle
structural final. Il importe donc de reprer les rflecteurs sismiques qui correspondent
chacun dentre eux. Toutefois, dans la mesure o les marqueurs sont identifis dans les
sondages en fonction de leur profondeur, ce reprage nest possible qu la condition que ces

54

profondeurs sont au pralable converties en temps ou qu linverse les donnes sismiques


temps soient converties en donnes profondeur.
Par ailleurs, les profondeurs figurant sur une soupe sismique "profondeur" ne sont en fait que
des profondeurs approximatives sur la base d'un calcul partir de la coupe temps
correspondante. Ce calcul s'appuie en effet sur des vitesses de propagation des ondes
estimes. Ce n'est qu'en comparant cette coupe profondeur avec les donnes provenant des
marqueurs aux puits qu'il est possible de rtablir des profondeurs relles.

4.2.2. L'interprtation sismique


L'interprtation sismique permet partir de donnes sismiques et de donnes de puits, de
reconstruire un modle du sous sol gologiquement cohrent. Cette interprtation est la base
de la construction dun modle structural.
Une interprtation sismique 3D est une opration qui ncessite couramment plusieurs mois de
travail. Selon [Clark, 1998], l'interprtation sismique reprsente la majeure partie du travail
d'un gophysicien : "A fairly safe bet [] is that most people embarking on a career in
applied geophysics will spend most, if not all, of it interpreting seismic data".
Une interprtation sismique classique se dcompose en deux tapes majeures,:
1. L'extraction d'objets d'intrts par picking et tracking
2. L'assemblage de ces objets au sein d'un modle structural.

4.2.2.1. Le picking et le tracking

Le picking est une opration qui vise pointer manuellement un objet d'intrt l'aide de la
souris. Il est gnralement effectu sur une section 2D de l'image sismique.
Le tracking (en 3D) ou autopicking (en 2D) est un algorithme dont le but est d'tendre la
slection faite lors du picking sur l'ensemble de l'image sismique. On trouve une bonne
illustration de cet algorithme dans [Dorn, 1998]

Figure 1.18 : Schma d'un algorithme d'autopicking simple.

55

L'objet sismique le plus simple picker et tracker est le rflecteur. Il correspond soit
des fragments d'une ou plusieurs "interfaces sdimentaires". Par ailleurs, en fonction de la
plus ou moins bonne qualit de l'image sismique, il n'est pas toujours simple de tracker tel ou
tel rflecteur. Par exemple, sur la figure 1.19, quels rflecteurs de l'image reprsentent une
mme interface sdimentaire ? L'image b? Limage c? Lmergence de ces questions
dmontre quil nest pas possible dtablir une correspondance directe et automatique entre
rflecteur et horizon. A linverse lidentification dun ou plusieurs horizons partir dune
image ou dun bloc sismique rsulte dans tous les cas dune dcision motive de
linterprtateur. Cest donc une opration dinterprtation qui ne saurait se rsumer une
simple lecture de l'image mais qui ncessite au contraire un raisonnement bas sur limage et
sur une connaissance du domaine.

a)

b)

c)

Figure 1.19 : Schma d'un algorithme d'autopicking simple.

A cause de cette difficult, dans la pratique, on ne pointe jamais l'ensemble des rflecteurs
composant une image sismique mais simplement les rflecteurs, qui reprsentent, du point de
vue de linterprtateur, des interfaces sdimentaires clefs pour la construction du modle
structural. C'est notamment le cas de ceux pour lesquels une correspondance peut tre tablie
avec des marqueurs aux puits.
Hormis le picking des rflecteurs importants, linterprtateur souhaite aussi dtecter des objets
gologiques plus complexes dans l'image tels que des failles, des chenaux, des dmes de sel,
etc... A la diffrence des rflecteurs, ces objets ne sont pas directement visibles sur le bloc
sismique. Ils sont signals, pour la plupart, par une ou plusieurs caractristiques particulires
telles que, par exemple, des dconnections de rflecteurs dans le cas d'une faille ou des
changements de pendages dans le cas dune succession de squences sdimentaires.
Habituellement, l'interprtateur modifie l'image initiale en usant d'attributs sismiques (que
nous dtaillerons dans le prochain chapitre) afin de mettre en valeur une caractristique
sismique particulire des rflecteurs (cf Figure 1.20). A la suite de ce traitement il peut alors
picker et tracker l'objet d'intrt d'une manire similaire celle employe pour
l'extraction des rflecteurs.

56

Figure 1.20 : Attribut sismique mettant en valeur les discontinuits des rflecteurs.

Le rsultat d'une telle opration fournit un ensemble de surfaces gologiques qu'il faut encore
assembler de manire cohrente afin d'obtenir un modle structural, sur lequel pourront tre
bass lensemble des earth models relatifs la zone prospecte.
4.2.2.2. L'assemblage des surfaces extraites

L'assemblage des surfaces extraites d'une image sismique se fait habituellement de faon
manuelle. Les surfaces sont prsentes dans un espace 3D sans autre information que leur
gomtrie. Le modlisateur slectionne celles qu'il souhaite intersecter et informe le logiciel
sur la faon d'oprer cette intersection (A intersecte B ou B intersecte A) . Le logiciel ralise
l'opration et enregistre la relation topologique dans un modle structural.
Le choix des surfaces intersecter relve dune interprtation de l'oprateur. En effet, comme
le montre la figure 1.21, il peut exister, dans un cas dtermin, plusieurs solutions pour
assembler des surfaces de manire gologiquement cohrente.

Figure 1.20 : Une interprtation gologique.

57

L'image (a) gauche de la figure peut, selon les cas, tre interprte :
selon le modle (b) au milieu : A s'arrte sur B. B est donc une surface d'rosion
selon le modle (c) droite : B s'arrte sur A. B n'est donc pas une surface d'rosion.
L'interprtation doit donc tre couramment effectue au cas par cas par le modlisateur en
fonction de sa connaissance du contexte gologique (qui nest dailleurs pas toujours ais
apprhender de manire correcte dans le cas o le nombre de surfaces entrant dans le modle
est lev).

4.2.3. La formalisation de l'interprtation


A la suite des interprtations effectues, l'utilisateur dispose d'un modle structural constitu
dun ensemble de surfaces gologiques assembles. Outre la gomtrie et la topologie des
surfaces, les solutions commerciales actuelles comme GOCAD [Mallet, 1992], Petrel
[Watson, 2007] ou encore RML [Laval, 2003] ne fournissent aucune autre information sur ce
modle. L'ensemble de la connaissance laquelle le modlisateur a fait appel pour construire
le modle structural a donc disparu une fois le rsultat acquis.
Les rcents workflows d'exploration ptrolire sont bass sur une approche appele Shared
Earth Modeling. Dans cette approche, toutes les applications partagent un seul earth
model . Le modle structural est donc suppos senrichir au cours du droulement de la
chane de modlisation.
Toutefois, comme nous venons de le voir, dans les dmarches classiquement mises en uvre
pour linterprtation sismique et la construction des modles structuraux, des informations
importantes sont perdues en cours de route. du traitement. Ainsi, une fois linterprtation
sismique ralise, le systme perd la mmoire des raisons pour lesquelles telle ou telle surface
a t extraite. Ceci interdit quune autre application ou quun autre interprtateur revoit ou
modifie les interprtations qui sous-tendent le modle construit.
Une nouvelle approche du "Shared Earth Modeling" dite Knowledge Driven Shared Earth
Modeling a t propose rcemment [Mastella & al., 2007]. Cette approche guide par la
connaissance consiste partager l'ensemble des informations du modle gologique en se
basant sur la connaissance sous jacente leur interprtation. Ceci plaide en faveur d'une
meilleure comprhension du modle, car il devient alors possible de comprendre d'o
viennent les donnes, ou comment et pourquoi elles ont t slectionnes.
La prsente thse sinspire de la dmarche du Knowledge Driven SEM et entend dfinir
une formalisation de linterprtation sismique, qui permette de fournir un rsultat
gologiquement renseign. Lassemblage des surfaces permettant la construction du modle
structural pourra alors tre automatiquement dduit de linterprtation ralise.
[Wheeler, 1958] a propos une formalisation dun modle gologique base sur les relations
temporelles ente surfaces gologiques. Il ajoute ainsi un premier niveau de connaissances
gologiques au modle structural. Vers la fin des annes 1990, un travail initi par Michel
Perrin [Perrin, 1997] et [Perrin, 1998] a dfini les bases d'une syntaxe gologique. Cette
syntaxe permet de formaliser linterprtation qui sous-tend un modle structural de
manire complte sous forme dun graphe dnomm Schma dEvolution Gologique .
Dans les paragraphes qui suivent, nous allons exposer les grandes lignes de ces deux
approches.

58

4.2.4. Diagramme de Wheeler


Wheeler propose dans [Wheeler, 1958] de reprsenter les surfaces gologiques dans un espace
dfini par deux dimensions despace latrales et une dimension verticale temporelle . Dans
le nouvel espace, les interfaces sdimentaires sont places les unes au dessus des autres en
fonction de leur ge. Seules les coordonnes verticales des surfaces sont modifies dans cette
visualisation appele diagramme de Wheeler , les coordonnes latrales restent inchanges.

Figure 1.20 : Coupe gologique en profondeur.

Figure 1.21 : La mme coupe dans lespace utilis par Wheeler.

59

Ce modle permet lajout de connaissances gologiques concernant les relations


chronologiques entre surfaces, qui sont particulirement importantes lors de linterprtation
sismique. Comme nous le verrons dans le chapitre consacr ltat de lart, de trs rcents
travaux de recherche tels que ceux de [Moyen, 2005] reprennent cette ide.

4.2.5. Une syntaxe gologique


Dveloppes par Michel Perrin lcole des Mines de Paris et implmentes par Sbastien
Schneider dans [Schneider, 2002], les rgles de syntaxe gologique sont un formalisme qui
permet de dcrire des objets gologiques (horizons, failles) ainsi que leurs relations mutuelles
aussi bien temporelles que topologiques. Ce formalisme se base sur le savoir gologique et
utilise donc des termes connus des gologues. En outre, les rgles de syntaxe ont t conues
dans un souci de correspondance avec des techniques informatiques de dveloppement orient
objet. Ce formalisme se prte donc bien la modlisation informatique de structures
gologiques.
Les rgles de syntaxe gologique reposent sur deux ensembles conceptuels :

les surfaces gologiques : polarises ou non.

les relations entre ces surfaces gologiques (relations temporelles ou spatiales) :


comment une surface influe temporellement ou structuralement sur celles qui la
prcdent.
4.2.5.1. Les diffrentes surfaces gologiques

4.2.5.1.1.

Les surfaces polarises

Les interfaces ou surfaces polarises sont des limites entre deux formations gologiques
dges diffrents, linterface considre tant elle-mme dge lge dune des deux
formations et dge lge de lautre. Une interface polarise aura donc une face tourne
vers une formation plus rcente (FTR) et lautre face tourne vers une formation plus
ancienne (FTA). De plus, nous affectons une proprit binaire chacune des faces : un ct
dinterface polarise est soit concordant, soit discordant (concordant signifiant
gomtriquement que cette face ne pourra pas venir recouper une autre surface, et discordant
signifiant au contraire que cette face pourra recouper des surface dun point de vue
gomtrique). Il existe en consquence quatre types diffrents dinterfaces polarises : les
surfaces parallles, les surfaces drosion (ou discordantes), les surfaces onlap (ou de dpt),
et les surfaces la fois discordantes et onlap.

Figure 1.21 : Les diffrents types d'interfaces sdimentaires

60

4.2.5.1.2.

Les surfaces non polarises

Contrairement aux surfaces polarises, les surfaces non polarises, failles ou contacts
anormaux, ont leurs deux faces tournes vers des formations plus anciennes. En effet, ces
surfaces correspondent des accidents, qui viennent perturber des formations gologiques
prexistantes. Typiquement, une faille F va venir "casser" un moment t un ensemble de
formations gologiques toutes plus anciennes que F. La faille viendra donc intersecter une
srie dinterfaces ayant chacune un ge ponctuel unique infrieur t.

4.2.5.2. Les relations gologiques

Une relation lie deux vnements gologiques; lensemble des vnements et des relations
dfinies laide des rgles de la syntaxe constituant la structure dun modle gologique.
Toute relation entre deux surfaces gologiques est la fois chronologique et topologique :

Elle est chronologique car chacune des surfaces ayant un ge ponctuel unique, la
relation qui les lie est ncessairement de type "antrieur " ou "postrieur " ou
"contemporain de".

une relation topologique, qui est dduite du type gologique auquel se rattache
chacune des deux surfaces et de leur relation dge. Cette relation topologique est de
type recoupant-recoup, car, sauf trs rares exceptions, deux surfaces gologiques
ne peuvent pas se traverser mutuellement. Prciser la relation recoupantrecoupreviendra donc tablir lors de lintersection des deux surfaces, laquelle sera
recoupante et laquelle sera recoupe. Le tableau ci dessous prsente les diverses
combinaisons possibles de relations recoupant-recoup

Figure 1.22 : Les relations recoupant-recoupes rsumes.

La combinaison de la relation chronologique et du type polaris ou non des deux surfaces


suffit dterminer, dans tous les cas, le type de la relation topologique :

Relation topologique entre deux vnements non contemporains

Dans ce cas, nous avons juste lire le tableau reprsent dans la figure 1.22 pour trouver le
type de topologie entre les deux surfaces. Si lune des surfaces est non polarise, il suffit de
lidentifier dans le tableau une surface ayant ses deux faces discordantes.

Relation topologique entre deux vnements contemporains

61

Cette relation est particulire, et ne se prsente, en principe, que dans le cas de deux surfaces
non polarises. La relation topologique est alors de type "sarrte sur" et elle indique par elle
mme laquelle des deux surfaces ira sarrter sur lautre.

Figure 1.23 : Influence de la relation "recoupant-recoup" entre deux vnements gologiques.

4.2.5.3. Le schma d'volution gologique

Le schma dvolution gologique (SEG) propos par [Perrin 1998] et repris par [Schneider
2002] est une structure de donnes arborescente particulire base sur la prise en compte de
la syntaxe gologique. Il permet de dcrire la structure dun modle gologique et
lenchanement des vnements gologiques dans le temps.
Le SEG est un graphe acyclique orient, dont chaque noeud reprsente un objet gologique et
chaque arc une relation chronologique ou topologique entre objets. Bas sur la syntaxe
gologique prcdemment dfinie, le SEG renseigne la fois sur la topologie et sur les
raisons pour lesquelles cette topologie est ce quelle est. On peut comprendre par exemple
pourquoi une surface est recoupe par une autre grce aux informations portes sur les faces
(FTR et FTA) respectives de ces deux surfaces. Le SEG correspond ainsi une reprsentation
formelle de linterprtation gologique sur laquelle est bas un modle structural donn. Par
voie de consquence, si lon modifie par exemple, sur un SEG donn, une des proprits d'une
face d'une surface, on modifie par l mme un lment de linterprtation gologique et du
mme coup linterprtation gologique densemble. En partant des mmes donnes initiales, il
devient alors possible de construire un modle structural diffrent.

Figure 1.24 : Un exemple de schma d'volution gologique.

62

Sur la figure ci dessus, on peut lire grce au graphe droite que :


B est plus ancien que A
A est plus ancien que F4 et F5 qui sont contemporains
F1, F2 et F3 sont contemporains
F4 s'arrte sur F1 et F2
F5 s'arrte sur F2 et F3
Muni de ces informations et disposant de la gomtrie des diverses surfaces, il sera alors
possible de dcouper ces surfaces afin de respecter ces critres et construire un modle
structural cohrent.

5. Conclusions
Nous avons, dans ce chapitre, expos l'ensemble des informations provenant du domaine
mtier quil importe au lecteur de connatre avant daborder la lecture de la suite du mmoire.
Dans un premier temps, nous avons dfini les objets de base de la gologie qui seront utiliss.
Puis nous avons expliqu les grandes lignes de la gologie ddie notre application :
l'exploration ptrolire. Enfin, dans une dernire partie, nous avons dcrit la modlisation
gologique et tout particulirement l'tape qui permet de construire un modle structural
partir d'une image sismique 3D et de marqueurs aux puits.
En rsum, il a t montr que la gologie ptrolire ddie la recherche du ptrole se base
sur des concepts gologiques bien dfinis. Les gisements, les structures des rservoirs sont
constitus par des objets gologiques comme les horizons, les failles, etc... Ce sont ces mmes
types dobjets qui sont manipuls lors de la construction dun modle structural. Il faut
remarquer toutefois que ces objets sont reprsents sous diffrentes formes selon le domaine
dans lequel ils sont utiliss. Par exemple un horizon est :

une surface conceptuellement dfinie en gologie

un ensemble de voxels connexes partageant une mme amplitude de rflexion en


sismique

une surface possdant des relations topologiques en modlisation gologique

Dans la pratique courante de linterprtation et de la modlisation gologique, peu des


informations qui ont permis de passer de la gologie la modlisation gologique sont
disponibles. Seul un rsultat final est stock, sans quil soit prt attention la connaissance
qu'il a fallu utiliser pour l'obtenir. Pourquoi tel ensemble de pixels reprsente-il tel objet
gologique? D'o vient telle relation topologique entre ces 2 surfaces? Autant de questions
qui restent sans rponse si lon ne dispose pas dune formalisation des connaissances utilises,
qui permette de les conserver en mmoire. Comme nous lavons vu, il existe cependant
quelques travaux sur la formalisation de la connaissance gologique tels que le diagramme de
Wheeler ou le schma dvolution gologique, qui permettent de formaliser linterprtation
gologique et dont lutilisation permettrait donc de stocker les hypothses interprtatives sur
lesquelles reposent les diffrents modles.
Nous dsirons aller encore plus loin dans l'utilisation de la connaissance gologique qui doit
tre mise en uvre pour interprter les donnes sismiques et les donnes de puits et pour
construire la suite un modle structural. Nous voulons pouvoir connatre et garder en
mmoire l'ensemble des informations qui, lors de ces tapes, ont amen une telle ou telle
interprtation. Ceci permettra une comprhension raisonne du modle et louvrira sur une

63

dmarche SEM guide par la connaissance. Le challenge va donc tre pour nous de raliser le
pont entre les caractristiques gologiques des objets interprter et le modle structural
construire en s'appuyant sur l'interprtation de l'image sismique et sur les donnes de puits.

64

Chapitre 2 : tat de l'art


1. Introduction
Trois grands domaines de recherche constituent le socle de cette thse. Le premier concerne
l'interprtation sismique, qui constitue lobjet principal du travail. Le second concerne la
prise en compte de la connaissance dans une chane dactivits. Dune manire gnrale, la
formalisation de la connaissance en vue de son utilisation au sein de procdures informatiques
est un domaine de recherche part entire dnomm ingnierie des connaissances. Nous y
ferons appel en vue de palier labsence de prise en compte de la connaissance des domaines
techniques lors de l'interprtation sismique, dont nous avons fait le constat dans le chapitre 1.
Enfin, le troisime grand domaine auquel nous nous rfrons concerne l'interprtation
smantique d'une image par ordinateur Il s'agit de mettre en oeuvre des plateformes
capables d'utiliser une connaissance afin d'extraire du sens partir d'une image.
Dans les trois parties de ce chapitre, nous nous efforcerons de dcrire successivement, pour
chacun de ces domaines, les facettes qui sont en relation avec la thmatique de cette thse,
afin que le lecteur puisse situer le contexte de recherche dans lequel le travail se place.

2. L'interprtation sismique
2.1. Un bref historique
Ltude de la rflexion sismique comme moyen de connaissance du sous-sol remonte aux
annes 1920. Il fallut toutefois attendre les annes 1960 et 1970 et l'avnement du traitement
de l'acquisition par une mthode de type "Common Mid-Point" (CMP) pour que cette tude
progresse de manire significative [Cartwright, 2005].
Les annes 1980 ont vu une amlioration de la qualit des sections sismiques 2D due la
digitalisation des informations. On a assist l'essor de la cration de blocs sismiques 3D,
d'une meilleure rsolution que celle des sections 2D. Louvrage d'Alistair R. Brown [Brown,
2004] devient alors une rfrence pour l'interprtation sismique en trois dimensions. La
digitalisation a par ailleurs permis le dveloppement de traitements spcifiques adapts aux
images sismiques tels que les attributs sismiques.
L'interprtation sismique qui se faisait jusque l majoritairement sur feuille de papier et au
crayon commence alors faire lobjet de logiciels ddis, l'usage de plus en plus courant de
donnes en 3D rendant ce passage ncessaire. Mais ce ne sera rellement que dans les annes
1990 que l'interprtation sismique 3D assiste par ordinateur fera son apparition en force
grce des logiciels tels que SeisWorks de Landmark (aujourd'hui Halliburton) ou Charisma
dvelopp par Schlumberger.

65

Cette explosion des traitements numriques a t suivie dimportants dveloppements


informatiques :

cration de multiples attributs sismiques

possibilit de manipuler plusieurs attributs sismiques simultanment

amlioration des rsultats tous azimuts.

Par ailleurs, des travaux plus minoritaires ont t consacrs la caractrisation des lments
sismiques. Ils correspondent de premires tentatives dexpression de la connaissance
associe aux objets extraits.

2.2. Attributs sismiques


2.2.1. Dfinition gnrale
"A seismic attribute is a quantitative measure of a seismic characteristic of interest." [Chopra,
2005]
Plus gnralement, un attribut sismique est le rsultat d'un traitement d'image particulier opr
sur une image sismique. Les attributs sismiques n'extraient pas directement des objets
gologiques mais permettent de les mettre en valeur afin de mieux raliser les phases de
picking et de tracking. Chacun d'entre eux est cens faire ressortir une et une seule
caractristique sismique ou gologique.
Les attributs fournissent des outils trs utiles pour l'expert. Ils ncessitent toutefois un grand
savoir-faire de sa part. Il s'agit en effet de choisir le bon attribut parmi tous ceux qui existent
pour la recherche d'un objet gologique spcifique. De plus, il est ncessaire de paramtrer
l'algorithme afin que cet attribut sadapte au mieux la qualit du bloc sismique.
Par ailleurs, les attributs sismiques ne permettent pas de dcouvrir la configuration de
lassemblage des diffrents morceaux de surface ou a fortiori dinterprter des relations entre
objets gologiques. Ils ne reprsentent qu'une premire forme daide l'utilisateur : ils
transforment l'image pour y voir plus clair mais l'interprtation pure reste la tche de l'expert.

2.2.2. Classification des attributs


On dnombre plusieurs centaines d'attributs dans la littrature. Beaucoup d'auteurs ont tent
de classer ces attributs dans des catgories - cf. Taner (1994), Brown (2004), Chen (1997) ou
encore Liner (2004)-. Cependant aucune de ces classifications n'est compltement accepte
par la communaut. Nous avons choisi de nous baser sur la classification propose par Taner
(1994) afin de donner au lecteur un aperu des grandes familles dans lesquelles il est
possible de ranger le nombre impressionnant des attributs disponibles.
Taner dfinit 3 grandes catgorie d'attributs sismiques, chacune divise en 2 sous catgories:
1. Selon le type de donnes de l'image traites
a. Instantaneous attributes : attributs calculs directement selon les voxels de
l'image.

66

b. Wavelet attributes : attributs calculs sur la transforme en ondelettes des


traces.
2. Selon le type de relation avec la gologie
a. Physical attributes : attributs calculs dans le but de caractriser le type de
roches traverses.
b. Geometrical attributes : attributs dcrivant les relations spatiales et
temporelles entre lments.
3. Selon le type d'objets gologiques traits
a. Reflective attributes : attributs calculs dans le but de caractriser l'interface
sdimentaire
b. Transmissive attributes : attributs calculs dans le but de caractriser la
couche sdimentaire situe entre deux interfaces sdimentaires
Dans le logiciel que propose Taner, on retrouve 78 attributs sismiques classs selon 4
catgories (cf. figure 2.1). Sur la figure, la catgorie Gabor-Morlet attributes correspond
des "transmissive attributes")

Figure 2.1 : Les attributs sismiques de Attrib3D

Bien que tous les logiciels d'interprtation sismique ne proposent pas la mme classification
ni les mmes attributs, tous en proposent un nombre peu prs quivalent. Nous ne
dtaillerons donc pas l'ensemble de ces traitements mais, au travers de la description de trois
d'entre eux, nous tenterons de donner des exemples dmonstratifs de leur utilit.

2.2.3. Cohrence
Cet attribut est l'un des plus connus en interprtation sismique. Son but est de mettre en valeur
les discontinuits au sein du bloc sismique. Il est donc principalement utilis pour dtecter les
failles mais il peut aussi s'avrer important pour dlimiter d'autres objets gologiques comme
les chenaux, les dmes de sel, etc..

67

L'attribut de cohrence a t dcouvert et brevet en 1995 par Mike Bahorich et Steve Farmer
[Bahorich, 1995] puis amlior par Marfurt (1998). Lalgorithme utilis transforme l'image
initiale d'amplitude en un bloc de cohrence. Chaque pixel de ce bloc reprsente le degr de
similarit du pixel original avec ses voisins latraux.
En comparant 2 traces voisines (c'est--dire 2 colonnes voisines du bloc sismique), il est
possible de calculer leur similarit en tout point en prenant en considration les
caractristiques des pixels voisins. Par exemple, un attribut de cohrence extrmement
basique pourrait se baser sur la diffrence de valeurs entre deux pixels latralement voisins.
Soit i l'indice d'un voxel dans une colonne, soit B la colonne situe entre le colonne A et C et
soit B' la nouvelle colonne relative B aprs calcul de cohrence.
Alors B'[i] = | B[i] A[i] | + | B[i] C[i] |
Une cohrence trs forte sera alors signale par une valeur nulle et inversement une cohrence
trs faible par une trs forte valeur. La figure 2.2 ci-dessous prsente une illustration dun cas
trs basique en 2 dimensions.

Figure 2.2 : A gauche six traces originales. A droite, les traces correspondantes un attribut de
cohrence extrmement basique.

Dans le cas de la figure 2.5, une faille vient dconnecter des rflecteurs (en noir et en rouge
sur le tableau de gauche). De ce fait, la continuit latrale de ces rflecteurs n'existe plus, ce
qui se traduit par des valeurs de cohrence trs faibles au passage de la faille. Il devient ainsi
facile pour l'utilisateur de voir la faille et de la picker .
Cet exemple illustre le principe des attributs de type "cohrence". Bien videmment, les
calculs de similarit entre pixels sont gnralement bien plus complexes que le calcul dune
simple diffrence entre deux ou trois pixels. Par exemple, il est possible de calculer la
similarit de plages verticales de pixels latralement voisines ou mme d'effectuer des tests de
cohrence selon l'orientation du rflecteur et non pas simplement de manire latrale. De plus,
plus on effectue ce calcul sur un grand nombre de traces voisines et meilleur sera le rsultat.

68

Lutilisation dattributs sismiques conduit gnralement de bons rsultats. Toutefois ceux-ci


sont le plus souvent dpendants de nombreux paramtres et leur obtention requiert
gnralement des temps de calcul importants. Par ailleurs, les attributs de cohrence sont trs
sensibles au bruit contenu dans limage sismique puisque celui-ci est par nature peu cohrent.
La figure 2.3 montre, sur un cas rel, le rsultat du traitement dune image par un algorithme
de cohrence.

Figure 2.3 : A gauche une image sismique traditionnelle (amplitude). A droite, la mme image aprs
un traitement mettant en uvre un attribut de cohrence.

2.2.4. Orientation
La prise en compte dattributs sismiques relatifs l'orientation est une aide prcieuse pour
l'interprtation. En effet, le dip (angle d'une surface avec l'horizontale) et l'azimuth (angle
entre la direction de la pente d'une surface et la direction du nord) sont des caractristiques
trs importantes des surfaces gologiques.

Figure 2.4 : Dip et Azimuth d'une surface

Dans le sous sol, les couches sdimentaires sont gnralement dposes de manire parallle
et horizontale. Cependant, du fait de mouvements tectoniques, les couches peuvent s'incliner
trs fortement par la suite. Lors d'une phase ultrieure de dpts sdimentaires, les nouvelles
couches seront dposs horizontalement et donc ne seront gnralement pas parallles celles
dposes antrieurement. Pour cette raison, les changements d'orientation de structures
gologiques peuvent tre des outils trs utiles pour mettre en valeur les diffrentes phases de
dpts.
Marfurt, (2006) fournit une bonne illustration d'utilisation dun attribut sismique de dip et
azimuth. A partir de chaque pixel du bloc, il trace diffrentes directions candidates puis

69

accorde chacune une note en fonction de leur cohrence au mme sens que celui expliqu
dans le paragraphe prcdent. La note la plus leve indiquera le dip au point considr
(figure 2.5)

Figure 2.5 : Calcul du dip en un pixel de l'image sismique.

A partir des dips et azimuths, il est facile de calculer d'autres attributs, par exemple le
paralllisme (cf. figure 2.6). On peut ainsi visualiser de manire plus claire les diffrentes
phases de dpts.

Figure 2.6 : Mise en uvre dun attribut de paralllisme sur un bloc sismique

Un autre attribut dvelopp dans Roberts (2001) et dit attribut de courbure, permet de
localiser les changements d'orientation locales.. Il permet notamment de mettre en valeur les
failles qui ne dconnectent pas les rflecteurs mais qui induisent un changement mineur de
leur structure, ainsi que le montre la figure 2.7.
Lattribut de courbure est galement trs utilis afin de dtecter les mandres d'un chenal (qui
ont une forme trs courbe et continue) et pour en localiser le lit. On peut aussi utiliser cet
attribut pour la dtection de structures telles que les dmes de sel ou les structures plisses
(anticlinaux ou synclinaux).
70

Figure 2.7 : Exemples de failles dtectes par la cohrence ou par la courbure.

2.2.5. Dcomposition spectrale


Les travaux sur la dcomposition spectrale opre sur un bloc sismique en 3 dimensions
remontent la fin des annes 90. Ils sont dus en majeure partie Greg Partyka [Partyka,
1999].
Partyka montre que la dcomposition spectrale base sur la transforme de Fourier discrte
permet de se faire une assez bonne ide de l'paisseur des couche sdimentaires. En effet,
dans le domaine des frquences, la rflexion d'une fine couche sdimentaire correspond de
hautes frquences tandis qu linverse, une couche sdimentaire paisse se signale par des
frquences moins leves. Ainsi, en crant plusieurs blocs sismiques correspondant
diffrents spectres de frquences, il est possible de faire apparatre tel ou tel type de couche
sdimentaire selon son paisseur.
Ceci est illustr sur la figure 2.8. L'image de gauche montre une coupe d'un lment
gologique dont l'paisseur varie. En utilisant 2 spectres de frquences diffrents, on peut
alors faire apparatre, comme le montrent les images suivantes, 2 parties distinctes de ce
mme corps.

Figure 2.8 : Un mme corps sdimentaire vu sous diffrentes frquences.

71

Lattribut de dcomposition spectrale est trs utilis afin de dtecter avec prcision l'paisseur
des couches rservoirs mais aussi pour identifier les chenaux qui creusent et donc modifient
l'paisseur de leur support.
La dcomposition spectrale reste un sujet de recherche trs actif. Elle est majoritairement
base sur la transforme en ondelettes [Castagna, 2003] plutt que sur la transforme de
Fourier discrte.

2.2.6. Bilan
Les trois types dattributs sismiques qui, ont t prsents fournissent divers types
dinformations. Il est important de noter toutefois qu'aucun attribut sismique n'extrait dun
bloc sismique un quelconque objet gologique. Lors de lutilisation dattributs sismiques,
lobjectif est de mettre en valeur une caractristique sismique qui devra encore tre interprt
par l'utilisateur.
De plus, au vu des lments qui ont t prsents, il apparat ncessaire dutiliser non pas un
mais plusieurs attributs sismiques afin dtre en mesure de raliser une relle interprtation.
Cela reprsente un cot lev en temps de calcul par l'ordinateur et en temps d'interprtation
par l'utilisateur.
Les attributs sismiques reprsentent un domaine d'expertise part entire. Il s'agira pour un
bon interprteur de savoir choisir les bons attributs parmi les centaines dattributs existants, de
les utiliser avec les bons paramtres et enfin savoir les combiner intelligemment afin de
dcouvrir les objets gologiques picker .
Au niveau des ressources informatiques, il conviendra de possder des machines capables de
faire tourner de lourds calculs sur des blocs de plusieurs gigaoctets, et ce, le plus rapidement
possible. Ainsi la cration dun bloc sismique de cohrence sur un micro-ordinateur de la
gnration actuelle requiert couramment une nuit de calculs.
.

2.3. Innovations rcentes


2.3.1. Utilisation simultane de plusieurs attributs sismiques
Les attributs sismiques sont gnralement employs de faon manuelle dans les workflows
dinterprtation sismique. Toutefois, comme nous allons maintenant le voir, il existe
dsormais quelques produits, qui permettent de superviser lutilisation simultane de plusieurs
attributs sismiques et ainsi de cumuler leurs avantages.
2.3.1.1. Dip Steering

Le dip steering est n suite une constatation d'une faiblesse dans le calcul des attributs
sismiques. En effet, ceux-ci sont gnralement calculs partir de corrlations strictement
latrales entre pixels. Ceci tient au fait que les rflecteurs sont gnralement plus ou moins
horizontaux. La dimension verticale est donc nglige.
Toutefois, comme nous l'avons vu dans le chapitre 1, une interface sdimentaire peut, sous
l'effet de mouvements tectoniques, subir une dformation induisant des dips non ngligeables.
72

Ces dips peuvent par ailleurs tre calculs laide dattributs sismiques ainsi que nous lavons
vu prcdemment..
L'ide du dip steering consiste corrler les traces aprs avoir calcul un attribut de
pendage (angle dinclinaison des rflecteurs) sur l'ensemble du bloc. De ce fait, il est possible
de renseigner la direction prendre en compte en chaque point de l'image pour le calcul d'un
quelconque attribut sismique. Celui-ci est ainsi utilis dans de meilleures conditions, ce qui
permet lobtention de meilleurs rsultats (cf. figure 2.9).

Figure 2.9 : Dtection dun rflecteur vu avec (rectangle bleu) ou sans (rectangle rouge) dip
steering Comme on peut le voir, la continuit du rflecteur au centre des rectangles
n'est assure que lorsque le dip steering est utilis.

2.3.1.2. Crossplotting

Le crossplotting d'attributs sismiques a t introduit par White (1991). Il sert visualiser


les relations entre deux ou trois attributs sismiques oprs sur une partie de l'image. Chaque
voxel de l'image possde une valeur en fonction de l'attribut calcul. Ces valeurs sont
reprsentes dans un repre 2D ou 3D dont les axes correspondent chacun des attributs que
lon souhaite comparer.
Ainsi sur la figure 2.10, deux attributs diffrents (Lambda-Rho et Mu-Rho) d'une section
sismique sont calculs sur les images a et b. Sur l'image c, on ralise un crossplot de ces 2
attributs sur 2 zones diffrentes de l'image : en rouge sont reprsents les pixels composant le
polygone rouge, en jaune les pixels composant le polygone jaune.

73

Figure 2.10 : Crossplotting de deux attributs.

Il apparat alors clairement que le polygone jaune correspond une zone o les valeurs MuRho sont leves et les valeurs Lambda-Rho faibles. Dans cet exemple, il a t possible de
dtecter, grce la connaissance de ces attributs, une anomalie de gaz.
2.3.1.3. Meta attrinuts

L'ide du mta attribut part de la constatation quun interprteur doit gnralement utilser non
pas un seul attribut mais plusieurs pour dtecter ou vrifier la prsence d'un objet gologique.
Afin d'automatiser l'utilisation de plusieurs attributs, l'quipe ralisant le logiciel
d'interprtation OpenDtect a brevet une technologie base de rseaux de neurones
[Meldhal, 2000] permettant la cration d'un mta attribut simulant l'action de plusieurs
attributs.
L'expert picke un objet qu'il juge important, puis il slectionne une collection dattributs
susceptibles de mettre en valeur cet objet. Un rseau de neurones sera alors entran sur l'objet
pick afin de dterminer les pondrations d'utilisation optimales de chacun des attributs de
la collection. La convergence de cet algorithme fournit alors un mta attribut utilisable sur
l'ensemble du bloc sismique, qui mettra en valeur tous les objets qui fourniront la mme
rponse aux diffrents attributs slectionns.

74

Figure 2.11 : La rponse de diffrents attributs deux images sismiques synthtiques faisant
apparatre une faille

2.3.2. Post traitements des attributs


2.3.2.1. Ant Tracking

Cette technologie mise au point par Schlumberger amliore la dtection des failles aprs
calcul d'un attribut du type "cohrence". En effet, bien qu'il soit possible pour un utilisateur
bien entran de picker une faille sur un bloc de cohrence, lopration devient dlicate
lorsque le bloc est fortement bruit. Dans ce cas, l'extension partir d'une graine picke sur la
faille est fortement rduite.
Le but du Ant Tracking est d'amliorer ce rsultat afin d'obtenir une meilleure extraction
des donnes. Pour cela, Trygve Randen se base sur le principe de swarm intelligence
[Randen, 2001]. "Swarm intelligence" est un terme dsignant les comportements collectifs
qui mergent d'un groupe d'insectes.

75

Figure 2.12 : Illustration de "swarm intelligence"

Le principe de la mthode peut tre compris partir de la figure 2.12.


On voit sur le schma (a) de la figure, 2 fourmis partant du nid au mme moment. Celle des 2
fourmis qui aura choisi le chemin le plus court reviendra au nid avant l'autre. Comme
lindique le schma (b),. ce plus court chemin pourra alors tre marqu par le dpt dun
excs de phromones. Influence par la prsence de phromones, la prochaine fourmi
prfrera alors choisir le chemin le plus court.
Applique au bloc de cohrence, cette mthodologie permettra de marquer avec plus de
"phromone" les zones de failles. Un grand nombre d'agents reprsentant les fourmis seront
dploys sur l'image et dposeront plus de phromones aux endroits qu'ils jugent tre des
failles.
Cette technique base sur une technologie multi agents simule ainsi la manire dont un expert
dbruiterait le mme bloc.

Figure 2.13 : A gauche, une image aprs calcul de cohrence. A droite, la mme image aprs Ant
Tracking

76

2.3.2.2. Active Contour

"An active contour is a deformable curve whose deformation is governed by a model


component ensuring smoothness and connectedness, and a data component that lets the
contour attach itself to the object during the search in the data." [Admasu, 2006]
Lors de l'interprtation d'images sismiques, les "active contours" sont utiliss pour le tracking
des failles. Tout d'abord l'utilisateur "pick" une faille sur une section 2D. Ce picking est alors
mis en correspondance sur la mme section 2D traite pour faire apparatre les discontinuits
de l'image, comme il est indiqu sur la figure 2.14 (tape a). Sur cette figure, la section
reprsentant les discontinuits de l'image ( droite) a t acquise par passage d'un filtre de
Gabor sur l'image initiale (on aurait pu utiliser tout autre traitement pour faire apparatre les
discontinuits comme un attribut de coherence par exemple)
Ensuite l'algorithme se place sur la section suivante (tape b sur la figure 2.14) et opre le
mme traitement afin de fournir une image des discontinuits. Sur cette nouvelle image, il va
tenter de projeter la courbe picke de la section prcdente en minimisant les dformations.
Dans une dernire tape (tape c sur la figure 2.14), cette opration sera rpte jusqu' ce
qu'aucune extension ne soit plus possible. Le rsultat de l'interpolation entre les diffrentes
courbes de chaque section connexe est une surface reprsentant la faille.

Figure 2.14 : Diffrentes tapes du tracking d'une faille

2.3.3. Classification des rflecteurs.


Cette mthode fut propose en 2003 par Schlumberger [Borgos, 2005].

77

Dans cette approche, lobjectif est de classer une collection de rflecteurs selon des attributs
prdfinis. Hilde Borgo choisit ceux-ci en considrant la forme de l'onde (trace du bloc) aux
niveaux des amplitudes maximales. Elle part de l'hypothse qu'un mme horizon sismique
fournit sur l'ensemble de sa surface une rponse sismique de mme forme.
De plus, comme ces calculs sont coteux en temps et en mmoire, Hilde Borgos base son
algorithme sur une matrice 3D creuse reprsentant uniquement les valeurs maximales
contenues dans le bloc. Cela lui permet dabaisser considrablement les ressources machines
requises pour lexcution du programme en vitant de perdre une quantit trop importante
d'informations. En effet, l'interprtation sismique prend gnralement en compte en priorit
les rflecteurs les plus puissants.

Figure 2.15 : En haut l'image sismique initiale. En bas, la mme image sous forme de matrice creuse.

Grce cette technique, le programme est ainsi capable de suivre un horizon mme s'il est
discontinu. En effet si lhorizon garde la mme signature de forme d'onde et si ses patchs sont
proches latralement, la fusion de ces derniers sera automatique.

2.3.4. Construction automatique du diagramme de Wheeler


Mise au point par Peter Vail et Robert Mitchum [Mitchum, 1977], la stratigraphie squentielle
est une approche de linterprtation gologique qui vise dcrire et interprter les
diffrentes squences de dpts observables en profondeur afin de dduire une suite
dvnements sdimentaires. Des approches de l'interprtation sismique prenant en compte la
"stratigraphie squentielle" ont t propose rcemment par Schlumberger et OpenDtect
[Monsen, 2007] [de Bruin, 2007]. Ces approches tentent d'incorporer un peu plus de
connaissance dans les donnes extraites. Les deux auteurs proposent de reprsenter les
rflecteurs dans un diagramme de Wheeler 3D [Wheeler, 1958]. Dans la mesure o le
diagramme de Wheeler permet de reprsenter les surfaces en fonction de leur ge gologique,
78

il est alors possible de reprsenter les surfaces gologiques par squences successives de
dpt et non plus simplement en fonction de leur gomtrie. Ainsi chaque point d'une mme
surface a le mme ge et toute surface isochrone est reprsente dans un plan horizontal. (cf.
figure 2.16)
Cette reprsentation a le grand avantage de permettre l'utilisateur une comprhension des
dpts successifs. Celui-ci est alors en mesure d'identifier plus aisment les limites des
squences dans le bloc sismique et peut incorporer ces lments dinterprtation dans les
donnes extraites.
Pour atteindre ce dernier but, Monsen cre un graphe de relations haut et bas entre chaque
rflecteur. Il part pour cela de l'hypothse que, dans cas o un rflecteur est situ au-dessus
dun autre, il a t dpos dautant rcemment que la distance vertical qui le spare de ce
dernier est importante. Monsen peut ainsi convertir les distances relatives entre rflecteurs en
diffrences dges relatifs. La lecture dun tel graphe facilite grandement la construction du
diagramme de Wheeler.

Figure 2.16 : Exemple dune collection de rflecteurs transforms en un graphe de relation de


voisinage verticale puis en un diagramme de Wheeler 3D.

2.4. Bilan
L'interprtation sismique a t grandement aide par les rcents dveloppements
informatiques et particulirement par lutilisation dattributs sismiques. Ceux-ci permettent
deffectuer des oprations que l'on peut assimiler des traitements du signal Ils conduisent
la mise en vidence de caractristiques sismiques que l'expert associe avec des
caractristiques gologiques. Comme le gologue est habitu raisonner dans un monde
peupl de concepts, attributs et relations gologiques, cette association lui rend l'interprtation
plus naturelle donc plus rapide. Les attributs sismiques permettent en quelque sorte lexpert
de s'abstraire du domaine de l'image sismique pour se placer dans un domaine plus
gologique.

79

L'utilisation d'une seule caractristique sismique n'est pas suffisante pour un raisonnement
complet. Ceci justifie de faire appel des techniques telles que le dip steering ou le
crossplotting . Celles-ci permettent d'associer deux ou trois attributs sismiques de la mme
manire que l'expert associerait diffrents concepts gologiques lors de son raisonnement.
Par ailleurs, les principaux dfauts des attributs tiennent leur nature bas niveau :
1. Ils sont trs dpendants de la qualit de l'image.
2. Ils sont fortement paramtrables, si bien que leur usage requiert une grande
connaissance du fonctionnement de chacun deux.
3. Ils n'apportent aucune interprtation directe de l'image mais ils mettent simplement en
valeur une caractristique sans extraction d'objets gologiques..
De nombreux travaux sont actuellement raliss afin d'amliorer la qualit des images
sismiques grce des pr-traitements. Ils sont centrs principalement sur lexamen des
conditions dacquisition sismique ou sur le dbruitage du bloc sismique par diverses mthodes
de traitements de l'image,. Comme ces travaux dpassent le cadre de la thse, nous ne
traiterons pas ce sujet ici. Nous renvoyons le lecteur aux articles de Barnes (2006), Fehmers
(2003), Azuaje (2002), s'ils souhaitent trouver des exemples de ces traitements.
Le problme des rglages des paramtres a aussi t tudi et l'avance la plus remarquable
dans ce domaine repose sur l'utilisation de rseaux de neurones. Outre le fait de pouvoir
slectionner plus de 2 ou 3 attributs sismiques, l'entranement du rseau de neurones sur une
interprtation ralise manuellement par l'expert (picking) permet le calibrage de chaque
attribut. Celui-ci est ralis en ayant pour objectif que le rsultat fourni par l'ensemble de tous
les attributs soit le plus proche possible du picking ralis. Ce calibrage est par la suite
exportable sur l'ensemble de l'image afin de mettre en valeur tous les objets possdant les
mmes caractristiques.
En revanche, l'interprtation des rsultats de lutilisation dattributs sismiques est une
opration que lexpert effectue en utilisant son savoir propre. L'extraction du rsultat final
reste ainsi une opration manuelle effectue aprs que l'expert ait corrl les diffrentes
caractristiques mises en valeur laide dattributs sismiques. Un seul travail de recherche
[Borgos, 2005] tente dapporter une solution automatique cette tape. En se basant sur une
description des formes des ondes, Borgos extrait automatiquement un ensemble de rflecteurs
partir d'une image sismique. Ceci lui permet de raliser une interprtation automatique
complte des interfaces sdimentaires.
Nous pensons pour notre part qu'une relle interprtation d'une image sismique doit aller
jusqu'a l'extraction des diffrents lments et jusqu leur assemblage au sein dun modle
structural. Pour cela, il convient de formaliser la connaissance ncessaire une
interprtation sismique complte afin de pouvoir utiliser cette connaissance sur le plan
informatique. Ceci conduit se pencher sur la correspondance entre attributs sismiques et
attributs gologiques. De plus comme le montrent les travaux les plus rcents mettant en
oeuvre la stratigraphie squentielle, les caractristiques de l'image sismique ne sont pas
suffisantes en elles-mmes. Il convient de prendre galement en compte les relations
existantes entre les diffrents lments d'interprtation, par exemple les relations haut-bas
utiliss pour la reprsentation d'un diagramme de Wheeler.
Compte tenu de cela, il convient maintenant dexaminer quels sont les moyens informatiques
actuels disponibles pour reprsenter et utiliser la connaissance. Cest ce que nous allons faire
dans les sections qui suivent.

80

3. L'ingnierie des connaissances


3.1. Dfinitions
Lingnierie des connaissances constitue depuis de nombreuses annes un domaine actif de
recherche qui sinscrit dans la thmatique de la conception et de la ralisation des systmes
base de connaissances (SBC) et, plus largement, dans le domaine de lintelligence artificielle
Lingnierie des connaissances consiste concevoir des systmes dont le fonctionnement
permet de rendre oprationnelles des connaissances portant sur le traitement ou la rsolution
dun problme donn [Charlet, 2006]
Un systme base de connaissances (SBC) est un systme informatique fonctionnant avec
une base de connaissances sur un sujet donn. Tout systme informatique utilise de la
connaissance, mais dans un systme base de connaissance, celle-ci est reprsente de faon
explicite.
La rsolution automatique d'un problme implique deux tapes essentielles:
1. la modlisation du problme et dune mthode de rsolution dans un cadre thorique
donn. Malgr son abstraction, ce modle conceptuel du problme doit tre
comprhensible et rappropriable par un spcialiste du domaine. Cette description
abstraite est ralise au niveau des connaissances [Newell, 1982].
2. un modle oprationnel, dfini "au niveau des programmes" qui traduit en termes
algorithmiques les connaissances formalises du modle conceptuel.

Figure 2.19 : Architecture d'un systme base de connaissance.

Ainsi que le montre la figure 2.19, dans le cas d'un SBC, les principaux lments permettant
de rsoudre un problme sont constitus :

dune base de connaissance (Knowledge base), qui est une reprsentation de


l'expertise du domaine

81

dune base de faits donnes (Working storage) permettant de mmoriser les donnes
relatives au problme rsoudre

dun moteur d'infrence (Inference engine) constitu par le code responsable de la


ralisation de l'expertise. Ce code met en relation la base de connaissance et les
donnes

une interface utilisateur (User interface) qui est le code permettant une interaction
entre l'utilisateur et le systme.

Afin de bien comprendre l'architecture entire d'un SBC, il est aussi important d'expliquer le
rle des individus qui interagissent avec le systme :

Expert du domaine (Domain expert) : ce sont le ou les experts du domaine


d'application qui dtiennent la connaissance

Ingnieur connaissance (Knowledege engineer) : cest la personne qui formalise la


connaissance de manire explicite afin qu'elle soit utilise par le systme

Ingnieur systme (System engineer) : cest l'individu responsable du dveloppement


de l'application (hors base de connaissance)

Utilisateur (User) : cest une personne qui souhaite consulter le systme de la mme
manire qu'elle consulterait directement un expert du domaine.

Les difficults rencontres dans la ralisation d'un tel systme se situent principalement lors
de l'acquisition de la connaissance venant de l'expert.

3.2. Acquisition de la connaissance


Lacquisition de connaissances se dfinit comme le transfert et la transformation dune
expertise depuis une source de connaissances vers un programme. Une trs bonne tude de ce
domaine a t ralise par Eddie Soulier [Soulier, 2008].

3.2.1. Les dbuts


Lacquisition des connaissances a d'abord t vue comme un problme de transcription. Le
transfert d'expertise vise mettre en place des moyens pour fournir un systme base de
connaissances les connaissances issues du savoir d'un expert, de documents ou de manuels.
L'expert du domaine est sens possder une connaissance plus ou moins explicite qu'il s'agit
"d'extraire" pour ensuite la transcrire dans un programme, selon un formalisme plus ou moins
universel : rgles de productions, objets, logique... [Hayes-Roth, 1983]. Malgr le
dveloppement de nombreuses techniques de verbalisation et d'aide aux interviews d'experts
et mme de mthodes et outils comme KOD [Vogel, 1988] ou MACAO [Aussenac, 1989], le
caractre "subconscient" et implicite des connaissances de l'expert et surtout la difficult
dorganiser ces connaissances ont reprsent un frein au dveloppement de cette approche. Le
dcalage sest galement avr trop important entre le langage utilis par l'expert et le niveau
d'abstraction des formalismes de reprsentation des connaissances ncessaire pour une
implmentation informatique du systme.

82

3.2.2. La modlisation
Lchec de cette stratgie a dbouch sur une seconde approche de lingnierie des
connaissances consistant voir celle-ci comme une modlisation. Si les systmes que l'on
construit visent simuler des performances d'experts dans un domaine particulier, pour une
tche prcise, ils n'ont dornavant plus la prtention de reflter ou modliser les processus
rellement mis en oeuvre par le cerveau humain. A partir des donnes et connaissances issues
des interviews et des verbalisations, l'ingnieur connaissance doit organiser cette
information et abstraire des concepts. En ce sens il s'agit bien de construire un modle. Le
but d'un concepteur de systmes bases de connaissances est de construire un artefact et non
pas de simuler ou reproduire le raisonnement rel d'un expert.
Cette approche a conduit llaboration de mthodologies de modlisation des connaissances
permettant dune part de modliser le domaine de connaissances, dautre part de modliser le
processus de rsolution et le raisonnement de lexpert. Le "modle dexpertise" propos dans
la mthodologie europenne KADS [Breuker, 1985] puis CommonKADS permettent de
dcrire la rsolution du problme par le systme base de connaissances (SBC). Dans ce cas,
la construction de modles repose sur trois dimensions : la tche rsoudre, les mthodes de
rsolution de problmes et les connaissances du domaine.

3.2.3. Le management de la connaissance


Si l'ingnierie des connaissances a dabord t dfinie comme un processus dacquisition des
connaissances et de transcription, puis comme un processus de modlisation pour raliser un
systme informatique utilisant des connaissances explicitement modlises (SBC), ce
domaine de recherche restait encore ancr sur la notion de dcision individuelle et sur le
projet dimitation du comportement de lexpert. Toutefois, un nouveau paradigme va merger
dans les annes quatre vingt dix, celui de management des connaissances. La connaissance
nest plus lapanage dun expert et nest plus rduite un problme dcisionnel mais prend
une dimension collective, le concept de connaissance faisant rfrence lensemble des
connaissances tacites et explicites d'une communaut du domaine.
Dans cette optique, plusieurs mthodes de reprage, de formalisation et de capitalisation des
connaissances voient le jour au dbut des annes quatre vingt dix comme REX [Malvache,
1994], MEREX [Corbel, 1997], CYGMA [Bourne, 1997] ou MASK [Ermine, 1996]

3.2.4. Le web smantique


Aprs stre intresse lacquisition et la modlisation de connaissances des experts, puis
la capitalisation des connaissances organisationnelles, lingnierie des connaissances se
concentre de plus en plus sur les supports numriques de connaissances. Le "document" se
fait "connaissance" et la source des savoirs passe de plus en plus par le web. Les technologies
de recherche dinformation de type Web smantique se concentrent alors principalement sur
les moteurs de recherche et sur les systmes dindexation qui permettent dorganiser les
"connaissances" sur une base smantique.

83

3.3. Les ontologies


Dans le contexte qui vient dtre dcrit, des outils nouveaux apparaissent de plus en plus
ancrs dans linformatique formelle. Il sagit plus particulirement des ontologies, qui ouvrent
la voie une nouvelle approche de la modlisation des connaissances.
Le mot "ontologie" semble tre apparu tardivement dans lhistoire. Ce nest en effet quau
dbut du XVIIe sicle que deux philosophes, Jacobus Lorhardus et Rudolph Goclenius, lont
employ pour la premire fois, indpendamment lun de lautre. Pourtant, le concept qui se
cache derrire le mot ontologie , remonte au moins la Mtaphysique dAristote et la
dfinition de la science premire quy livre le Stagirite : il dsigne ltude transversale de
"ltre en tant qutre", et non de telle ou telle de ses rgions, dont ltude est dvolue aux
sciences.
Dans le domaine de la reprsentation des connaissances, le terme ontologie fait rfrence un
modle formel utilis pour dcrire un domaine particulier du monde rel [Fensel, 2003],
[Staab, 2004]. Dans cet ordre d'ides, les concepts apparaissent comme des briques de base
des ontologies [Ganter, 1999] : ils possdent une intension qui se dfinit pas l'ensemble
des proprits caractristiques ou attributs, du concept et une extension qui recouvre
l'ensemble des individus ou instances du concept.
Comme l'explique Florence Le Ber [Le Ber, 2006], une ontologie O se prsente, en pratique,
comme un systme formel constitu :
-

d'un ensemble de concepts,


d'un ensemble de relations binaires spcifies par des couples de concepts (D,R) de
domaines et de codomaines,
- d'un ensemble A d'axiomes
- d'une relation de spcialisation ou subsomption qui est gnralement rflexive,
antisymtrique et transitive.
Cette dernire permet d'organiser les concepts et les relations en une hirarchie qui autorise
les infrences.
Dans les domaines de linformatique et de lingnierie des connaissances, on ne se limite pas
parler de lontologie mais dontologies. Selon Monnin (2009], il convient en effet de
distinguer selon leur niveau de gnricit :

des ontologies dites de haut niveau qui contiennent "des concepts trs gnraux
comme lespace, le temps, la matire, les objets, les vnements, les actions, etc. [qui]
ne dpendent pas dun problme ou dun domaine particulier" [Lando 2006];

des ontologies de domaine (mdecine, architecture, mcanique..),

des ontologies de tche (diagnostiquer, enseigner),

voire des ontologies dapplication, dans lesquelles les concepts appartiennent un


domaine et une tche particulire (enseigner la mdecine).

Enfin, selon Zacklad, (2007), toute ontologie possde des caractristiques particulires:

Comme dautres langages de reprsentation des connaissances, elles nont pas une
vocation exclusivement documentaire au sens de lindexation et de la recherche
dinformation mais elles visent aussi participer de lingnierie des connaissances
dun domaine et en particulier "spcifier explicitement une conceptualisation" pour
reprendre les termes de T. Gruber [Gruber, 1993].

84

Point corollaire du prcdent elles nont pas tre conues strictement partir dun
fond documentaire quelles viseraient indexer. Mme si les ingnieurs de la
connaissance responsables de sa conception utilisent souvent des outils
terminologiques appliqus des textes de rfrence du domaine, ils peuvent galement
sappuyer sur dautres sources dinformation comme des entretiens auprs dexperts,
lanalyse de bases de donnes, ou des conceptualisations ad hoc issues de leur propre
synthse des connaissances du domaine considr.

Bien que la dimension documentaire des ontologies ne soit pas, comme on la dit, leur
justification intrinsque, leur ancrage au sein du web smantique tend nanmoins,
pour autant quelles se diffusent effectivement, leur faire jouer un rle essentiel dans
la recherche et la mise en relation dinformation. Mais linformation dont elles visent
faciliter laccs est dabord celle du web invisible, celui constitu par les multiples
bases de donnes qui consignent linformation structure des processus daffaires et
des rfrences techniques.

En consquence, les ontologies formelles ne sont pas faites pour tre directement
exploites par des usagers humains engags dans une navigation hypertextuelle
comme cela pourrait tre le cas pour une classification documentaire ou un thsaurus.
Au contraire, les ontologies sont le plus souvent conues pour tre exploite par des
programmes informatiques.

De ce fait, les ontologies gagnent tre reprsentes laide de langages formels, le


standard propos par le W3C (World Wide Web Consortium) tant aujourdhui OWL
(Ontology Web Language) [Smith, 2004], qui sexprime partir du langage RDF
(Ressource Description Framework), proche des rseaux smantiques, lui-mme
exprim laide de balises XML comme tous les langages du web smantique.

3.4. Bilan
L'ingnierie des connaissances offre aux ordinateurs la possibilit de rsoudre un problme en
se basant sur la connaissance qu'utilisent les humains pour ce mme travail. Ceci est ralis
aux moyens d'un systme base de connaissance qui est dcompos en plusieurs modules
dvelopps par diffrents ingnieurs informaticiens.
Le module le plus difficile raliser est la base de connaissance. Il dcoule d'un travail qui
consiste acqurir la connaissance ncessaire en vue de la rendre utilisable par un systme
informatique. Au cours des dernires dcennies, on a pu voir cette tape se baser sur des
informations de plus en plus nombreuses et d'origines de plus en plus varies. On est ainsi
pass de la connaissance extraite du savoir d'un seul expert une connaissance acquise sur
des rseaux comme par exemple le web. Cette volution a t accompagne par des nouveaux
formalismes allant de simples rgles de production des ontologies en passant par diverses
modlisations. De ce fait, les implmentations ont aussi volu pour aboutir au format OWL
qui est le standard propos par le W3C pour le web smantique.
A titre de rsum, un graphique des diffrentes approches en acquisition de la connaissance
est fourni ci-dessous.

85

Figure 2.20 : Les diverses approches en acquisition de la connaissance

A notre connaissance, il nexiste pas de travaux raliss en interprtation sismique qui


sappuient sur lingnierie des connaissances. Or, nous pensons pouvoir tirer partie des
dernires avances de ce domaine dans notre travail. Lapproche que nous proposerons
passera notamment par une formalisation de la connaissance sous la forme dune ontologie.
Ceci permettra une description pousse des connaissances utiles la dmarche
dinterprtation sismique et ouvrira la possibilit dun partage des raisonnements et des
rsultats au travers des rseaux, conformment une dmarche de type Web Smantique.
L'ontologie ralise sera du type "ontologie d'application" reprsentant une connaissance
appartenant au domaine de l'image sismique et relative la tche interprtation. Une
implmentation en OWL nous permettra de respecter le standard choisi actuellement et ainsi
de pouvoir changer les diverses interprtations au travers d'un rseau tel que celui du web.
Dans cette optique, il convient pour terminer notre tat de lart, dinventorier les systmes
ayant dj travaill sur une association du type de celle que nous venons de dcrire reliant le
domaine de l'image et une tche dinterprtation. Nous allons donc nous intresser maintenant
aux travaux portant sur linterprtation d'une image par ordinateur guide par la connaissance.

4. L'interprtation d'image guide par la connaissance


4.1. La vision par ordinateur jusqu'aux annes 1980
Jusque dans les annes 1980, dans le domaine de la vision par ordinateur, les efforts se sont
surtout concentrs dans la conception de mthodes bas niveau de segmentation et de
description des images. C'est cette poque que furent dfinis la majorit des oprateurs de
base que nous utilisons toujours aujourd'hui comme le seuillage, la dtection de contours,
l'extraction de rgions.
Cependant, la vision bas niveau pose certains problmes qui n'ont toujours pas t rsolus. Il
est difficile de segmenter une image en primitives bas niveau sans utiliser la connaissance
associe au domaine d'application de l'image ainsi qu l'utilisation que l'on veut faire de cette
segmentation.
86

4.2. Le paradigme de Marr


Vers la fin des annes 1970, Marr a propos la premire vritable mthodologie complte
pour la conception d'un systme de vision [Marr, 1982]. Plusieurs aspects peuvent tre retenus
de ces travaux.
Selon Marr, un systme de traitement de linformation, qu'il relve ou non du domaine de la
vision, doit tre vu sous trois angles :
1. la thorie calculatoire : il s'agit de la thorie dcrivant et structurant le domaine de
travail ainsi que ses buts et ses principes gouvernants;
2. les reprsentations et les algorithmes : il s'agit de l'implmentation logicielle de la
thorie, de sa rsolution et surtout, des structures de reprsentation de donnes
utilises au cours des transformations;
3. l'implmentation matrielle : il s'agit du matriel utilis pour l'implmentation
physique des algorithmes, tant pour l'acquisition que pour la rsolution.
Selon Marr, ces trois aspects doivent tre voqus distinctement afin de comprendre tout
systme de traitement de l'information. Ils sont tous aussi importants, mais, pour Marr, la
notion de reprsentation demeure centrale. En effet, il considre un systme de vision comme
une suite de transformations principalement ascendantes d'une reprsentation en une autre
(depuis les donnes jusqu l'interprtation). Marr a ainsi identifi trois niveaux de
reprsentation principaux :
1. la premire bauche : l'extraction des informations de base et attributs de l'image
bidimensionnelle (rgions, contour ) ;
2. l'bauche 2.5D : le calcul des proprits tridimensionnelles locales relatives la scne
(orientation, distance ) ;
3. la reprsentation 3D : la description complte de la scne indpendante de
l'observateur.
Dans la pratique des travaux qui ont succd, ces niveaux se sont souvent traduits par trois
tapes de traitement : segmentation, reconstruction et reconnaissance.
Le point le plus important du paradigme de Marr tient la structure hirarchique de traitement
et de reprsentation quil a dfinie. Un cadre de traitement rigoureux a ainsi t pos, qui a
inspir nombre de travaux, tant pour la vision bidimensionnelle que pour la vision
tridimensionnelle.

4.3. La vision par ordinateur base sur la connaissance


Profitant de l'essor de l'ingnierie de la connaissance, des systmes d'interprtation d'image
appels "systmes de vision bases sur la connaissance" ont ajout la mthodologie une
dimension dutilisation d'une connaissance priori
Les solutions actuelles profitent toujours de ces avances. La connaissance est divise en 3
diffrents niveaux d'abstraction en accord avec la hirarchie dfinie par Marr :
1. Le bas niveau est le niveau de l'image. La connaissance sert extraire des primitives
de l'image qui seront des candidats pour une future interprtation.
87

2. le niveau mdian est le niveau qui permet de passer des donnes numriques aux
donnes symboliques.
3. le haut niveau est le niveau smantique. C'est l que l'interprtation est ralise en se
basant sur des donnes symboliques.
Pour chacun de ces niveaux, on trouve encore deux subdivisions de la connaissance :
1. la connaissance dclarative : c'est la description des diffrentes entits connues par le
systme. Elle rpond la question "Qu'est-ce?"
2. la connaissance procdurale : elle dcrit comment extraire et utiliser les diffrentes
entits. Elle rpond la question "Comment?"
On retrouve notamment des architectures bases sur ces diffrents niveaux dans des systmes
comme VISIONS [Hanson, 1978] puis SCHEMA [Draper, 1996], SIGMA [Matsuyama,
1990] ou encore MESSIE I et MESSIE II [Garnesson, 1991], [Sandakly, 1995]. La
reprsentation de la connaissance sur les diffrents niveaux est ralise aux moyens de
schemas et de frames [Minsky, 1975] et de rgles d'infrences.
On peut trouver une tude dtaille sur ces diffrents systmes dans Crevier (1997) ou encore
dans Boucher (1999) et dans Hudelot (2005).

4.4. L'interprtation d'image et la vision cognitive


4.4.1. La vision cognitive
La vision cognitive n'est pas proprement parler une nouvelle mthodologie pour la cration
d'un systme d'interprtation d'image mais plutt un nouveau domaine de recherche qui a
pour but de rendre les systmes de vision plus robustes, plus flexibles et plus adaptables en
leur fournissant des fonctions cognitives. Comme on peut le lire dans Brub (1991), les
fonctions cognitives sont des "fonctions intellectuelles qui se divisent en quatre classes:
1. les fonctions rceptives permettant l'acquisition, le traitement, la classification et
l'intgration de l'information;
2. la mmoire et l'apprentissage permettant le stockage et le rappel de l'information
3. la pense ou le raisonnement concernant l'organisation et la rorganisation
mentales de l'information;
4. les fonctions expressives permettant la communication ou l'action"
Comme ce domaine est mergent, il n'existe pas encore une dfinition satisfaisant l'ensemble
de la communaut scientifique qui le compose. Cependant une road map research [Vernon,
2004] a t mise au point afin d'noncer la liste des dfis relever dans ce domaine pour les
vingt annes venir. On y trouve la dfinition suivante

88

La vision cognitive repose sur trois fonctions cognitives principales qui sont :

Le savoir : cette facult est fortement lie la reprsentation de la connaissance. Il


s'agit de stocker l'ensemble de la connaissance ncessaire l'interprtation de manire
formelle afin qu'elle soit utilisable.

La dlibration : il s'agit d'tre capable de reconnatre un objet, une situation ou


vnement au moyen de leur apparence visuelle et de leur contexte. Ceci est ralis
grce l'utilisation de la connaissance stocke.

L'apprentissage, qui permet de faire voluer la connaissance utilise et qui dcrit son
utilisation en fonction de l'exprience.

4.4.2. Travaux de lquipe PULSAR


Lquipe PULSAR de lINRIA Sophia Antipolis dirige par Monique Thonnat qui succde
PASTIS puis ORION a une grande exprience dans linterprtation smantique dimage
partir dune connaissance priori.
Monique Thonat proposait dj une plateforme permettant linterprtation automatique
dimage de galaxies [Thonnat, 1989]. Lapproche propose consiste en une explicitation des
connaissances et en une formalisation des raisonnements permettant lanalyse et
linterprtation dimages. Si linterprtation dune image dpend de la connaissance a priori
de linterprteur, alors un systme automatique doit lui aussi pouvoir disposer dune
connaissance plus ou moins sophistique. La smantique de limage nest pas dans limage
elle-mme mais dans la connaissance a priori du systme dinterprtation (humain ou
informatique). Elle utilise notamment le moteur de classification CLASSIC [Granger, 1985]
dont la philosophie repose sur les concepts suivants:

lutilisation simultane dobjets structurs, les classes, contenant la connaissance


descriptive des objets classer, et de rgles de production dcrivant une connaissance
heuristique,

89

lutilisation dun mcanisme de comparaison floue drivant de la thorie des


possibilits et des ensembles flous, permettant la manipulation de donnes bruites,
incompltes ou imprcises.

Lquipe PULSAR a aussi beaucoup travaill sur le pilotage de programmes afin de faciliter
la (re)configuration de programmes de traitement numrique de donnes. Plusieurs moteurs
ont t dvelopps comme OCAPI [Thonnat, 1994] devenu par la suite PEGASE [Vincent,
1997]. Le rle du moteur de pilotage de programmes est dexploiter la connaissance
concernant ceux-ci afin de construire un plan de programmes qui atteigne le but de
lutilisateur. Il mule la stratgie dun expert sur lutilisation des programmes.
Enfin lquipe PULSAR sintresse de trs prs linterprtation vido. Lobjectif de ces
travaux est de dtecter des objets mobiles (plus particulirement des personnes) et danalyser
leurs comportements [Brmond, 1998].
Lors de notre tude, un travail rcent de cette quipe, qui profite de toutes les avances qui ont
pu tre faites auparavant, nous est apparu trs proche de notre sujet. Nous proposons den
discuter dans le paragraphe suivant.

4.4.3. Une ralisation base sur la vision cognitive


Les travaux de thse de Cline Hudelot au sein de l'quipe INRIA/ORION [Hudelot, 2005]
ont abouti la proposition d'une architecture dont le but est l'interprtation smantique
d'image 2D base sur la vision cognitive. Ces travaux concernent principalement l'aspect
"understanding" de la vision cognitive. Ils font directement suite aux travaux de Thonnat
[Thonnat, 2002], Ossola [Ossola, 1995] et Clement [Clement, 1993] sur la coopration de
systmes base de connaissance pour la reconnaissance d'un objet dans une scne.
De la mme manire, Cline Hudelot dfinit une coopration entre systmes base de
connaissance (Knowledge Based Systems). Inspire par Marr, elle utilise 3 systmes, chacun
dentre eux tant responsable d'un niveau de reprsentation. Ils concernent respectivement :
1. les traitements d'images pour l'extraction et les descriptions numriques des
objets d'intrts.
2. le mapping entre les donnes numriques extraites de l'image et les donnes
symboliques relatives aux objets recherchs.
3. l'interprtation smantique de la scne.
De plus, Cline Hudelot fait voluer le module de communication entre les diffrents SBC en
s'appuyant sur les progrs rcents raliss dans le domaine du partage de connaissances et
d'informations au moyen dontologies. Ainsi le lien entre les diffrents systmes qu'elle a
dfini est opr par 2 ontologies :
1. une ontologie de concepts visuels ralise en collaboration avec Maillot (Maillot,
2003]. Cette ontologie est partage entre le "semantic interpretation KBS" et le
"visual data management KBS".
2. une ontologie de traitements d'image partag entre le "image processing KBS" et le
"visual data management KBS".

90

Figure 2.21 : L'architecture propose par Hudelot pour une plateforme d'interprtation smantique
d'image.

4.5. Bilan
Dans cette dernire partie, nous avons examin le paradigme de Marr qui a ouvert une
nouvelle approche pour linterprtation d'image par ordinateur. En se basant sur ce paradigme,
des travaux de recherche ont ajout une dimension dutilisation de connaissances priori
structures selon les 3 niveaux d'abstraction noncs par Marr.
Depuis peu, un nouveau domaine de recherche appel "vision cognitive" oeuvre pour
l'utilisation de facults cognitives, comme le savoir, dans les logiciels d'interprtations
d'image. Les avances de lquipe PULSAR, anciennement ORION, de lINRIA Sophia
Antipolis nous ont particulirement interpell dans ce domaine. Notament, Cline Hudelot
propose une architecture d'interprtation smantique dune image sur 3 niveaux en accord
avec le paradigme de Marr tout en formalisant la connaissance utilise via des ontologies.
Grce cette formalisation de la connaissance, les travaux de cette quipe rejoignent
entirement lapproche selon laquelle nous dsirons exprimer la connaissance de notre
domaine. Par ailleurs, du fait de la modularit de larchitecture propose, la coopration entre
les diffrents niveaux d'abstraction est parfaitement retranscrite. Pour ces raisons,
larchitecture dcoulant des travaux de lquipe ORION et propose dans la thse de Cline
Hudelot a reprsent une source d'inspiration incontournable pour le prsent travail.

91

5. Conclusion
Dans ce chapitre, nous nous sommes efforcs de prsenter les principaux domaines sur
lesquels nous allons nous appuyer pour la ralisation de notre travail.
Nous avons tout d'abord prsent un aperu des solutions existantes et des innovations
rcentes en matire dinterprtation sismique. Nous nous sommes penchs plus
particulirement sur la notion d'attribut sismique qui est la base de la majeure partie des
dveloppements actuels. Les rsultats fournis par la prise en considration dattributs
sismiques fournit l'expert des variantes de limage sismique originelle bases sur des
caractristiques sismiques diverses quil peut choisir.. Dans la mesure o le nombre d'attributs
sismiques utilisables est trs grand, des solutions plus ou moins automatiques ont t mises au
point afin de permettre leur utilisation combine. Cependant, malgr tous ces efforts,
l'interprtation sismique est une opration qui reste trs largement entre les mains de l'expert.
L'intervention de l'interprteur reste ncessaire dans la mesure o les attributs sismiques
auxquels il peut faire appel sont trs loin de reprsenter l'ensemble du savoir quil met en
oeuvre lors d'une interprtation. Par ailleurs, une fois linterprtation effectue, il est
impossible de rpondre la question de savoir comment telle ou telle donne a t interprte.
Seules demeurent les donnes nouvelles rsultant de linterprtation sans que celles-ci soient
aucunement renseignes relativement au contenu du travail d'interprtation effectu. .
La seconde partie du chapitre a t consacre l'ingnierie des connaissances. Nous avons
mis en relief la notion de systme bases de connaissances, qui permet rsoudre un problme
donn en se basant sur une connaissance priori du domaine. Dans la ralisation d'un tel
systme, la partie la plus dlicate concerne la phase d'acquisition de la connaissance. Plusieurs
approches ont t exposes. Nous avons montr quen quelques annes, la notion de
connaissance utile a volu et quon est ainsi pass de la considration de la connaissance
provenant d'une seule personne (un expert du domaine) celle de la connaissance d'une
communaut de personnes du domaine exprime le cas chant sur des supports divers
(document numrique par exemple). Le formalisme qui accompagne cette acquisition se base
de plus en plus sur une modlisation objet trs forte voue tre change sur des rseaux
notamment le web, ce qui a conduit lmergence de divers types dontologies.
Enfin, dans la troisime partie du chapitre, nous nous sommes concentrs sur la description
des systmes informatiques d'interprtation d'image bass sur la connaissance. Au travers du
paradigme de Marr, une mthodologie d'interprtation visuelle base sur 3 niveaux
d'abstraction porte les bases des systmes de vision actuelle. Des solutions performantes ont
t labores en rajoutant cette mthodologie, la possibilit de prise en compte d'une
connaissance priori du domaine. La plus complte de ces solutions est nos yeux la
mthodologie de vision cognitive propose par Cline Hudelot et qui dcoule des travaux
antrieurs de lquipe PULSAR. Elle utilise une formalisation de la connaissance par le biais
dontologies qui servent de moyen de communication entre les diffrents niveaux
d'abstraction.
Sur la base de cet tat de l'art, nous pensons tre en mesure de proposer une nouvelle
plateforme d'interprtation entirement ddie aux images sismiques. Cette proposition sera
dcrite dans le chapitre qui suit.

92

Chapitre 3 : Mthode propose


1. Introduction
5.1. Principe de la mthode propose
En contraste avec la plupart des solutions couramment adoptes actuellement, nous proposons
une mthode dinterprtation sismique base non pas sur une analyse de limage sismique
elle-mme, mais sur la connaissance gologique qui lui est associe.
Nous choisissons de grer cette connaissance au moyen dune ontologie afin de pouvoir
reprsenter, utiliser et changer les diffrents concepts, relations, attributs et instances qui la
composent.
Enfin, nous nous basons sur le paradigme de Marr et sur les travaux en vision cognitive de
lquipe PULSAR afin de dfinir un systme dinterprtation dune image sismique au moyen
de 3 diffrents niveaux dabstraction relatifs la reprsentation visuelle dun objet (cf.
figure 3.1).

Figure 3.1 : larchitecture propose

5.2. Architecture adopte


5.2.1.

Reprsentation de la connaissance

Ce module concerne la reprsentation de la connaissance gologique associe


linterprtation sismique. Il sagit dy dcrire de manire formelle, laide dune ontologie, la
forme sous laquelle se prsentent dans les images sismiques, les objets gologiques que lon
souhaite dtecter. Lontologie utilise sera donc constitue de concepts, dattributs et de
relations visuels.
Cette ontologie sera dtaille dans la suite du chapitre. Elle a t implmente en OWL.
93

5.2.2.

Module de gestion des donnes

Ce module est celui plac au plus bas niveau de notre architecture. Son rle est de fournir un
ensemble de candidats interprtables par les modules suivants.
5.2.3.

Module de caractrisation visuelle

Ce module est charg daffecter aux candidats extraits par le module de gestion des donnes
les caractristiques visuelles nonces dans lontologie comme ncessaires lidentification
de lobjet gologique correspondant.
5.2.4.

Module de corrlation gologique

Ce module est celui qui est plac au plus haut niveau de la chane de traitements. Il met en
relation les candidats visuellement caractriss avec la description visuelle dun objet
gologique stocke dans lontologie. Ceci permet de raliser une interprtation de ces
candidats en objet gologique, si leurs caractristiques visuelles correspondent la description
stocke.

5.3. Ralisation
5.3.1.

Acquisition de la connaissance

Lacquisition de la connaissance a tout dabord t effectue par entretiens avec des experts
gologues spcialiss notamment en gologie structurale et en sdimentologie. Ceux-ci nous
ont communiqu les lments de savoir qui sont requis pour dcrire la gologie des rservoirs
et de leur environnement gologique. Prcisons par ailleurs, quafin dtre pleinement en
mesure de dialoguer avec ces spcialistes, jai pris soin dacqurir par moi-mme des
connaissances de base en gologie en participant notamment plusieurs modules de
formation sur le terrain. Jai galement complt mes connaissances par la lecture dun certain
nombre de traits de gologie, ce qui ma permis de comprendre quelle part de la
connaissance gologique est utile pour linterprtation sismique et comment cette
connaissance peut tre reprsente.
Par la suite, dautres entretiens avec des gophysiciens (principalement de lIFP) mont
permis dacqurir une meilleure connaissance de limage sismique et de ses modalits
dacquisition.
5.3.2.

Implmentation de lontologie

Lontologie reprsentant la connaissance acquise est formalise en OWL. Nous avons choisi
OWL car ce format a t cr pour devenir le standard du web smantique. Lontologie est
reprsente aux moyens de concepts possdant chacun divers attributs et partageant entre eux
des relations. Les attributs peuvent tre de type numrique (entiers ou rels) ou textuels.
94

Au niveau le plus bas de lontologie qui est relatif au module de gestion des donnes, on
retrouve des concepts que nous appelons candidats . Ils sont susceptibles dtre tout ou
partie dun objet gologique. Ces concepts dcrivent les objectifs du module de gestion des
donnes qui doit fournir des instances de ce type.
Le niveau mdian de lontologie est symbolis par les attributs et relations attachs aux
concepts candidats. Ces attributs et relations servent pouvoir dcrire les caractristiques
visuelles des candidats. Le module de caractrisation visuelle est charg de dfinir chaque
instance de candidat en renseignant lensemble de ses attributs et relations.
Enfin le niveau haut de lontologie correspond aux concepts reprsentant les objets
gologiques recherchs. Chacun de ces concepts gologiques contient au moins un concept
candidat caractris. Le module de corrlation gologique est en charge de dcider si tel
candidat possde les caractristiques ncessaires pour tre une partie dun objet gologique.
Dans le cas o ce test est confirm, le module instancie un nouvel objet gologique et y
attache linstance candidate ou alors attache linstance candidate directement linstance
gologique si celle-ci existe dj.
La figure 3.2 illustre le modle sur lequel lensemble des interprtations va sexcuter.

Figure 3.2 : lontologie gnrale utilise


5.3.3.

Implmentation de la plateforme

Chaque interprtation dobjets gologiques doit tre reprsente dans lontologie selon ce
modle. Puis pour chaque objet, il sagit de dvelopper :

un ou plusieurs algorithmes capables de gnrer les candidats bas niveau


gnralement partir de limage sismique,

95

un ou plusieurs algorithmes capables de dterminer toutes les caractristiques de


chaque candidat dfinies dans lontologie,

un ou plusieurs algorithmes capables de comparer et dassocier les candidats


caractriss afin de crer les objets gologiques contenus das limage sismique,

un algorithme demandant le lancement successif de ces 3 tapes et qui enregistre


chaque tape lensemble des instances traites. Cet enregistrement se fait directement
en OWL dans lontologie qui a servie de base de dveloppement des 3 modules.

Ci-dessous, le pseudo-code reprsentant lalgorithme ralisant une interprtation dun objet


gologique quelconque.
Procedure InterprtationObjetGologique(BlocSismique, Ontologie)
Candidats = ExtractionDesCandidats(BlocSismique)
EnregistrementDesCandidats(Candidats, Ontologie)
EnregistrementDesParamtres(ExtractionDesCandidats)
CandidatsCaractriss = CaractrisationDesCandidats(Candidats, BlocSismique)
EnregistrementDesCandidatsCaractriss(CandidatsCaractriss, Ontologie)
EnregistrementDesParamtres(CaractrisationDesCandidats)
ObjetsGologiques = CandidatsVersObjetsGologiques(CandidatsCaractriss)
EnregistrementDesObjetsGologiques(ObjetsGologiques, Ontologie)
EnregistrementDesParamtres(CandidatsVersObjetsGologiques)
Fin Procdure
Les rgles permettant dassocier des candidats des objets gologiques sont directement
codes au sein du module de plus haut niveau. Mme si OWL permet un raisonnement un
niveau dabstraction plus lev que le C++, il ne permet pas autant de rapidits ni autant de
possibilits de reprsentation que le C++. En particulier, SWRL qui permet de crer des rgles
partir de valeurs numriques et de les associer OWL, ne permet encore que des oprations
trs basiques.
La dclaration des paramtres utiliss par les algorithmes est aussi situe au niveau des
algorithmes. Ils sont par la suite enregistrs dans lontologie afin de justifier les conditions
dans lesquels les instances cres.
5.3.4.

Etudes de cas considres

Un modle gologique est constitu dun assemblage de surfaces gologiques. Ces surfaces
reprsentent les lments de base qui doivent tre identifis au sein de limage sismique en
vue de reconstruire le modle.
Dans les modles structuraux, les surfaces les plus importantes sont les horizons et les
surfaces de failles. Ces surfaces permettent de visualiser la succession verticale des strates
sdimentaires et leur dconnection ventuelle au passage des failles et donc de dcrire des
traits essentiels de la gologie de la portion modlise. Ces mmes surfaces dlimitent
96

diffrents blocs de matire gologique qui pourront par la suite tre leur tour peupls par des
proprits lithologiques ou ptrophysiques en vue de produire des modles stratigraphiques ou
des modles de rservoir.
Pour ces raisons, il nous est apparu que linterprtation des horizons et des failles est un
problme prioritaire. Dautres lments tels que les dmes de sel, les chenaux ou encore les
chemines reprsentent certes des lments dintrt pour la construction des modles
gologiques. Toutefois, vu le temps qui nous tait imparti pour ce travail de thse, nous avons
choisi de concentrer nos efforts essentiellement sur linterprtation des horizons et des failles.

2. Linterprtation des horizons


2.1 Module de connaissance
2.1.1. Modle gologique

Linterprtation des horizons sappuie sur le modle de pile stratigraphique. Ce modle


reprsente les dpts sdimentaires sous la forme dune stratigraphie constitue par une
succession verticale de couches approximativement parallles. Ces couches sont dposes les
unes sur les autres, les plus profondes tant donc les plus anciennes.
Ces couches ne sont pas forcment continues sur toute leur longueur. En effet, notamment en
consquence drosions locales ou de dconnections provoques par des mouvements
tectoniques, telle ou telle couche ou ensemble de couches sdimentaires peut se morceler en
un certain nombre de fragments dconnects les uns des autres. Dans le cas dune rosion, ces
diffrents fragments nont pas subi de dplacement, la dconnection rsultant simplement
dune absence de matire dans les portions rodes (cf. Fig. 3.3 gauche). A linverse, les
fragments de couches spares par une ou plusieurs failles ont t en principe dplacs les uns
relativement aux autres (cf. Fig. 3.3 droite).

Figure 3.3 : Des couches sdimentaires discontinues dues une rosion gauche, une faille
droite

97

Du fait de ces dconnections, il nest gnralement pas possible de reconstituer un horizon


dans son ensemble laide dun simple suivi latral. Il faudra au contraire identifier dans un
premier temps les rflecteurs qui semblent correspondre aux diverses portions dun mme
horizon et, dans un deuxime temps, rassembler ces diffrents fragments.
Une approche plus globale pourrait viser mettre directement en correspondance les
ensembles dhorizons ou piles sdimentaires au lieu de raliser cette opration sur chaque
horizon. Cependant, pour dfinir une pile sdimentaire, il est ncessaire de connatre ses
limites. Ces dernires sont la plupart du temps des surfaces de discordance (type rosion) et
des failles. Ces surfaces ntant pas encore identifies, il parat alors trop compliqu doprer
cette approche globale par rapport une approche par suivi individuel dhorizon.
Dans la mthodologie que nous proposons base sur une identification individuelle des
horizons, le module de gestion des donnes aura pour tche de fournir des lments de
rflecteurs susceptibles dappartenir un mme horizon et de dfinir de manire correcte
lextension de chacun de ces lments (pas dextension au travers dune faille ou dune
surface on lap ou drosion).
Le module de caractrisation visuelle plac la suite tire partie des rgles gologiques pour
affecter des proprits sur les lments de rflecteurs identifis dans le but de permettre de
les fusionner en horizons. Afin de ne comparer que des rflecteurs faisant partie dun mme
ensemble dhorizons parallles, il conviendra de calculer la direction de chaque rflecteur. Il
conviendra ensuite de dterminer la position verticale relative des diffrents rflecteurs, donc
dtre en mesure de prciser quels rflecteurs correspondent respectivement la premire
couche dpose, la deuxime, la troisime etc Cette position verticale relative reprsente
dans le domaine de la gologie lge relatif de lhorizon.
Lexamen des rgles gologiques nonces, nous conduit prendre galement en compte
dautres proprits importantes des rflecteurs. Dans la mesure o un mme horizon spare 2
mmes couches sdimentaires, la rponse sismique et donc lintensit de la rflexion qui lui
correspondent, doit en principe rester identique la mme sur lensemble de son extension.. Sur
limage sismique, 2 proprits visuelles principales caractrisent une rflexion : son
amplitude et son paisseur. Ces dernires vont tre portes par chaque rflecteur afin de
pouvoir tre compares.
Enfin, une image sismique est trs gnralement complte avec des marqueurs aux puits
qui reprsentent des associations directes et quasi sres entre rflecteurs et horizons
2.1.2. Limitations

Le modle gologique choisi ne permet pas linterprtation dhorizons dans lensemble des
cas observables. En effet, ce modle reprsente une structure du sous sol simple ce qui
constitue la grande majorit des sous sols ptroliers. Cependant, dans le cas de gologies plus
complexes, il est courant dobserver des couches renverses. Notre modle ne prend pas en
compte ce cas. En effet, une des hypothses sur lequel est bas le modle quune couche na
pas le mme ge quune autre couche situe au dessus ou en dessous. Elle est soit plus
ancienne soit plus rcente. De ce fait, tout renversement (multivaluation dun mme
rflecteur selon la dimension Z) ne pourra tre accept et les parties multi values devront
tre dconnectes afin dtre traites comme 2 horizons diffrents. Il sagira pour lutilisateur
de les fusionner manuellement aprs interprtation.

98

Une autre importante limitation rside dans la qualit de limage sismique. Dans la majorit
des cas et de plus en plus frquemment, nimporte quelle image sismique permet une
observation assez directe de ce modle. Limagerie sismique qui regroupe le travail effectu
aprs lacquisition sismique et avant linterprtation sismique est en charge de fournir une
image la plus facilement interprtable. Cependant, voici les points les plus durs rsoudre et
qui peuvent amener une image sismique fausse :

Fort pendage : Lors dune forte inclinaison, londe rflchie nest pas directement en
direction de la surface. Aussi, linformation rsultante de cette rflexion est de bien
moins bonne qualit voire inexistante.

Modification du signal : En outre, une onde tant altre par le milieu quelle traverse,
une rflexion situe en dessous de certaines structures peut tre fortement altre.
Cest notamment le cas des rflexions situes en dessous dune faille, dun dme de
sel ou dune chemine pour ne citer que les cas les plus courants.

Enfin, ce modle sappuie sur une reprsentation relle des structures. Les distances et
plus gnralement les gomtries observes dans limage sismique doivent correspondre la
ralit. Cela est bien le cas sur des images sismiques dites profondeur car la dimension
verticale reprsente la profondeur de la rflexion. En revanche, sur des images sismiques dites
temps , cette mme dimension reprsente le temps enregistr ente lmission et la rception
de londe. Les gomtries sont donc plus ou moins dformes en fonction des vitesses de
propagation des milieux traverss
2.1.3. Ontologie

Lontologie utilise pour identifier les horizons prend en compte lensemble des proprits et
des concepts numrs ci-dessus. Elle dfinit ainsi le rflecteur comme concept central pour
lidentification des horizons. Les caractristiques visuelles issues de la gologie prise en
compte pour la dfinition dun rflecteur sont :

Ses relations de paralllisme avec dautres rflecteurs, qui permettent de dterminer


lappartenance du rflecteur un ensemble de rflecteurs parallles.

ses relations chronologiques avec dautres rflecteurs, qui permettent de dterminer


sa position au sein dun ensemble de rflecteurs.

son paisseur de type entier et sa couleur (amplitude) de type rel, qui permettent son
identification.

ventuellement sa relation de distance avec un marqueur aux puits, ce qui permet


dassocier le rflecteur considr avec un horizon majeur avec une confiance quasitotale.

Une illustration de cette ontologie est donne sur la figure 3.4.


Deux rflecteurs partageant ces caractristiques de faon similaire seront identifis comme
faisant partie dun mme horizon.
Les limitations dune telle mthode tiennent aux paramtres utiliss pour affirmer la
similarit. Plus les paramtres seront stricts et moins le nombre de fusions sera important mais
plus elles seront probables. A linverse, plus grandes seront les approximations que lon
tolrera dans les galits entre les diverses proprits, plus grand sera le nombre des fusions
et moins forte sera la probabilit que ces fusions soient pertinentes. Lutilisateur pourra donc

99

tre amen modifier les paramtres par dfaut et rexcuter plusieurs fois son
interprtation.

Figure 3.4 : Illustration de lontologie ralise pour interprter un horizon gologique.

2.2. Module de gestion des donnes


Lintrt de ce module est de fournir des candidats au module suivant qui les caractrisera.
Ainsi, dans le cas prsent, le but fix est dobtenir des rflecteurs partir de limage sismique.
Il est inspir des travaux raliss par Marie Christine Cacas au sein de lIFP [Cacas, 2006].
2.2.1. Lecture de limage sismique

Limage sismique est de manire gnrale dlivre sous la forme dun fichier au format SEGY [SEG, 2002]. Ce format dvelopp en 1973 par la Society of Exploration Geophysicists est
une reprsentation dune acquisition sismique structure selon les traces sismiques (colonnes
de limage sismique).

Figure 3.5 : Structure dun fichier SEG-Y.

100

Comme il est illustr sur la figure 3.5, on trouve dans un fichier SEG-Y des sections den-tte
(headers) dcrivant les caractristiques de lacquisition sismique puis des sections dcrivant
chaque trace de limage sismique.
Le Textual File Header contient 40 lignes dinformations textuelles totalement libres qui sont
destines tre lues par un humain.
Le Binary File Header contient des informations qui concernent lensemble du fichier SEGY. On y trouve par exemple les dimensions du bloc sismique ainsi que le type de
reprsentation dans lequel les donnes damplitudes de rflexion sont stockes (entier, rel,
etc..).
Les Extended Textual File Header, qui sont optionnels, apportent de nouvelles informations
comparables au Textual File Header.
Enfin lensemble des traces constituant le bloc sismique est renseign. Chacune delles est
reprsente au moyen de deux sections :

Le Trace Header qui donne des informations uniques sur chaque trace (comme par
exemple la position de la trace dans le bloc ou encore la position de la trace dans un
systme de coordonnes particulier tel quun systme de coordonne de projection
bas sur les latitudes et longitudes)

Le Trace Data qui donne les amplitudes de chaque rflexion au sein de cette trace.

Dans le cas spcifique de notre tude, beaucoup dinformations apportes par le format SEGY nont pas dimportance. En effet, la donne dentre est pour nous une image sismique.
Seules les informations relatives limage sont essentielles. Cest pourquoi nous
convertissons le format SEG-Y en un format plus adapt nos besoins. Ce format reprsente
simplement limage brute c'est--dire quil est comparable au fichier SEG-Y mais sans les
headers associs. Nous diminuons la taille du fichier denviron 3600 + 240 * Nt octets o Nt
est le nombre de traces composant le bloc sismique et nous garantissons surtout une structure
des donnes damplitude sous forme dun tableau 3D continu.
En outre, nous conservons aussi les mta donnes dcrivant les dimensions et le
positionnement du bloc sismique afin de connatre le nombre de cases composant le tableau
dans chaque direction. Ceci est stock sous forme dun fichier XML ce qui permet une
volutivit et un partage optimaux.
2.2.2. Stockage en mmoire de limage sismique
2.2.2.1. Seuillage et amincissement

Les fichiers SEG-Y ont pour la plupart une taille mmoire avoisinant sur le disque plusieurs
gigaoctets voire dsormais plusieurs dizaines de gigaoctets. A lheure actuelle la RAM
disponible dun micro-ordinateur avoisine 2 voire 4 gigaoctets. Il nest donc pas imaginable
de grer entirement un bloc en mmoire vive.
Il faut donc se poser la question de savoir si lensemble de limage sismique a un intrt pour
une interprtation gologique. Nous pensons que lintrt est trs limit dans les zones o les
rflexions sont trs faibles. Ignorer ces zones permet de rduire considrablement la taille du
bloc sismique en mmoire et donc tous les traitements associs. Nous choisissons donc de

101

raliser un seuillage de limage sismique afin de ne garder que les amplitudes les plus
significatives.
Tout comme lavait propos Hilde Borgos [Borgos, 2005] au sein de Schlumberger, il est
offert lutilisateur la possibilit dindiquer une valeur minimale en dessous de laquelle toute
valeur damplitude de limage sismique sera ignore. Le volume de limage stocke en
mmoire et la dure des traitements ultrieurs seront inversement proportionnels la valeur
du seuil choisi pour les amplitudes. Toutefois, si cette valeur est trop leve, nombre de
dtails de limage seront ignors. Choisir un seuil lev aura donc gnralement pour
consquence lidentification dun nombre dobjets moindre.

Figure 3.6 : Seuillage de limage sismique.

Comme on peut le voir sur la figure 3.6 qui reprsente 5 traces connexes dune section
sismique, seules les valeurs damplitude les plus fortes sont stockes en mmoire vive. Toutes
les cellules blanches sont ignores, ce qui permet de rduire de moiti la taille mmoire
requise pour le stockage du tableau.
A lissue du seuillage, limage reste gnralement trop volumineuse pour tre stocke en
mmoire vive. Nous procdons donc un amincissement ou linarisation des rflexions,
qui permet de rduire encore le volume de limage sans perte significative dinformations.
Comme on peut le voir sur la figure 3.6, les rflexions ont une certaine paisseur. Par
exemple, la premire rflexion prsente en haut gauche du tableau a une paisseur de 4
pixels. Aprs seuillage, cette paisseur est rduite 2 pixels. Or, le rflecteur associ cette
rflexion est une surface passant uniquement par le maximum de cette rflexion. Cest donc
une surface qui traverse une trace en un seul point et qui a donc une paisseur dun pixel.
Pour cette raison, nous choisissons damincir toute rflexion un seul pixel. Ce pixel est
arbitrairement fix au milieu de la rflexion afin dassurer une meilleure continuit latrale.
Une illustration du rsultat est donne sur la figure 3.7. Par la suite, nous ne manquerons pas
dindiquer pour chaque pixel stock la position exacte du maximum de la rflexion dont il fait
partie comme il sera expliqu au paragraphe 2.2.2.3.

102

Figure 3.7 : Amincissement du seuillage

A lissue de ces 2 oprations, il est possible de transformer la reprsentation de limage


sismique initialement constitue par une matrice 3D entirement remplie par des valeurs
damplitude en une reprsentation plus grossire sous forme dune matrice 3D creuse.
Ci-dessous le pseudo code dcrivant cette opration de seuillage et damincissement.
Procedure SeuillageAmincissement(Seuil, ImageSismique, MatCreuse)
Pour chaque trace de ImageSismique
Lire voxelRef
Tant que non trace.fin
Compteur = 1
Si voxelRef.amplitude > Seuil ou voxelRef.amplitude < -Seuil
Alors
SeuilOk = Vrai
Sinon
SeuilOk = Faux
Fin Si
Lire voxel
Tant que voxelRef.amplitude * voxelAmplitude > 0 et non trace.fin
Si voxelRef.amplitude > Seuil ou voxelRef.amplitude < -Seuil
Alors

103

SeuilOk = Vrai
Fin Si
Compteur = Compteur + 1
Lire voxel
Fin Tant que
Si SeuilOK == Vrai
Alors
Ecrire trace[voxelRef.position+Compteur/2] dans MatCreuse
Fin Si
VoxelRef = Voxel
Fin Tant que
Fin Pour
Fin Procedure

2.2.2.2. Matrice creuse

Nous avons mis au point une structure de matrice creuse ddie la reprsentation dune
image sismique 3D seuille puis amincie. Comme dans le cas de la reprsentation SEG-Y,
nous optons pour un classement des valeurs selon les traces de limage sismique. En effet,
privilgier la direction verticale nous permet de privilgier la dimension temporelle des
rflexions (en assumant une correspondance entre relation haut-bas et relation rcent-ancien).
De plus nous savons que, dune manire gnrale, une image sismique comporte un certain
nombre de rflecteurs majeurs qui stendent latralement sur lensemble du bloc avec une
amplitude forte. Ainsi toute trace comporte au moins une rflexion stocker.
Nous pouvons ainsi dfinir une matrice qui sera creuse dans la seule direction verticale. Sa
meilleure reprsentation informatique est un tableau 2D de vecteurs (tableau 1D) creux,
illustr en 2 dimensions sur la figure 3.8. Les vecteurs sont des tableaux dont lallocation
mmoire est dynamique car nous ne savons pas lavance le nombre dlments quils vont
contenir.

104

Dimension non creuse


Dimension creuse

Figure 3.8 : Stockage dans une matrice creuse

Chaque cellule de la matrice creuse est un couple de valeurs. La premire valeur appele clef
est numrique et correspond lindex vertical dans la trace correspondante de limage
sismique. La seconde valeur est dfinie comme un objet . On peut y mettre ce que lon
souhaite. Dans le cas de la figure 3.8, nous avons choisi de lui faire porter lamplitude du
pixel correspondant mais par la suite nous ferons porter un nombre plus important de
proprits chacune de ces cellules.
Dans lexemple prsent sur les figures 3.5 3.7, nous avons diminu le nombre de cellules
utiliss de 12*5 = 60 5+3+4+4+5 = 21. Cependant comme 2 informations sont fournies
dans chaque cellule, il faut doubler ce nombre pour arriver 42 cellules au lieu de 60. Le gain
(environ 30%) nest pas norme dans le cas de cet exemple mais dans la pratique, le ratio
observ est plutt proche de 75%. Ceci tient au fait quil existe dans une image sismique
relle de trs nombreuses rflexions de faible amplitude et que, par ailleurs, lpaisseur
moyenne dune rflexion est gnralement plus grande que celle dcrite pour lexemple.

2.2.2.3. Position de la rflexion

La premire valeur que nous associons chaque cellule de matrice creuse concerne la position
de la rflexion. On estime que linterface sdimentaire passe par le maximum (en valeur
absolue) de la zone de rflexion en chaque trace.
Lopration basique voudrait que nous slectionnions la cellule portant lamplitude maximum.
Mais ce serait oublier que le signal est en ralit non pas discret mais continu. Ainsi, sur une
proposition de Jean Luc Mari, professeur lENSPM, partir de la discrtisation engendre
par la sauvegarde informatique des traces, nous calculons par interpolation lemplacement le
plus proche possible du maximum rel du signal continu.

105

Une trace est une succession de paraboles valeurs positives puis ngatives. Trouver le
maximum de chacune de ces paraboles suppose dans un premier temps dapproximer la
parabole passant par les points dcrivant la plage de rflexion.
Afin dacclrer les calculs tout en gardant une approximation suffisante, nous ne basons pas
cette opration sur une mthode du type moindres carrs mais nous cherchons simplement
la parabole passant par les 3 points damplitudes maximales au sein de chaque rflexion. On
trouve ensuite facilement la position du maximum par calcul de la drive de cette fonction.
Cette position est renseigne sous la forme dun nombre rel la diffrence des index de la
matrice creuse qui sont des entiers naturels. Elle servira principalement dfinir le plus
prcisment possible la gomtrie de linterface sdimentaire lors de son export.

Figure 3.9 : Estimation dun maximum dune rflexion

Sur lexemple de la figure 3.9, le maximum estim de la rflexion tudie est une
profondeur de 3.9. Cette valeur sera donc stocke dans la matrice creuse dans la cellule
appartenant cette trace et dont la clef sera 4, cette dernire valeur tant lindex de la cellule
reprsentant le milieu de cette mme rflexion.
2.2.3. Identification des rflecteurs

Conformment la mthodologie habituellement mise en uvre par les interprtateurs,


ltape suivante consiste identifier les principaux rflecteurs de limage sismique.
Lutilisation de la structure de matrice creuse dfinie dans le paragraphe prcdent nous
permet de nous abstraire de la taille mmoire de limage sismique. Entre autres avantages,
notre structure de matrice creuse permet en effet deffectuer des parcours par trace de limage
sismique dans un temps trs restreint. Seules sont parcourues en effet les rflexions
maximales, toutes les autres valeurs tant ignores.
Afin didentifier les rflecteurs, nous parcourons lensemble des traces de la matrice creuse
la recherche de rflexions. Pour chaque rflexion non marque , une mthode dextension
par germe est initialise partir dune graine. Celle-ci est tout dabord marque comme
traite. Puis on recherche les cellules non marques dans lentourage immdiat de la graine
slectionne. Cet entourage est constitu de lensemble des voxels qui partagent avec la

106

graine considre soit une face soit une arte soit un sommet (cf. figure 3.10). Lun de ces
voxels est alors considr comme nouvelle graine. On cherche alors de nouveau tendre
cette nouvelle graine par lintermdiaire de son entourage. Les autres cellules non marques
de lentourage tant stockes pour un traitement ultrieur.

Figure 3.10 : Les 3 diffrents types de connexits accepts

Cette mthode sappuie sur une structure de pile, au sens informatique du terme, pour stocker
puis traiter lensemble des graines. En effet, on ne traite quune seule fois et de manire
squentielle chaque graine. La pile qui est une structure de type LIFO (Last In First Out) est
optimise pour traiter puis supprimer son premier lment. Elle reprsente de ce fait le
conteneur idal.
Ci-dessous le pseudo code dcrivant lopration didentification des rflecteurs.
Procedure ExtensionGraine (Graine, Reflecteur, MatCreuse)
Marquer(Graine.i, Graine.j, Graine.k)
Empiler(Graine.i, Graine.j, Graine.k)
Tant que non Pile.vide
Graine = depiler()
Ajouter Graine dans Reflecteur
Pour i = Graine.i 1 i = Graine.i +1
Pour j = Graine.j 1 j = Graine.j +1
Pour k = Graine.k 1 k = Graine.k +1
Si MatCreuse.possede(i,j,k)
Alors
Si non estMarqu(i, j, k)
Alors
Marquer(i,j,k)
Empiler(i,j,k)
Fin Si
Fin Si
Fin Pour

107

Fin Pour
Fin Pour
Fin Tant que
Fin Procedure
Enfin, en raison dune rsolution trop basse de limage sismique ou de la prsence de bruit ou
encore de configurations gologiques de type onlap, il se peut que lon dtecte un rflecteur
multi valu en Z. Ainsi, dans certains cas, un mme rflecteur peut tre reprsent plusieurs
fois sur une mme trace. Ceci est illustr la figure 3.11 o les rflecteurs B, C et D sont multi
valus.

Figure 3.11 : Identification de rflecteurs

Le modle de pile stratigraphique que nous avons adopt, exclut la prsence dinterfaces
sdimentaires multi values. Nous nenvisagerons donc pas ici le traitement des zones de
multi valuation et ce dautant plus que nos structures de donnes sont adaptes au seul
traitement des surfaces projetables dans le plan.
Cependant, cette tape de linterprtation, lorsquune fourche est identifie, signalant
lapparition dune multi valuation, rien ne nous permet de choisir une direction dextension
plutt quune autre. Aussi nous sommes obligs de conserver ces deux directions dextension
jusqu ce que nous puissions oprer un dcoupage en plusieurs rflecteurs chacun non multi
valu. Ce dcoupage est vident en 2 dimensions mais en 3 dimensions, il nest pas possible
de le raliser aisment car les fourches ne sont pas forcment dans le plan et leur dbut pas
forcment identifiable. Par exemple, on ne sait pas a priori comment dcouper le rflecteur
reprsent sur la figure 3.12.

108

Figure 3.12 : Un rflecteur prsentant deux multivaluations en Z vu de dessus et 3 possibilits de


dcoupage.

Nous verrons par la suite quen se basant sur la connaissance gologique, nous pouvons
approcher au mieux les zones de dcoupe dun rflecteur multivalu mme en 3 dimensions.

2.3. Module de caractrisation visuelle


Ce module a pour but de caractriser chaque rflecteur candidat extrait par le module de
gestion des donnes laide des attributs et relations visuels dfinis par lontologie.
2.3.1. Relations avec les marqueurs aux puits

Comme nous lavons vu auparavant, un marqueur au puits renseigne avec prcision la


position dun horizon dintrt majeur. La premire relation calcule est celle de la distance
existante entre les marqueurs aux puits et les rflecteurs afin de pouvoir mettre en
correspondance certains rflecteurs avec certains horizons.
Un marqueur au puits est gnralement inform en profondeur. Aussi, dans une premire
phase, il sagit de convertir cette coordonne dans la mme dimension que limage sismique si
cette dernire est donne en temps. Cette opration ncessite un bloc de vitesse, lui-mme
rsultant dune interprtation, qui renseigne sur les vitesses de propagation dans les
diffrentes couches que limage sismique reprsente. Nous faisons lhypothse dans cette
thse que les puits sont donns dans le mme systme de coordonnes que limage sismique
afin de sabstraire de lutilisation de ce bloc de vitesse. Il sagit ensuite grce un changement
de repre de localiser la trace dans laquelle se situe ce marqueur puis son index vertical (cf.
Figure 3.13)

Figure 3.13 : Marqueur au puits

Le but est alors de localiser le rflecteur le plus proche de la cellule dans laquelle se trouve le
marqueur. Pour cela, nous testons si la cellule tudie est prsente dans la matrice creuse. Si
oui, nous associons le rflecteur ce marqueur avec une distance de 0 sinon nous
slectionnons lensemble de ses voisins (qui partagent soit une face, soit une arte soit un

109

sommet) et ritrons le mme test sur eux. Si une de ces cellules est dans la matrice creuse,
nous associons le rflecteur qui appartient cette cellule au marqueur avec une distance de 1.
Cette opration est rpte jusqu ce quun rflecteur soit dtect ou jusqu ce que la
distance la cellule initiale soit suprieure une valeur seuil spcifie par lutilisateur.
Ci-dessous un pseudo code non optimis dcrivant lassociation Marqueur/Rflecteur en 2
dimensions.
Procedure MarqueurReflecteur(Marqueur, MatCreuse, SeuilDistance)
extension = 1
Tant que (extension < SeuilDistance)
Pour i = -extension i = extension
Pour j = -extension j = extension
labelReflecteur = MatCreuse(Marqueur.i + i, Marqueur.j + j)
Si labelReflecteur != null alors
Associer (Marqueur, labelReflecteur, extension)
Fin Si
Fin Pour
Fin Pour
extension = extension + 1
Fin Tant que
Fin Procdure
Par exemple, sur la figure 3.13, une relation de distance de 3 entre le marqueur au puits et le
rflecteur rouge serait instancie. Il ny aurait aucune relation avec un marqueur au puits pour
le rflecteur bleu.
Mme si cette association rflecteur-horizon basait sur la proximit est lune de plus sres
dont nous disposons, elle ne garantit pas lappartenance du rflecteur lhorizon marqu.
Dans le but de confirmer au mieux cette association, il faudrait pouvoir disposer en plus des
logs de puits afin de corrler toutes ces informations ensemble. Cependant, comme
linterprtation des logs de puits constitue un travail consquent et que son automatisation
nest pas lheure actuelle possible, nous avons fait le choix de ne baser cette association que
sur la proximit.
2.3.2. Attributs visuels

Dans lontologie dfinie, 3 attributs visuels ont t affects chaque rflecteur.


2.3.2.1. Lpaisseur

Elle est value en calculant le nombre de pixels composant chaque rflexion de chaque trace.
Ceci est ralis lors de la phase de seuillage de limage sismique afin de ne pas rpter la

110

lecture de limage. En effet, lire plusieurs gigaoctets requiert un temps trs important en
raison des accs rptitifs au disque dur et aussi bien sr de la quantit dinformations
transfrer.
Lors de la lecture de bas en haut dune trace sismique, un compteur initialis zro est
incrment jusqu observer un changement de signe. Dans ce dernier cas, il est rinitialis
zro. Ce compteur reprsente lpaisseur de chaque rflexion parcourue. Si une des valeurs
damplitude de cette rflexion est suprieure en valeur absolue au seuil damplitude inform
par lutilisateur, lpaisseur calcule sera stock dans la cellule reprsentant cette rflexion au
sein la matrice creuse, sinon ce rsultat sera ignor.

2.3.2.2. Lamplitude moyenne

Toujours lors de lopration de lecture de limage sismique, chaque incrmentation du


compteur, une variable sinitialisant zro quand le compteur vaut zro, somme les valeurs
damplitude parcourues.
Lors dun changement de signe, si lon divise cette variable par le compteur reprsentant
lpaisseur, on obtient alors lamplitude moyenne de la rflexion. Cette valeur est son tour
stocke dans la mme cellule que le compteur dpaisseur la condition quau moins une
valeur damplitude de la rflexion soit suprieure en valeur absolue au seuil damplitude.
La figure 3.14 illustre le calcul et le stockage de ces 2 attributs.

Figure 3.14 : Calcul de lpaisseur et de lamplitude moyenne des rflexions

111

2.3.2.3. Paralllisme

Le calcul du paralllisme entre deux rflecteurs est ralis par la comparaison de leurs
directions.
La direction est une information locale relative une fraction du rflecteur observe. En effet,
un rflecteur peut suivre plusieurs directions localement mais une seule direction
globalement. Par exemple, la figure 3.15 montre un rflecteur compos localement par 3
directions diffrentes (en rouge) et globalement par une seule direction (en bleu) elle-mme
diffrente des 3 directions locales.

Figure 3.15 : Directions locales et directions globales

De plus, il nexiste pas une seule direction pour caractriser une surface en 3 dimensions. Il en
existe une multitude en chaque point car on peut en observer une dans chaque direction et on
peut observer chacune delles diverses chelles (cf. Fig 3.16).

Figure 3.16 : Diffrentes directions observables en un point de la surface.

Nous choisissons dapproximer la direction dun rflecteur en ne regardant que les 2


directions latrales et perpendiculaires de limage sismique : inline et crossline.
Nous choisissons aussi de rendre variable lchelle laquelle on tudie ces directions. Le
programme devra dterminer automatiquement quelle portion du rflecteur est tudie. Les
deux valeurs selon les directions inline et crossline seront alors calcules globalement sur ces
portions.
Considrant un rflecteur donn, il reste dterminer sur quelle fraction de celui-ci doit tre
estime la variable direction. Pour rsoudre ce problme, il convient de remarquer que
lintrt de la prise compte des directions est principalement de permettre une comparaison
112

des orientations de diffrents rflecteurs superposs. Ainsi la variable direction na pas


dintrt dans labsolu mais seulement si elle permet de comparer lorientation dune fraction
dun rflecteur donn avec celle dun rflecteur plac immdiatement au dessus ou en dessous
de lui. En consquence, la comparaison des directions de 2 rflecteurs successifs na de sens
que si elle concerne les seules portions de ces rflecteurs qui sont effectivement superposs.

Figure 3.17 : Mthode de calcul dune direction par portion

Notre mthode de calcul de direction dcoule directement de la remarque ci-dessus et est


illustre sur la figure 3.17. Si lon avait calcul les directions globalement sans se concentrer
sur les portions superposes, on aurait conclu que les 2 rflecteurs figurs en noir et en bleu
sur la figure ont une direction diffrente. En se basant sur les portions superposes de chaque
rflecteur, on remarque linverse que les directions de ces 2 rflecteurs sont similaires et que
ces rflecteurs sont donc parallles.
Afin de calculer les portions superposes, on projette les 2 rflecteurs dans le plan, ou plus
exactement dans un tableau 2 dimensions dont les dimensions sont gales aux dimensions
inline et crossline de limage sismique. Par mise en relation des cellules remplies par la
projection des 2 rflecteurs, on en dduit les zones de superpositions. Les cellules de ce
tableau reprsentent la valeur Z du point projet.
Dans ces zones de superpositions, on parcourt chaque inline (ou chaque crossline). Afin den
dduire une direction 2D, on moyenne lensemble des directions calcules au sein de cette
inline (ou crossline)

Figure 3.18 : Calcul de la direction dun rflecteur pour la crossline 4.

113

La figure 3.18 montre une projection dun rflecteur ainsi que le calcul de la direction du
rflecteur pour une crossline donne, en loccurrence la quatrime crossline. En moyennant
lensemble de ces directions, on observe quon a parcouru environ 21 pixels vers le haut (Les
Z sont croissants avec la profondeur) en parcourant 13 pixels latralement.
2.3.3. Relations chronologiques
2.3.3.1. Graphe chronologique de voisinage

En accord avec le modle de pile stratigraphique qui t adopt et inspires par les travaux de
Marie Christine Cacas [Cacas, 2008], les relations chronologiques entre rflecteurs sont
directement dduites des relations au dessus de et en dessous de entre rflecteurs. Ces
dernires sont elles-mmes dduites des relations de visibilit verticale entre rflecteurs.
Pour chaque rflecteur, nous regardons quels rflecteurs sont directement visibles
respectivement au dessus et en dessous. On en dduit respectivement les rflecteurs plus
rcents et plus anciens.
Cette opration est trs rapide du fait de la structure de matrice creuse choisie. En effet, dans
cette reprsentation, les voxels des rflecteurs sont rangs selon les traces les uns aprs les
autres (voir Figure 3.7). Il suffit donc se placer sur le voxel prcdent dans la mme trace pour
connatre le rflecteur directement visible au dessus et de se placer sur le voxel suivant dans
la mme trace pour connatre le rflecteur directement visible en dessous du rflecteur tudi.
Ainsi par parcours de tous les voxels composant un rflecteur, nous pouvons facilement et
rapidement connatre tous les rflecteurs quils voient dans la dimension verticale. De plus,
par comparaison des clefs des voxels qui reprsentent leur index vertical, on obtient une
information sur la distance qui spare deux rflecteurs.
Grce ces renseignements, on peut reconstruire pour chaque rflecteur un graphe que nous
appelons graphe chronologique de voisinage dont les arcs reprsentent des relations de
visibilit (et donc les relations chronologiques) et dont les nuds reprsentent les rflecteurs
comme il est illustr sur la figure 3.19.

Figure 3.19 : Construction dun graphe de voisinage

114

A chaque arc sont associes 4 valeurs :

Le nombre de voxels superposs qui ont permis de dduire la relation. Ce nombre


permet de dfinir un critre de confiance concernant la relation observe car plus le
nombre de voxels superposs est lev et plus la relation a de chances dtre effective.

La distance moyenne : Cest la somme des distances entre pixels superposs divise
par leur nombre. Il indique la distance moyenne observe entre les 2 rflecteurs.

La distance maximum et la distance minimum qui donnent une indication sur les
variations de distance maximales observables entre 2 rflecteurs.

Un inconvnient notable de cette mthode est quelle nest base que sur les distances
verticales. De ce fait, en cas de forts changements de pendages, la distance entre 2 horizons
parallles peut tre trs diffrente comme lillustre la figure 3.20.

Figure 3.20 : Des distances verticales trs diffrente pour 2 rflecteurs parallles

Ceci peut engendrer des diffrences chronologiques entre rflecteurs appartenant pourtant au
mme horizon. Sur la figure 3.19, cest le cas des rflecteurs A1 et A2 qui appartiennent un
mme horizon et ont pourtant des distances verticales trs diffrentes avec H. Mme si des cas
de changement de pendage aussi brusque que celui observ sur la figure 3.19 narrivent que
rarement, cet algorithme est optimal pour des stratigraphies dont le pendage reste constant.
Plus le pendage de lhorizon varie fortement et moins la caractrisation chronologique dun
rflecteur sera exacte. Par ailleurs, dans le cas de pendages subverticaux, la distance verticale
D est susceptible de subir des variations fortes en consquence de variations minimes voire
erratiques du pendage. Les incertitudes rsultantes impliquent que lapplication de notre
mthode sera dlicate dans ce cas.
Cependant comme le calcul de distances obliquement nest pas du tout adapt la structure de
matrice creuse adopte (elle est ordonne selon les traces sismiques) et surtout comme, dans
les rservoirs, les couches sont trs gnralement peu inclines, nous avons dcid de
privilgier la rapidit dexcution la prise en compte de la totalit des cas et donc de ne
calculer les distances entre rflecteurs que verticalement.

115

2.3.3.2. Traitement des multi valuations

Comme nous lavons vu prcdemment (voir paragraphe 2.2.3), certains rflecteurs peuvent
prsenter des multi valuations en Z. Ceci va provoquer des incohrences gologiques au sein
des graphes chronologiques de voisinage. En effet, un rflecteur ne peut pas tre en mme
temps plus vieux et plus rcent quun autre rflecteur et encore moins partager une relation
chronologique avec lui-mme.
Il nous faut donc traiter ces incohrences gologiques. Nous reprenons sur la figure 3.20
lexemple donn la figure 3.11. Nous y voyons une collection de rflecteurs multi valus.

Figure 3.20 : Collection de rflecteurs multi valus

Pour chacun de ces rflecteurs, nous allons tenter de dconnecter les parties multi values
afin de ne garder que des rflecteurs partageant une et une seule relation avec un autre
rflecteur. Par exemple, C partage une double relation chronologique avec D. Nous allons
mettre une nouvelle graine sur C :

Si cette graine voit D en dessous, nous tendons alors un nouveau rflecteur partir de
cette graine passant par les pixels connexes de C qui sont au dessus dun pixel de D,

Inversement si cette graine voit D au dessus, nous tendons alors un nouveau


rflecteur partir de cette graine passant par les pixels connexes de C mais tant au
dessous dun pixel de D,

Si la graine ne voit pas D ni au dessus ni au dessous, nous tendons le nouveau


rflecteur sur les pixels connexes de C qui ne voient pas D verticalement,

Enfin si la graine voit D au dessus et au dessous en mme temps, nous tendons le


nouveau rflecteur sur les pixels connexes de C qui voient D au dessus et au dessous.

En rsum, nous ridentifions des nouveaux rflecteurs, partir dun rflecteur prsentant une
incohrence gologique, par la mme mthode utilise auparavant (extension par germe) mais
en rajoutant une condition chronologique relative un autre rflecteur chaque extension de
la graine.
En rptant cette opration sur lensemble des rflecteurs prsentant une incohrence
gochronologique, nous obtenons un ensemble de rflecteurs prsentant des relations
chronologiques cohrentes entre eux (Figure 3.21)

116

Figure 3.21 : Relations chronologiques cohrentes entre rflecteurs.

Il ne reste alors plus que quelques multi valuations que nous liminons afin dobtenir pour
chaque rflecteur un graphe chronologique de voisinage gologiquement cohrent (Figure
3.22).

Figure 3.22 : Collection de rflecteurs gologiquement cohrents

2.3.3.3. Graphe chronologique global

A partir de lensemble des graphes chronologiques de voisinage cohrents, il est alors


possible de reconstruire un seul graphe chronologique global reprsentant les relations
chronologiques entre tous les rflecteurs. Pour cela nous fusionnons lensemble des graphes
partageant au moins un nud identique. Lalgorithme utilis est de type Dijkstra o le plus
court chemin est reprsent par une diffrence dge minime. Un exemple de fusions entre 2
graphes chronologiques de voisinage est donn sur la figure 3.23.

Figure 3.23 : Fusion de deux graphes chronologiques de voisinage.

117

Le rsultat sapparente un diagramme de Wheeler ou un Schma dEvolution Gologique


car cest une reprsentation des relations entre rflecteurs dans le domaine du temps
gologique. Par ailleurs, diverses proprits peuvent attach chaque nud telles quune
paisseur, une amplitude, des directions et ventuellement une relation de distance avec un
marqueur aux puits.

2.4. Module de corrlation gologique


Ce module a pour but dassocier les rflecteurs qui sont caractriss visuellement avec les
horizons qui sont, dans notre cas, les objets gologiques rellement recherchs. Pour cela,
nous allons nous efforcer de regrouper les rflecteurs candidats en diverses fractions
dhorizons en prenant en compte leurs caractristiques visuelles,
2.4.1. Initialisation des fusions de rflecteurs : les marqueurs aux puits

Concernant la fusion des rflecteurs en horizons, la premire tape qui sera considre
concerne linterprtation des relations de distance entre rflecteurs et marqueurs aux puits.
Cette tape est la premire car les marqueurs aux puits sont les informations les plus prcises
et les plus certaines dont nous disposons. Les fusions ralises cette tape seront donc les
plus certaines et elles constitueront une base fiable pour ltablissement des futures
associations rflecteurs horizons .
Nous avons propos quun rflecteur soit associ un marqueur au puits, ds lors quon
constate que ces deux lments ne sont spars que par une faible distance. La valeur de
faible distance est laisse lapprciation de linterprtateur mais doit, dune manire
gnrale, rester sensiblement infrieure lpaisseur moyenne du rflecteur. Si un marqueur
se positionne, linverse, une distance suprieure lpaisseur moyenne du rflecteur
tudi, les deux lments ne peuvent gnralement pas tre associs. Toutefois, si nous
disposons de plusieurs puits contenant chacun des marqueurs identiques, nous pouvons
associer plusieurs rflecteurs un mme horizon.
Les mises en relation effectues peuvent toutefois induire des incohrences au niveau de
lidentification des rflecteurs. En effet, en raison dune rsolution trop faible de limage ou
de la prsence de bruit, certains rflecteurs peuvent tre tendus des rflexions qui ne leur
correspondent pas. Ce cas se produit majoritairement lors du passage dune faille qui cre du
bruit et qui dcale les rflecteurs. Aussi, on peut observer que des marqueurs diffrents se
retrouvent associs un mme rflecteur (cf. rflecteur C sur Fig 3.24) ou que des multi
valuations sont gnres lors da fusion de deux rflecteurs en un seul et mme horizon (cf .
marqueur Champey sur Fig 3.24).

118

Figure 3.24 : Incohrences mises en vidence par les marqueurs aux puits.

Afin de faire disparatre ces incohrences, nous nous appuyons sur lide que nous avons
utilise pour rsoudre les incohrences chronologiques au paragraphe 2.3.3.2 : nous allons
donc chercher diviser chaque rflecteur incohrent en plusieurs rflecteurs cohrents.
Sur lexemple montr figure 3.24, les incohrences gologiques sont signales par le couple
de rflecteurs C et E ou par le couple C et B dans la mesure o les marqueurs quils portent
sont en contradiction avec leurs gomtries. Nous posons donc arbitrairement une nouvelle
graine sur un de ces rflecteurs et ltendons en respectant la condition que les voxels
connexes conservent la mme relation chronologique avec lautre rflecteur du couple. En
rptant cette opration jusqu ce que le rflecteur soit entirement reparcouru, il est possible
de diviser celui-ci en diffrents rflecteurs plus petits qui permettent que des fusions
cohrentes soient opres en accord avec les marqueurs.

Figure 3.25 : A gauche, division du rflecteur C. A droite, fusion des rflecteurs.

Sur la figure 3.24, le marqueur Champey tait la fois associ C et le marqueur C tait
lui-mme multivalu puisquil tait associ la fois au marqueur Champey et au marqueur
Versoix. En appliquant la mthodologie dcrite ci-dessus, il est possible de diviser le
rflecteur C en 2 rflecteurs F et G (figure 3 .25 gauche) et, une fois cette division effectue,
deffectuer une nouvelle fusion des rflecteurs en un certain nombre dhorizons portant le
nom des marqueurs aux puits (figure 3 .25 droite). Comme on peut le constater, ces oprations
permettent de faire disparatre les incohrences identifies sur la figure 3.24.

119

2.4.2. Fusion des rflecteurs

Ltape de fusion de rflecteurs aux moyens des marqueurs aux puits ne concerne que les
quelques rflecteurs qui correspondent aux horizons les plus importants. Ceci sert de base
pour la fusion des autres rflecteurs en horizons secondaires non marqus.
La fusion des autres rflecteurs se base sur les autres caractristiques visuelles calcules. En
parcourant lensemble des nuds composant le graphe chronologique global, on compare les
caractristiques visuelles des voisins plus rcents et plus anciens que le nud tudi.
Si deux nuds plus anciens ou plus rcents partagent une relation de distance similaire avec le
nud tudie, si ils ont une amplitude et une paisseur similaire, et enfin si leurs deux
pendages selon les dimensions latrales sont galement similaires, alors ces deux nuds sont
fusionns en un seul et mme horizon.
Les premiers nuds qui sont pris en considration cette tape sont ceux qui correspondent
des horizons marqus. On considre ensuite les rflecteurs voisins et on rpte ensuite le
processus jusqu ce quaucune fusion ne soit plus possible.

Figure 3.26 : Vue de 4 caractristiques visuelles du graphe global associ aux rflecteurs identifis
sur limage sismique

La figure 3.26 illustre les 4 caractristiques visuelles associes chaque nud du graphe
chronologique global. De gauche droite, les graphes dcrivent les relations chronologiques,
120

lpaisseur, lamplitude puis la direction de chaque rflecteur. Sur cet exemple, on voit que E
et G partagent des caractristiques similaires : une relation chronologique similaire avec D,
une paisseur, une amplitude enfin une direction similaires. Ainsi, ces 2 nuds vont tre
fusionns en un seul nud qui servira de base son tour pour tudier une possible fusion
entre F et H comme il est illustr sur la figure 3.27.

Figure 3.27 : Fusion du graphe global

Les similarits entre les caractristiques visuelles sont valides moyennant un degr de
tolrance. Celui-ci est fix pour chaque caractristique de faon empirique mais il est possible
pour lutilisateur de changer chacun dentre eux sil le souhaite.
Ci-dessous le pseudo code dcrivant les contraintes paramtres testes sur 2 rflecteurs r1 et
r2 possdant une relation de distance avec r3 en vue de les fusionner.
Procdure testFusion(r1,r2, r3, toleranceEpaisseur, toleranceAmplitude, toleranceDirection,
toleranceDistance)
Si r2.epaisseur - toleranceEpaisseur <= r1.epaisseur <=
r2.epaisseur + toleranceEpaisseur
Si r2.amplitude - toleranceAmplitude <= r1.amplitude <=
r2.amplitude + toleranceAmplitude

121

Si r2.directionCrossline - toleranceDirection <= r1.directionCrossline


<= r2.directionCrossline + toleranceDirection
Si r2.directionInline - toleranceDirection <= r1.directionInline
<= r2.directionInline + toleranceDirection
Si r2.distance(r3) - toleranceDistance <=
r1.distance(r3) <= r2.distance(r3) + toleranceDistance
Fusion(r1, r2)
Fin Si
Fin Si
Fin Si
Fin Si
Fin Si
Fin Procdure
De cette manire lutilisateur obtient une interprtation semi automatique des horizons
contenus dans limage sismique quil peut rejouer autant de fois quil le souhaite en
choisissant des valeurs de paramtres diffrents ou en tenant ventuellement compte
dinformations supplmentaires (nouveaux puits par exemple).
Une mthodologie de mme type est galement applique pour linterprtation des failles,
comme nous allons le voir maintenant. .

3. Linterprtation des failles


3.1. Module de connaissance
Une faille est une surface gologique quasi-plane qui dconnecte un ensemble dhorizons. Sur
une image sismique, une faille correspond une zone localement plane souvent bruite crant
une dconnection et un dcalage non ngligeable de lensemble des rflecteurs qui la
touchent.
Grce notre prcdente interprtation, nous disposons dhorizons appartenant limage
sismique. Ceux-ci sont identifis en dpit de leurs dconnections potentielles grce aux
marqueurs aux puits placs des deux cts de la faille et aussi grce au fait que la
dconnection engendre par une faille sattnue jusqu sannuler sur ses bords. De ce fait un
horizon, peut tre tendue des deux cts de la faille si sa dconnection sannule un endroit
de sa surface. Enfin, grce aux fusions de rflecteurs, nous sommes en mesure de rpercuter
les dconnections observes sur un horizon sur ses voisins chronologiques.
Nous concentrons ltude visuelle de limage sismique sur les dconnections de rflecteurs.
Ce problme a dj t tudi par Tran Nam en 2008. Celui-ci sefforce de dtecter des
miroirs de failles puis des bords de faille sur une surface triangule correspondant un horizon.
Pour cela, la surface triangule est tout dabord lisse puis une analyse de la variation des

122

normales des triangles par rapport au plan moyen de l'horizon est opre en vue de localiser
les zones de dconnection.
Comme nous allons le voir, le calcul de la normale est effectivement ncessaire mais pas
suffisant notre avis. Nous choisissons dajouter dautres proprits aux dconnections
dhorizons afin damliorer lidentification des failles.
3.1.1. Dconnections des rflecteurs

Figure 3.28 : Dconnection engendre par une faille.

Nous caractrisons la dconnection dun horizon par un ensemble de dconnections 2D selon


des coupes latrales (inline et crossline) de limage sismique. Comme cela est illustr sur la
figure 3.28, chacune des dconnections observes contient 3 attributs de type entier qui sont :
4. le heave , qui correspond la taille de la dconnection latrale.
5. le throw , qui correspond la taille de la dconnection verticale.
6. le dip , qui est langle de la dconnection par rapport la direction 2D de
lhorizon. Cette variable nest pas indpendante, puisque sa valeur est gale
Arccotg (heave/throw).
En apposant une contrainte sur le heave, lutilisateur peut spcifier la taille minimale du rejet
quil souhaite imposer pour la dtection dune faille. De mme une contrainte sur le throw
permet de ne pas prendre en compte des zones de dconnections trop larges. Enfin, une
contrainte sur le dip permet de ne prendre en considration que les failles dont le plan a une
inclinaison suprieure un seuil fix par linterprtateur.
Ces paramtres jouent un rle trs important pour la dtection des failles. Lutilisateur pourra,
sil le souhaite, spcifier des contraintes trs strictes de dtection des failles. Il dtectera alors
un nombre restreint de failles correspondant aux critres choisis. A linverse sil nmet
aucune contrainte sur ces paramtres, le nombre de failles dtectes sera trs grand mais leur
probabilit dexistence relle sera faible. De plus les failles seront dautant plus tendues que
les contraintes permettant leur identification seront moins fortes.
3.1.2. Relations entre dconnections

Comme le montre la figure 3.29, la condition pour que diverses dconnections dtectes sur
des horizons individuels soient lies une mme faille est la co-planarit.

123

Figure 3.29 : Coplanarit des miroirs de faille.

Cette relation de coplanarit est aussi soumise une certaine tolrance rgle par dfaut et
modulable par lutilisateur en fonction de ses exigences propres.
3.1.3. Ontologie

Lensemble des relations, attributs et concepts relatifs lidentification des failles est dclar
dans lontologie ddie notre application. Celle-ci est illustre sur la figure 3.30.

Figure 3.30 : Illustration de lontologie ralise pour interprter une faille.

3.2. Module de gestion des donnes


Ce module se concentre sur la recherche des dconnections dhorizons afin de pouvoir les
caractriser visuellement dans le module suivant.
Afin de raliser cette opration, nous projetons chaque horizon dans le plan en oprant de la
mme manire que pour la recherche des directions dun rflecteur (paragraphe 2.3.2.3). Puis,
par parcours successifs des inlines et des crosslines on identifie chaque trou (chaque ensemble
de cases vides et connexes) comme une dconnection 2D de lhorizon (cf. Fig.3.31). Ces

124

dconnections 2D sont caractrises par un couple de cases compos dune case crte (la
case la plus haute) et dune case ravin (la case la plus basse).

Figure 3.31 : Identification des dconnections 2D.

A partir de ces informations, nous pouvons reconstruire les dconnections 3D candidates de


lhorizon. En effet, nous savons quune faille est une surface localement plane. Les
dconnections 3D doivent donc avoir une forme allonge et tre localement plane au niveau
de chaque horizon.
Ainsi, dans chaque dimension, chaque ensemble de dconnections 2D dont les milieux sont
connexes entre eux est fusionn en une seule et mme dconnection 3D. Cette connectivit est
paramtrable par lutilisateur selon quil dsire une interprtation plus ou moins rigoureuse. Il
peut ainsi choisir de regrouper des dconnections 2D en tolrant une approximation de
quelques pixels sur les espacements. Plus un grand espacement sera tolr et plus lutilisateur
pourra tre confront des cas de dconnections proches de mme directions regroupes dans
une seule dconnection.
On obtient alors une collection de dconnections 3D pour chaque horizon (illustr sur la
figure 3.32) quil va sagir de caractriser visuellement.

125

Figure 3.32 : Identification des dconnections 3D.

De la mme manire que pour lextension des rflecteurs, lextension des dconnections 3D
peut amener la formation de fourches notamment dans le cas o lon a faire un rseau de
failles (cf. Fig 3.33 gauche). Comme nous lavons fait pour traiter les multivaluations en Z
des rflecteurs, nous allons nous efforcer de dcomposer ces fourches en parties plus petites
gologiquement cohrentes.
En parcourant selon leur direction (inline ou crossline) les dconnections 3D, on dtecte
ventuellement la prsence de plusieurs dconnections 2D lors de la mme itration. Plusieurs
dconnections 2D tmoignent du dpart dune fourche. En supprimant lensemble de ces
dconnection 2D, on dcompose alors la dconnection 3D en parties cohrentes (cf. Fig 3.33
droite).

Figure 3.33 : A gauche, une dconnection 3D vu de dessus avec une fourche. A droite, la suppression
de dconnections 2D provoque la sparation de la dconnection 3D au niveau de la fourche

3.3. Module de caractrisation visuelle


3.3.1. Les attributs visuels

Dans ce module, lensemble des dconnections 3D est visuellement caractris selon les
proprits dfinies dans lontologie.
Ainsi pour chaque dconnection 2D restante, on calcule le nombre de cases sparant la case
crte de la case ravin afin de renseigner lattribut Heave . On calcule aussi la
diffrence entre la valeur de chaque case afin de dterminer lattribut Throw comme ces
cases sont remplies par la valeur Z du voxel. Enfin, on calcule langle entre le segment
joignant ces deux voxels et la direction de lhorizon afin dindiquer le Dip de la
dconnection.
3.3.2. Les relations visuelles

126

Pour identifier les diffrentes failles, il reste dterminer quelles dconnections 3D sont
situes approximativement dans le mme plan. Pour cela nous parcourons lensemble du bloc
par coupes inlines puis par coupes crosslines afin de comparer chaque dconnection 2D avec
les autres dconnections prsentes dans la coupe courante.
Pour cela, on ne cherche pas vrifier si les dips sont aligns. En effet, le dip apparent sur
limage sismique correspond la dconnection engendre par la faille mais pas la faille ellemme. La faille passe quelque part dans cette zone dincertitude dlimite par le heave et le
throw. Son inclinaison est inconnue. Ce nest quen trouvant un ensemble de dconnections
alignes que nous pourrons dterminer linclinaison de la faille.
Nous cherchons donc une relation de coplanarit entre au moins 3 dconnections 3D proches.
Comme nous travaillons par tude successive de coupes 2D, le but est de trouver 3 cases
crtes ou 3 cases ravins ou 3 cases situes au milieu de cette zone dincertitude qui
puissent tre alignes (cf. Fig 3.34).
Il va de soi, par ailleurs, que ces dconnections dtectes doivent tre assez proches lune de
lautre pour quon puisse affirmer sans ambigut quelles ont t cres par la mme faille.

Figure 3.34 : 3 dconnections dhorizons proches et alignes.

3.4. Module de corrlation gologique


Afin de fusionner les dconnections 3D, nous parcourons entirement le bloc selon les deux
dimensions inline et crossline. Pour chaque itration (pour chaque section inline ou crossline),
on regarde quelles dconnections 2D partagent des heave, throw et dip similaires et sont en
mme temps aligns.
Dans le cas o lon trouve au moins 3 dconnections 2D partageant ces caractristiques, nous
pourrions alors oprer une fusion des dconnections 3D dont elles font partie afin de crer une
zone dincertitude o la faille est suppose passe lintrieur.

127

Cependant, comme linformation est trop locale (simplement une coupe du bloc sismique
prise en compte), il est laiss libre lutilisateur de raliser cette fusion en accord avec un
nombre de concordance de ces dconnections 3D sur un nombre plus lev de sections.
A titre dexemple, le tableau ci-dessous illustre les concordances trouves entre 6
dconnections 3D : A, B, C, D, E et F.
Sections

Concordances

A-B-C-D-E

B-C-D

B-C-D

A-B-C-D

A-E-F

Les dconnections B, C et D sont concordantes sur 4 sections observes.

A est concordant avec B, C, D et E que sur 2 sections et sur une section avec F.

Enfin E est concordant une seule fois avec B, C, D, F et deux fois avec A.

Suivant le nombre de concordances souhaites par lutilisateur pour fusionner des


dconnections 3D, les failles obtenues seront diffrentes comme le montre le tableau suivant.
Nombre de
concordances
dsir

Failles
obtenues par
fusion

1 faille
constitue de
ABCDE

1 faille
constitue de

1 faille
constitue de

Aucune faille

BCD

BCD

4. Exportation des rsultats


Lexportation des rsultats est un aspect important du travail dinterprtation. En effet, dans la
chane de modlisation, les rsultats de interprtation sismique constituent lentre des
modules doptimisation et dassemblage des surfaces gologiques reprsentes dans les
modles structuraux
Lexportation doit tre parfaitement utilisable. Cest pourquoi nous choisissons de fournir un
export renseign. A chacune des donnes exportes sont associes des mtadonnes de
lontologie : algorithmes utiliss et paramtres choisis pour linterprtation, lments
composant les objets gologiques identifis, caractristiques visuelles associes ces objets.
Le fichier correspondant crit en OWL est une abstraction de linterprtation ralise. Il nest
pas utilisable seul mais seulement lorsquil est combin avec les fichiers de donnes quil
rfrence. Grce ces deux types de fichiers, les utilisateurs ont en main lensemble des
informations ncessaires la poursuite du travail de construction du modle..
A plus bas niveau, un travail a aussi t ralis afin dapporter des donnes brutes qui soient
exploitables dans des conditions optimales par les outils de modlisation gologique.

128

4.1. Exportation des horizons


4.1.1. Gorfrencement

En sortie de notre interprtation, les horizons sont basiquement vus comme un nuage de
points 3D. Ces points ont des coordonnes entires car ils proviennent dune matrice creuse.
La premire tape doit donc tre un gorfrencement : il faut appliquer un changement de
repre pour retranscrire ces coordonnes dans le mme systme de coordonnes que le fichier
SEGY dentre.
Au terme de ce changement de repre, les pentes des horizons ont un profil en marche
descalier du fait de la discrtisation de la matrice creuse. Cet effet peut toutefois tre corrig
en utilisant la proprit de profondeur sauvegarde lors de la lecture de limage sismique
(paragraphe 2.2.2.3) qui replace lhorizon dans un espace continu.
4.1.2. Triangulation

Les modules qui, dans la chane de traitement, font suite linterprtation des donnes
sismiques manipulent des surfaces triangules et non des nuages de points. Il faut donc
oprer une triangulation
des
nuages de points reprsentant les horizons. Comme ceux-ci se
prsentent sous la forme de grilles, il est possible dutiliser une triangulation de type Delaunay
trs rapide et trs facile mettre en place.
Lalgorithme ralis cre partir de chaque point du nuage deux triangles connexes
reprsentant le voxel comme lillustre la figure 3.35.

Figure 3.35 : Triangulation de Delaunay (en rouge) dun nuage de points (en bleu)

Cette triangulation a linconvnient de ntre pas assez lisse pour les applications qui suivent.
En effet chaque couple de triangles correspondant un pixel constitue un lment plan
particulier, ce qui induit une rugosit de la surface. Les outils de modlisation ont besoin de
surfaces lisses pour optimiser leurs calculs notamment ceux des intersections. Nous ralisons
donc une opration de lissage sur cette surface triangule grce un oprateur de type
Laplacien.

129

Au terme de ces traitement, la triangulation conserve le dfaut davoir une trop grande
rsolution. Elle possde en effet deux fois plus de triangles que de points reprsentant
lhorizon. Donc la taille mmoire requise pour le stockage et le traitement de cette surface est
gnralement excessive. A ce stade, on peut facilement obtenir en effet des surfaces
comportant plusieurs millions de triangles.
Pour pallier cet inconvnient, nous utilisons un algorithme de dcimation mis au point par
Tran Nam afin de rduire le nombre de triangles des surfaces gologiques [Tran Nam, 2008].
Lapproche de Tram Nam est la combinaison de deux types doprations : un regroupement
de sommets pour les grosses surfaces suivie dans tous les cas dune contraction itrative
d'artes (cf. Fig.3.36). Cette mthode offre un compromis entre qualit, temps de calcul et
place de mmoire. Elle rpond galement au besoin de prserver les zones de crtes de la
surface gologique bordant les zones de failles.

Figure 3.36 : Schma du processus global


4.1.3. Remplissage des trous

En raison dune rsolution trop basse une trop basse rsolution ou plus simplement de bruit,
les horizons dtects comportent gnralement des zones de trous. Afin didentifier ces
dernires, chaque horizon est projete dans le plan horizontal de limage sismique. Les trous
sont alors identifis comme correspondant aux rgions de ce plan qui ne comportent que des
pixels vides et qui sont fermes.
Nous utilisons alors un autre algorithme mis au point par Tran Nam (2008), qui rebouche les
trous tout en prenant en compte les courbures locales de la surface. Lalgorithme met en
uvre des oprations successives de raffinement-dformation (cf. Fig. 3.37). La dformation
est ralise par minimisation d'une nergie de plaque mince discrte ce qui permet d'viter
l'estimation des normales, des plans tangents et des courbures au voisinage des trous. Cette
approche permet d'obtenir des maillages remplis de bonne qualit, c'est--dire la fois
rguliers et lisses. De plus, elle permet d'obtenir des temps de calcul trs intressants.

130

Figure 3.37 : Schma global de remplissage de trous par l'approche multi-tapes.

4.2. Exportation des failles


Lexportation des failles comporte beaucoup de points communs avec celle des horizons. Tout
dabord, un changement de repre doit galement tre opr dans ce cas galement afin que
les surfaces de failles soient exportes dans le mme systme de coordonnes que le fichier
SEGY.
Par la suite, les piliers qui dfinissent la forme de la faille sont identifis comme
correspondant aux milieux des dconnexions 2D alignes. De cette manire on place la faille
au milieu de la zone dincertitude lie son passage.
On tend ensuite chaque pilier tout en respectant le pendage moyen de la faille afin que le
haut de chaque pilier soit la mme profondeur minimale et le bas de chaque pilier la mme
profondeur maximale (cf. Figure 3.38)

Profondeur

Profondeur
Profondeur minimale
Dconnection 3D A

Dconnection 3D B

Dconnection 3D C

Profondeur maximale

Inline

Figure 3.38 : A gauche, les piliers crs en violet reprsentant la faille fusionne par 3 dconnections
3D. A droite, les mmes piliers tendus.

Enfin, on triangule le nuage de points dcrit par les piliers tendus de la faille puis on lisse ce
rsultat afin quil convienne au mieux aux applications de go-modlisation.

5. Conclusion
Dans ce chapitre, le principe gnral de la mthode que nous proposons a tout dabord t
expliqu. Nous avons galement donn des dtails sur larchitecture modulaire sous jacente
cette mthode.

131

Ensuite, nous avons illustr cette mthode en nous focalisant sur lidentification de 2 types
dobjets gologiques : les horizons et les failles. Concernant lidentification des horizons,
nous avons expos du dbut jusqu la fin les modalits de linterprtation en dtaillant les
diffrents modules. Un module est tout dabord ddi une dtection brute de rflecteurs
candidats. Un autre module permet la caractrisation visuelle de ces rflecteurs candidats en
rfrence avec les proprits nonces dans lontologie et la mise en relation de ceux-ci avec
des horizons. Linterprtation des failles a permis dexposer un exemple plus compliqu de
dtection dobjet gologique opr selon les mmes principes. Ces 2 illustrations permettent
dimaginer lidentification dautres objets gologiques sur le mme principe dans le cas dune
interprtation sismique plus complte.
Enfin, nous avons examin la question de lexportation des donnes. Nous avons rappel
lintrt de lontologie pour stocker au fil des modules lensemble des rsultats sous leurs
diffrentes reprsentations. Ceci permet un export renseign et donc une meilleure
rutilisation de linterprtation pour les applications qui font suite linterprtation simique
dans la chane de modlisation. De plus, un soin particulier est apport la reprsentation bas
niveau des rsultats afin quils correspondent au mieux aux pr requis des calculs sur les
surfaces qui sont utilises dans la suite de la chane de modlisation.

132

Chapitre 4 : Rsultats
La mthodologie expose au chapitre 3 a t applique divers ensembles de donnes et
notamment un bloc sismique fourni par Total UK et provenant du champ Alwyn (mer du
Nord). Nous exposons ici seulement les rsultats obtenus sur Alwyn, car les autres donnes
que nous avons traites sont soumises des clauses de confidentialit. Cette restriction nest
pas trop grave car le modle Alwyn est suffisamment riche et suffisamment bien tudi pour
permettre de tester la mthodologie de manire significative. Dans ce chapitre, nous
examinons tout dabord les temps dexcution qui ont t ncessaires pour la ralisation dune
interprtation semi automatique. Nous commentons ensuite les rsultats obtenus en les
comparant notamment avec une interprtation manuelle de ce mme bloc ralise par des
tudiants de loption Gophysique de lEcole Nationale Suprieure des Ptroles et Moteurs
(ENSPM) et valide par leurs encadrants qui sont experts en la matire.
Lensemble des rsultats obtenus prsents dans ce chapitre ont t obtenus sur une machine
virtuelle (VMWare Player 2.5) quipe de 1,5 Go de mmoire vive et dun processeur Core 2
Duo (1 seul cur utilis par la machine virtuelle) cadenc 1,5 GHz. Le systme
dexploitation tait Debian stable et la compilation a t ralise au moyen de gcc 4.1.2.

1. Le champ Alwyn
1.1. Histoire gologique
Les donnes Alwyn proviennent dun champ dexploitation de TOTAL UK qui est situ
lest des les Shetland. Les grandes tapes de lhistoire gologique de ce champ, responsables
de la structure actuelle observe, ont t les suivantes :
Au Permo-Trias : extension Ouest-Est affectant les formations dposes antrieurement

apparition de failles Nord Sud et Est-Ouest

subsidence du bassin vers lest

dpt des formations Cormorant et Statfjord

Au Jurassique infrieur : calme tectonique

dpt de la formation Dunlin

Au Jurassique moyen : nouvelle extension

ractivation des failles existantes

dpt de la formation Brent subdivise en 4 units, soit de bas en haut :


o Brent infrieur (Etive, Rannoch, Broom)

133

o Ness 1
o Ness 2
o Tarbert
Au Callovo-Oxfordien et Kimmridgien : intensification de la tectonique

basculement des blocs

dpt de la formation Heather et des Kimmeridge Clays qui forment elles deux la
formation Humber.

Sen suit une dernire phase de dpt (Formation Cromer) puis une priode drosion faisant
disparatre les parties de Cromer et Humber se trouvant sur les zones de crte ( lest). Cette
rosion est marque par la surface drosion appele BCU (Base Cretaceous Unconfomity).
Puis, de nouveau, au Crtac infrieur et jusquau Turonien infrieur, une nouvelle phase de
dpt se ralise venant draper les formations triassico-jurassiques.
A la suite, les dpts du Shetland Group (Crtac suprieur) et les dpts tertiaires nont pas
dintrt direct du point de vue de la prospection.
Le style structural des terrains situs sous la BCU est caractris par une ensemble de blocs
basculs et rods pendant vers l'ouest. Ces blocs sont aligns du nord au sud paralllement
la principale faille normale qui traverse le champ Alwyn.
La figure 4.1 illustre ces caractristiques gologiques.

Figure 4.1 : Coupe schmatique de la partie tudie du champ Alwyn


.Les gisements dhydrocarbures sont figurs en -plat noir.

Dans ce systme, les failles ainsi que la surface drosion anticlinale BCU constituent les
structures permettant le pigeage des hydrocarbures. Compte tenu de leurs caractristiques de
porosit, 2 formations Brent et Statfjord constituent les roches rservoir.
Par ailleurs, les roches mres (dans lesquelles le ptrole a t gnr) sont principalement les
Kimmeridge Clays et, un moindre degr, le Brent et le Dunlin. Le ptrole a pu profiter du
pendage gnral du systme pour migrer de louest vers lest (et bien entendu des profondeurs
vers la surface).

134

1.2. Le bloc sismique Alwyn


La premire acquisition sismique du champ fut ralise en 1976. Il sagissait alors dimages
sismiques 2D. En 1981, a eu lieu la premire acquisition 3D. La rsolution latrale de limage
3D correspondante tait de 25m x 40m et la rsolution verticale denviron 45 mtres.
La sismique dont nous disposons actuellement date de 1996. Elle provient de la deuxime
campagne sismique 3D effectue sur ce champ. Sa rsolution latrale est de 25m x 25m et la
rsolution verticale denviron 15 mtres. A cette poque, cette image tait considre comme
dexcellente qualit alors quaujourdhui cest presque linverse. Afin de pouvoir donner au
lecteur une ide de ce que pourrait tre la mme image sismique aujourdhui, nous montrons
sur la figure 4.2 une comparaison entre une section de limage sismique 3D de 1981 (en haut)
et de 1996 (en bas).

135

Figure 4.2 : Diffrences entre une image sismique dun mme endroit mais de dates diffrentes.

La sismique dont nous disposons est une sismique dont la coordonne verticale a pour unit
les millisecondes (et donc une sismique temps ). Elle possde 1163 inlines, 849 crosslines
et 1001 timelines. Les amplitudes sont codes sur des entiers reprsentant 2 octets et oscillent
donc entre 32768 et -32768. La taille de ce bloc sismique sur le disque est denviron 2
gigaoctets.
Notre programme gre les amplitudes sur des flottants de 4 octets car cette reprsentation est
la plus usuelle de nos jours. De ce fait, en mmoire notre bloc ne reprsente pas 2 Go mais 4.
Cependant, les diffrentes parties du bloc sont dintrt variable. La zone dcrite
prcdemment et qui correspond aux dpts antrieurs au Turonien est la plus tudie dans le
cadre de la recherche des hydrocarbures. Cest l que se trouvent les roches mres, les roches
rservoir et les piges ncessaires laccumulation des hydrocarbures. Aussi, bien que nous
ayons opr notre programme sur lensemble du bloc plusieurs reprises afin de le tester sur
des blocs volumineux (4 gigaoctets), les tests prsents dans ce chapitre concernent
principalement la zone de limage sismique antrieure au Turonien (cf. Fig. 4.3)
Les dimensions du bloc pris en compte sont 1163 inlines, 849 crosslines et les 351 dernires
timelines du bloc initial. Ceci occupe une taille mmoire denviron 1,4 gigaoctets en
reprsentation avec des flottants.

136

Figure 4.3 : Schma dune section complte du bloc sismique Alwyn montrant la partie tudie dans
ce chapitre.

Ce bloc est complt par 6 puits dexploration verticaux avec des marqueurs sur les surfaces
suivantes : BCU, Top Brent, Top Ness 2, Top Ness1, Top Etive, Top Dunlin. Ils sont tous
situs dans la partie centrale du bloc comme le montre la figure 4.3.

2. Linterprtation des horizons


2.1. Cration de la matrice creuse
La cration de la matrice creuse comprend les oprations de seuillage, damincissement, de
calcul de la position de linterface dans la rflexion ainsi que le calcul des attributs visuels
dpaisseur et damplitude.
Le facteur le plus important pour la cration de la matrice creuse est le seuillage sur
lamplitude choisie. Afin de dterminer au mieux ce seuillage, on peut se rfrer un
histogramme des amplitudes du bloc sismique comme lillustre la figure 4.4.

137

80000

Nombre de voxels

70000
60000
50000
40000
30000
20000
10000
319

290

261

232

203

174

145

116

87

58

29

-1

-30

-59

-88

-117

-146

-175

-204

-233

-262

-291

-320

Amplitudes (divises par 100)

Figure 4.4 : Histogramme des amplitudes du bloc Alwyn calculs sur 10 millions de voxels.

Comme on peut le constater sur la figure 4.4, la majeure partie des voxels a une amplitude trs
basse. Ceci dmontre que le seuillage aura un effet trs restrictif ds lors que la valeur
damplitude choisie sera leve.
Le tableau suivant indique le temps et la mmoire ncessaires la cration de diffrentes
matrices creuses. Le temps de lecture pure de ce fichier de 1,4 Go reprsente lui seul
environ 200 secondes pour mettre en mmoire le bloc en utilisant des buffers de 500
mgaoctets pour lire squentiellement le fichier. Ensuite le parcours des voxels ncessaire
pour oprer les calculs est opr directement partir de la mmoire vive.
Le temps de cration de la matrice creuse est fonction du seuil et de la forme de
lhistogramme des amplitudes. Si cet histogramme est aplati, le temps de cration variera
peu prs linairement en fonction du seuil. Au contraire, si le pic central de lhistogramme est
prononc, le temps de cration crotra exponentiellement lorsque la largeur de la zone
slectionne diminuera. Loccupation mmoire suit cette mme loi.
Seuil

Temps de cration (sec)

Mmoire ncessaire (Mo)

25000

200 + 29

9,677

10 000

200 + 45,5

238,232

9 000

200 + 61,5

309,951

8 000

200 + 72

397,194

5000

200 + 132

740,466

Ces matrices sont importables et exportables afin de rduire de manire significative leur
temps de mise disposition dans le cas dune rutilisation.

138

2.2. Extension et caractrisation des rflecteurs


Lextension des rflecteurs se fait partir des graines qui sont reprsentes par les voxels de
la matrice creuse. Tous les rflecteurs doivent contenir au minimum 10000 voxels sur les
987387 possibles (nombre dinlines x nombre de crosslines) pour tre pris en considration
sinon ils sont purement ignors.
Une fois que les rflecteurs ont t tendus, ils sont visuellement caractriss notamment par
leurs relations chronologiques. On recense alors le nombre dentre eux qui sont
chronologiquement incohrents puis on les divise jusqu les rendre cohrents.

Extraction

Caractrisation
et division

N=
nombre de
rflecteurs
identifis
au dpart

N =
nombre de
rflecteurs
incohrents

(N/N)
*100

Nombre de
rflecteurs
cohrents
obtenus
aprs
division

25000

4,1

3,6

10000

163,7

345

69

16

23

85

9 000

276

644,8

97

31

32

137

8 000

297,1

1134

136

58

43

209

Temps (sec)
Seuil

5000

Pas assez de mmoire disponible

Sur le tableau ci-dessus, on constate que le nombre de rflecteurs dtects est croissant avec
un seuil damplitude dcroissant. Cependant la proportion de rflecteurs incohrents
augmente avec ce mme seuil dcroissant. Le temps pour rgler ces incohrences
chronologiques est non ngligeable car il faut rtendre et donc reparcourir ces rflecteurs
tout en respectant de nouvelles conditions chronologiques.

2.3. Fusion des rflecteurs en horizon


2.3.1. Picking manuels

A fin de comparaison avec nos rsultats, il nous a t fourni un ensemble de surfaces


manuellement pickes par les lves de lENSPM avec le bloc sismique Alwyn. Le travail
correspondant a t ralis lors dune formation initiale en interprtation sismique 3D dune
dure de 3 semaines destine aux tudiants de loption Gophysique de lENSPM.. Le logiciel
utilis tait Petrel, qui se place comme une des rfrences dans le domaine. Toutes ces
surfaces ont t valides par les encadrants de cette formation qui connaissent parfaitement ce
bloc sismique.

139

Les surfaces fournies comme rsultat de linterprtation des tudiants de lENSPM sont au
nombre de 4, soit, de haut en bas (cf. figure 4.5) :

Le top de la formation Turonien

La surface drosion BCU

Le top de la formation Brent

Le top de la formation Dunlin

Le top de la formation Brent na pas t pick la main mais est le rsultat dune translation
verticale contrle manuellement du top Dunlin. La surface la plus difficile picker est la
surface drosion BCU car elle disparat de limage sismique en de nombreux endroits o son
inclinaison est forte. Sa moiti EST linverse de sa moiti OUEST na donc pas pu
tre identifie laide dun algorithme de tracking automatique mais a d tre picke
entirement la main par les tudiants. Lensemble de ce travail de pointage dhorizons
reprsente lui seul plusieurs journes de travail.
Une illustration du rsultat final, que nous comparerons la suite nos propres rsultats est
donne sur la figure 4.5.

Figure 4.5 : 4 horizons picks par les lves de lENSPM.

2.3.2. Comparaison quantitative

Le tableau ci-dessous donne des informations sur la fusion des rflecteurs en horizons opre
partir des rflecteurs extraits et caractriss. On a totalis dans la dernire colonne une
approximation du temps cumul de toutes les oprations depuis le dbut de linterprtation.
Les paramtres utiliss pour les fusions sont les suivants :

2 paisseurs sont semblables si leur diffrence est infrieure 2 pixels

140

2 amplitudes sont gales si leur diffrence est infrieure 500

2 dips sont gaux si leur diffrence est infrieure 10 degrs.

1 marqueur est associ un rflecteur si ce dernier est situ une distance infrieure
lpaisseur moyenne de 2 rflexions dans le bloc.

2 rflecteurs sont situs une mme distance dun autre rflecteur si la diffrence
entre leurs distances est infrieure lpaisseur moyenne dune rflexion dans le bloc.
Seuil

Nombre de
rflecteurs

Temps des
fusions (sec)

Nombre
dhorizons

Temps
cumul (min)

25000

1,35

10000

85

372

54

19

9000

137

557

90

30

8000

209

1860

120

60

Grce ces fusions, le graphe chronologique global reprsentant les relations entre les
diffrents rflecteurs est simplifi en un graphe chronologique global reprsentant les
relations entre les diffrents horizons.
La figure 4.6 illustre cette simplification. Sur la partie haute de la figure, on aperoit gauche
quelques rflecteurs dtects et sur la partie droite les horizons fusionns. Sur la partie basse
de la figure sont illustrs les graphes correspondants ces dtections. Les nuds encadrs en
couleur correspondent aux surfaces de mme couleur affichs sur limage sismique.
Les horizons dduits de ces rflecteurs aprs
fusion

Quelques rflecteurs avant fusion

141

Figure 4.6 : La simplification du graphe chronologique global.

Les algorithmes mis en place permettent doprer, comme on le voit, une interprtation
beaucoup plus rapide et comportant un nombre beaucoup plus important dhorizons que
linterprtation manuelle qui nous a t fournie. Comme on peut lapercevoir sur la figure 4.7
qui illustre la dtection des horizons pour un seuil damplitude de 10000, la plateforme
dveloppe arrive dtecter des horizons de multiples endroits de la sismique ce qui procure
lutilisateur une vision plus globale de la structure.

142

Figure 4.7 : 54 horizons picks automatiquement pour un seuil damplitude de 10 000

On identifie notamment un certain nombre dhorizons entre le Top Brent (en jaune) et le Top
Dunlin (en vert). Le plus voyant tant reprsent en marron au dessus du Top Dunlin. On peut
remarquer que ces horizons intermdiaires identifis au sein de la formation Brent
correspondent des marqueurs au puits bien rpertoris dans les sondages qui nous ont t
fournis.
Dans le cas de la formation Brent comme dans tous les autres cas, lidentification de tels
horizons intermdiaires est essentielle pour une bonne reprsentation de la zone rservoir
du champ ptrolier. Dans le modle final de rservoir utilis pour oprer des simulations
dcoulement de fluide, cette reprsentation sappuie en effet sur des maillages
stratigraphiques. Ces maillages stratigraphiques sont des grilles 3D construites en conformit
avec les couches. Ils seront donc construits avec dautant plus de prcision que les interfaces
intermdiaires sur lesquelles ils sappuieront seront nombreuses.
Cependant, la quantit des surfaces identifies ne saurait tre le seul critre prendre en
considration pour juger de la qualit de linterprtation. Pour juger de celle-ci, nous allons
donc maintenant considrer un un les divers horizons picks manuellement : Top,Dunlin,
Top Brent, BCU et Top Turonien et les comparer avec nos rsultats : .

2.3.3. Comparaison qualitative : Top Dunlin

La surface Top Dunlin est une des surfaces les plus simples picker. Son amplitude est assez
forte et montre un bon contraste sans trop de bruit hormis au niveau de son arrt sur la BCU.

143

De plus, dans la partie centrale de cette surface, on peut conforter son interprtation grce
des marqueurs aux puits. Cependant, la surface Top Dunlin est traverse par plusieurs failles
dont certaines provoquent des dconnections fortes.
Les images ci-dessous rendent comptent des rsultats obtenus selon les diffrents seuillages
choisis par lutilisateur en comparaison avec le point manuel reprsent par la surface verte
sur les diffrentes vues de la figure 4.8. La surface obtenue grce un seuillage de 8000 est
reprsente par le nuage de points rouge, un seuillage de 9000 par le nuage de points en
violet et enfin un seuillage de 10000 par le nuage de points en rose. Ce code de couleur sera
rutilis pour lensemble des figures venir.

Vue de dessus

Vue des crosslines

144

Figure 4.8 : La surface Top Dunlin selon un seuillage de 8000, 9000 et 10000 de haut en bas sous 2
vues diffrentes.

On constate que les surfaces obtenues diffrent les unes des autres selon le seuil choisi par
lutilisateur. Aucune des surfaces nenglobe lensemble des points rsultant du picking
manuel. Cependant, lensemble des surfaces identifies apparaissent trs proches de celui-ci.
Par ailleurs, seule la surface correspondant au seuillage le plus bas (8000) comporte une
erreur. Cette dernire est visible sur la vue des crosslines : la surface ne suit pas la surface
manuellement picke sur la partie droite. Cette partie a t rectifie sur le seuillage 9000 et
ignore sur le seuillage 10000.
Deux pourcentages sont reprsents dans le tableau ci dessous : lun reprsente les points du
nuage confondus avec la surface de rfrence et lautre reprsente ceux qui ne sont pas sur la
surface (ceux qui sont spars verticalement de plus de 7 pixels de la surface de rfrence,
cette valeur tant lpaisseur moyenne dun rflecteur dans ce bloc)

Seuil opr

Pourcentage de la surface de
rfrence o le nuage de
points est confondu

Pourcentage de la surface de
rfrence o le nuage de
points nest pas confondu

8000

60 %

5%

9000

53 %

0%

10000

47 %

0%

Plus le seuil choisi est bas, plus les rflecteurs et donc les horizons sont tendus mais moins la
prcision de lextension et des fusions est assure.

2.3.4. Comparaison qualitative : Top Brent

145

La surface Top Brent est bien plus difficile picker. Elle est situe dans une zone beaucoup
plus bruite proximit de la surface drosion BCU. De plus, on ne dispose pas dun rel
moyen de vrification car notre seule rfrence nest pas un picking manuel mais une
translation de la surface top Dunlin picke la main. Sur la figure 4.9, les diffrentes
interprtations que nous avons effectues sont compares avec la translation du Top Dunlin
reprsente par la surface jaune.

Figure 4.9 : La surface Top Brent selon un seuillage de 8000, 9000 et 10000 de gauche droite et de
haut en bas. La surface de rfrence est en jaune.

Les 3 surfaces interprtes sont trs semblables. Simplement quelques points diffrent entre le
seuillage 8000 et le seuillage 9000. Le seuillage 10000 est moins tendu (principalement
en son milieu et sur la partie en haut droite) mais la surface rsultante reste entirement
confondue avec celles obtenues avec un seuillage moins restrictif.
En revanche, comme on peut le voir sur la figure 4.10 prise sous un autre angle de vue, on
remarque trs nettement lcart de nos surfaces avec la surface translate reprsentant
lapproximation propose par les tudiants de lENSPM. .

146

Figure 4.10 : A gauche, une crossline sans inteprtation. A droite, en vert le Top Dunlin pick la
main, en jaune le Top Brent pick la main et en rouge le Top Brent interprt par la plateforme.

La figure 4.10 montre la diffrence obtenue entre la surface translate en jaune et la surface
obtenue avec un seuillage de 8000. Il en aurait t de mme avec les 2 autre seuillages.
Lcart observ est principalement d une diffrence dinterprtation relative une faille. La
plateforme qui fait lobjet de cette thse, na pas dcel de dconnection majeure (miroir de
faille) sur la partie gauche de la surface. En revanche, comme on peut le voir sur la surface
verte, il en existe une pour Top Dunlin ce mme endroit (notre plateforme lavait trouv
aussi). Cette mme dconnection se retrouve bien entendu sur la surface translate
reprsentant lapproximation de la surface Top Brent
Nous ne savons pas si la faille sest attnue cet endroit. Et en labsence de marqueurs dans
cette zone, il est trs difficile dtre sr de notre rsultat. Si la faille sest bien attnue, le
rsultat obtenu est correct. Si la faille ne sest pas attnue, lerreur pourrait alors tre due au
fait de la proximit avec la surface drosion BCU reprsente par une rflexion de trs forte
amplitude juste au dessus de Top Brent. En effet, BCU pourrait alors tre lorigine de
fusions imitant sa gomtrie. Or BCU ntant pas dconnecte par des failles, elle influence
une gomtrie semblable aux horizons qui lui sont proches. Pour rsoudre cette difficult, il
serait ncessaire de disposer de marqueurs de chaque ct de la faille ou bien de pouvoir
suivre la surface en contournant la faille, dans le cas o celle-ci sattnuerait latralement. Ces
2 possibilits sont illustres sur la figure 4.11.

Figure 4.11 : Possibilit de suivi au travers dune faille dun horizon.

147

En conclusion, il apparat que les fusions des rflecteurs en horizons dans des zones situes
proximit immdiate de surfaces discordantes ne sont pas trs sres. Il conviendrait donc
didentifier en premier lieu les surfaces discordantes afin de ne pas les utiliser lors des
fusions.

2.3.5. Comparaison qualitative : BCU

La surface drosion BCU est la plus complique picker . En effet, bien que son signal
soit trs fort et trs contrast sur la majeure partie de son tendue, ce mme signal devient trs
bruit l o le pendage de BCU devient important. Ceci est d deux raisons principales:

Plusieurs surfaces viennent sarrter sur ce fort pendage occasionnant des


changements de milieux en quelques mtres. La rsolution verticale de limage tant
denviron 15 mtres, la reprsentation de ces endroits est donc affecte par beaucoup
de bruit.

Les rflexions des ondes sont de moindres qualits sur des pendages importants.

La figure 4.12 illustre ce qui se passe gologiquement sur une coupe sismique dAlwyn : un
grand nombre de surfaces rcentes (en bleu) viennent se terminer horizontalement sur la BCU
(en jaune) l o le pendage de cette dernire est le plus fort.

Figure 4.12 : Une configuration on lap dans Alwyn

On peut voir sur la figure 4.13, une inline dAlwyn prise au milieu du bloc.

148

BCU

Figure 4.13 : Inline prise au milieu du bloc dAlwyn

Dans la partie gauche de la figure 4.13, la BCU correspond, daprs les marqueurs, la forte
rflexion rouge au dessus de la forte rflexion bleue. Cependant, au niveau de la zone don
lap, la BCU devient invisible. Au niveau de la premire terminaison dhorizon plus rcent, la
rflexion rouge suit la surface rcente au lieu de suivre le pendage local de la BCU. Tous les
rflecteurs observs dans la zone entoure viennent pourtant sarrter sur la BCU. On ne voit
pas cette dernire mais on la devine simplement par linterruption des surfaces venant
sarrter son contact, quil sagisse de surfaces plus rcentes (disposition on lap) ou de
surfaces plus anciennes rodes par la BCU.
De la mme manire quune faille, BCU nest pas directement visible mais correspond une
surface que lon place dans une zone dincertitude dans laquelle les horizons sinterrompent.
Ainsi, les critres que nous avons choisis pour caractriser les horizons ne suffisent pas pour
dtecter la BCU., Avec laide de marqueurs aux puits disponibles dans cette zone, nous
aurions pu, tout au plus, limiter lerreur. En accord avec les rgles gologiques que nous
avons adoptes pour linterprtation, la BCU suit la premire surface plus rcente interrompue
qui est rencontre et ce nimporte quel seuil damplitude choisi, comme le montre la figure
4.14. Pour ces diverses raisons, il nous a donc t impossible de caractriser directement la
BCU laide de notre mthodologie, puisque la surface caractrise comme BCU par la
plateforme savre tre diffrente de la BCU relle.

149

Figure 4.14 : La surface drosion BCU selon un seuillage de 8000, 9000 et 10000 de gauche droite
et de haut en bas. La surface de rfrence est en bleue.

Dans le tableau ci-dessous, on retrouve les pourcentages de la surface que reprsentent les
nuages de points obtenus.

Seuil opr

Pourcentage de la surface de
rfrence o le nuage de
points est confondu

Pourcentage de la surface de
rfrence o le nuage de
points nest pas confondu

8000

49 %

41 %

9000

49 %

45 %

10000

46 %

42 %

On constate aussi par les chiffres, la mauvaise extension de nos interprtations de la BCU sur
quasiment la moiti de sa surface.
2.3.6. Comparaison qualitative : Top Turonian

150

La surface Top Turonian peut tre picke aisment. Cependant, comme elle vient draper la
BCU, les deux surfaces sont par endroits totalement confondues. Top Turonian est en fait la
surface la plus rcente (la plus haute) des surfaces rejoignant la BCU.
Ainsi la surface qui a t caractrise par la plateforme comme BCU savre tre dans la
ralit la surface Top Turonian. La plateforme a donc identifi une surface (le top Turonian),
qui a t part erreur labellise comme BCU. Ceci est li au fait que dans la zone centrale
reprsente sur la figure 4.3, les deux surfaces BCU et Top Turonian sont confondues et que
seuls des marqueurs BCU sont prsents dans cette zone. De ce fait, le morceau partag entre
la BCU et le Top Turonian a seulement t vu comme un morceau de BCU et jamais comme
un morceau de Top Turonian.
Ceci remet aussi en cause le fait que le modle gologique que nous avons reprsent dans
lontologie ne supporte pas de surfaces confondues. En effet, dans ce modle, 2 surfaces ne
peuvent avoir le mme ge ce qui gologiquement parlant est exacte. Cependant, la vue de
la rsolution verticale limite dune image sismique, il se peut que deux surfaces soient
confondues.

Figure 4.15 : La surface Top Turonian (en rouge) selon un seuillage de 8000. La surface de rfrence
est en bleue.

Sur la figure 4.15, on constate la bonne association entre la surface interprte et la surface
picke manuellement. 2 zones ne paraissent pas concordantes. En bas droite, la partie bleue
plongeante est une erreur intervenue lors du tracking opr par les lves (gnralement, au
bord dun bloc sismique, les donnes sont de mauvaises qualits). En haut gauche, le petit
morceau bleu non suivi est hors des limites de notre tude et est donc vu comme un trou dans
notre surface.
Le tableau ci-dessous rcapitule les pourcentages de la surface que reprsentent les nuages de
points obtenus.

151

Seuil opr

Pourcentage de la surface de
rfrence o le nuage de
points est confondu

Pourcentage de la surface de
rfrence o le nuage de
points nest pas confondu

8000

90 %

0%

9000

94 %

0%

10000

88 %

0%

On constate que ce tableau est en troite liaison avec le tableau correspondant de la BCU. En
effet les points qui ntaient pas confondus avec la BCU sont dsormais confondus avec Top
Turonian et, de ce fait, sont pris en compte dans le calcul du pourcentage de la surface de
rfrence o le nuage de points est confondu.
2.3.7. Les autres surfaces

En plus des surfaces pickes manuellement, le programme a dtect de nombreux autres


horizons. Sans tudier chacun dentre eux voici les points quils nous semblent importants de
noter.
Tout dabord, les grosses difficults de cette image sismique sont localises dans la zone de
jonction entre BCU et les surfaces qui sarrtent son contact car cette zone est bruite et de
nombreuses fourches y sont prsentes.
A tous les niveaux de seuillage, la plateforme a su dtecter quasiment toutes les bonnes
terminaisons et ne pas lier les surfaces plus rcentes que la BCU aux surfaces plus anciennes
situes sous la BCU. Ceci est illustr sur la figure 4.16.

152

Figure 4.16 : Les bonnes terminaisons des surfaces sur BCU.

Seul le rflecteur situ sous la BCU et qui profite aussi dune trs forte amplitude (en bleue
sur les cross sections) ne sest pas termin correctement mais a poursuivi son extension sur
une des surfaces rcentes (cf figure 4.17). Dans la mesure o il nexiste aucun marqueur aux
puits disponible pour cette surface et surtout dans la mesure o aucune incohrence
temporelle na t cre par cette extension errone, cette erreur na pas pu tre dtecte par
notre plateforme.

Figure 4.17 : Le rflecteur sous BCU a t trop tendu.

La majeure partie des terminaisons est correcte malgr le bruit et le grand nombre de fourches
grce aux traitements des multi valuations en Z par division des rflecteurs au niveau des
fourches et grce aux relations de paralllisme. En effet, les orientations sont trs diffrentes
entre les surfaces plus anciennes et plus rcentes que la BCU sauf en ce qui concerne le
rflecteur situ juste en dessous de la BCU, ainsi que nous lavons vu prcdemment. .
Hormis cette zone drosion-onlap, on peut remarquer que les marqueurs aux puits dont nous
disposons se rfrent dautres surfaces que nont pas t pickes par les lves de
lENSPM. Les interprtations que nous avons ralises ont identifi 2 de ces surfaces sur les 3
manquantes : Top Ness 1 et Top Etive. Ces surfaces sont importantes pour raliser une bonne
modlisation entre Top Dunlin et Top Brent. En effet, lors de la construction de la grille entre
Top Dunlin et Top Brent, il sera possible de sappuyer sur Top Etive et Top Ness 1 afin de
dfinir les couches de cette dernire.
Top Etive correspond aux rflecteurs situs juste au dessus de Top Dunlin. Comme Top
Dunlin tait trs simple picker, il vient que les fusions de rflecteurs sont faciles sa
proximit et que Top Etive en bnficie (cf. Fig. 4.18).

153

Figure 4.18 : La surface Top Etive selon un seuillage de 8000, 9000 et 10000 de gauche droite et de
haut en bas.

Top Ness 1 et Top Ness 2 correspondent des rflexions de faible amplitude et donc trs
sujettes au bruit. Mme un seuil de 8000, nous navons pas russi dtecter Top Ness 2
proximit des marqueurs aux puits pour raliser une association. Cependant, cela a t
possible pour Top Ness 1 et est illustr sur la figure 4.19.

154

Figure 4.19 : La surface Top Ness 1 selon un seuillage de 8000 (rouge), 9000 (violet) et
10000 (orange).

Linterprtation de cet horizon est trs intressante car elle diffre beaucoup dun seuillage
un autre et montre les limites de notre mthode dans une zone o les amplitudes sont peu
contrastes et peu intenses.
Les 3 surfaces sont identifies comme Top Ness 1 grce au marqueur aux puits prsent au
centre de limage. Mais, comme les surfaces dappui pour fusionner sont trs diffrentes selon
les niveaux de seuillage cause de cette zone bruite, la solution finale observe montre de
nettes diffrences.
Sans surface de rfrence, il est trs difficile de dire quelle interprtation est le plus proche de
la ralit mais il semblerait, daprs la figure 4.1, que le seuillage le moins strict (8000, en
rouge) donne dans ce cas la solution la plus acceptable. En effet, dans ce cas, avoir plus de
surfaces dappui pour fusionner semble bnfique pour linterprtation finale et ce, mme si
les gomtries sont plus incertaines

3. Linterprtation des failles


3.1. Les failles connues dans Alwyn
Sur le prospect Alwyn, nous ne disposons pas dtude antrieure aussi pousse sur les failles
que sur les horizons. Seuls nous t communiqus les pickings manuels des tudiants de
lENSPM et la figure 4.20 ci aprs, qui indique les failles principales.

155

Figure 4.20 : Les failles principales de Alwyn vues de dessus

Sur cette figure, les failles sont reprsentes par des doubles traits quasiment parallles
surligns en vert. Plus ces traits sont spars et plus le rejet de la faille est important. On
constate principalement la prsence de failles majeures Nord-Sud qui se rejoignent les unes
les autres et de quelques failles transverses de rejet moins important.
Le picking manuel de lENSPM a t ralis entirement la main (sans tracking) par points
successifs sur diffrentes cross sections du bloc sismique. Il ny a pas eu de picking ralis
partir des dconnections dhorizons mais seulement partir de limage. Le but fix par les
encadrants tait de satisfaire une cohrence gologique de lensemble des failles pickes
plutt que dassurer des gomtries et localisations exactes pour les failles reconnues. 28
failles au total ont t identifies par les tudiants de lENSPM. Ces failles sont reprsentes
sur la figure 4.21.

156

Figure 4.21 : Les principales failles pickes par les lves de lENSPM

La similarit entre la figure 4.20 et 4.21 est trs discutable mais on retrouve tout de mme les
deux directions principales des failles. Plusieurs failles (reprsentes en noir, rouge et bleu
principalement) ont un direction Nord Sud et on aperoit des failles transverses (en marron,
vert et fuschia principalement) venant les recouper.

3.2. Les failles obtenues


3.2.1. Comparaison quantitative

Les paramtres que nous utilisons pour la dtection des dconnections dhorizons candidats
sont les suivants :

Le throw ne doit pas dpasser 100 pixels

Le heave doit tre suprieur lpaisseur moyenne dune rflexion

Le dip doit tre suprieur 20 degrs.

2 vecteurs sont considrs dans le mme plan si leur angle ne dpasse pas 10 degrs.

En utilisant ces paramtres, nous avons pu obtenir les rsultats suivants.

Seuil

Temps dextraction
et de caractrisation
(sec)

Nombre de
miroirs de faille

Temps de fusion
des miroirs de
faille (sec)

Nombre de
failles

25000

8,5

40

0,5

157

10000

127

1191

475

44

9000

161,5

1976

1214

101

8000

223,7

4215

5356

287

Le nombre de failles est bien plus lev que celui pick par les tudiants de lENSPM. Mais
comme pour les horizons, la plateforme dveloppe interprte lensemble du bloc alors que
les tudiants se sont concentrs sur la zone rservoir du bloc.
Nous allons comparer les failles se trouvant dans cette zone avec celles pickes par les lves.
3.2.2. Comparaison qualitative : seuillage 10000

17 failles ont t interprtes dans la zone dlimite par Top Dunlin et Top Brent par la
plateforme. Une illustration de ces interprtations est donne sur la figure 4.22.

Figure 4.22 : Les failles dtectes dans la zone rservoir avec un seuillage 10000.

La direction principale Nord Sud a bien t trouve. En plus de cela, quelques failles
transverses ont ponctuellement t dtectes. Cette interprtation correspond la dfinition
basique du rseau des failles prsentes : une direction principale avec quelques failles
transverses.
Regardons maintenant la relation de ces failles avec les horizons quelles dcoupent.

158

Figure 4.23 : Les failles pickes en association avec la surface Dunlin

Sur la figure 4.23, on voit grce aux ombrages les dconnexions majeures prsentes sur la
surface Top Dunlin pointe manuellement. On constate que les failles pickes par les lves
sont en concordance directe avec les rejets pour les failles transverses mais quil nen est pas
de mme pour la faille principale Nord Sud.
Ceci sexplique par le fait que les 2 interprtations sont ralises indpendamment et quil ny
donc pas de lien cause effet entre les pickings dhorizons et de failles.

Figure 4.24 : Les failles interprtes en association avec la surface Top Dunlin

159

Sur la figure 4.24, on constate que les failles rsultant de notre interprtation sont trs bien
places par rapport aux rejets de la surface Top Dunlin reprsente en vert dans le cas du
picking manuel et en bleu dans le cas de notre interprtation.
On constate aussi que certaines failles transverses nont pu tre dtectes dans la zone en bas
gauche de la surface. Ceci est d au fait que la dconnection observe possde un heave trop
large. Ceci nest alors pas interprt comme le passage dune faille mais plutt comme un
arrt de lhorizon.
3.2.3. Comparaison qualitative : seuillage 9000

45 failles ont t interprtes dans la zone dlimite par Top Dunlin et Top Brent par la
plateforme. Une illustration de ces interprtations est donne sur la figure 4.25.

Figure 4.25 : Les failles dtectes dans la zone rservoir avec un seuillage 9000.

Le seuillage 9000 donne de trs bons rsultats sur les failles principales Nord Sud. En effet,
de grandes failles sont dtectes formant une famille gologiquement cohrente.
En revanche, le rsultat est bien moins bon concernant les failles transverses. Trs peu sont
dtectes. Lune dentre elles a mme disparu par rapport au seuillage 10000 en haut
gauche de la figure 4.25. Cette disparition est due au fait que Top Dunlin ntait pas aussi
tendue en utilisant le seuillage 9000 (cf figure 4.8), ce qui fait quon na pas pu exploiter la
dconnection relative cette faille.
On remarque aussi que de nombreuses petites surfaces de failles sont dtectes. On ne peut
que difficilement donner un avis objectif sur lexistence de ces petites failles. Cependant, il
est certain quen diminuant le seuil damplitude, la dtection est plus sensible au bruit et
trouve un nombre plus grand de dconnections. Il vient quil y a alors plus de possibilit de

160

fusions des dconnections en faille. Le rsultat est un rseau de failles plus complet que celui
obtenu avec un seuil 10000 qui devra faire lobjet dune slection manuelle afin denlever
un certain nombre dartefacts lis au bruit. Un exemple frappant de cette sensibilit de notre
rsultat au bruit est observable en bas de la figure l o de nombreuses failles viennent
sintersecter. Ces multiples intersections provoquent beaucoup de bruit donc des surfaces plus
accidentes et donc plus de dconnections.

Figure 4.26 : Les failles interprtes en association avec la surface Top Dunlin

Encore une fois, on peut constater sur la figure 4.26, la bonne association entre les failles
dtectes et les dconnections de lhorizon Top Dunlin.
3.2.4. Comparaison qualitative : seuillage 8000

64 failles ont t interprtes par la plateforme dans la zone dlimite par Top Dunlin et Top
Brent. Une illustration de ces interprtations est donne sur la figure 4.27.

161

Figure 4.27 : Les failles interprtes pour un seuillage 8000. A gauche sans association et droite
avec Top Dunlin.

On constate que pour un seuillage 8000, on obtient beaucoup plus de failles sans pour autant
avoir beaucoup plus dinformations importantes. On a perdu quelques failles Nord Sud et on a
simplement gagn quelques morceaux de failles transversales.
Au-del dun certain niveau damplitude, les dconnections sont plus relatives au bruit quaux
failles et de trs nombreuses petites failles apparaissent dont lexistence ne nous semble pas
certaine. Il sagira alors pour lutilisateur de faire le tri dans lensemble de ces surfaces.

4. Exportation
4.1. Modlisation
4.1.1. Horizons

Lexportation des horizons ncessite de trianguler les surfaces, de remplir les trous, de lisser
les surfaces rsultantes puis doprer une diminution du nombre de triangles afin quil soit
plus facile deffectuer les traitements ultrieurs.
Pour tout cela nous utilisons les algorithmes dvelopps par Tran Nam dans sa thse [Tran
Nam, 2008]. Nous allons en prsenter une illustration sur nos surfaces.

162

Figure 4.28 : Triangulation et remplissage de trous de Top Dunlin.

La figure 4.28 expose gauche une portion de la triangulation obtenue partir du nuage de
points de Top Dunlin au voisinage dune faille. A droite, la figure montre le mme morceau
de surface aprs remplissage des trous. De plus, nous avons opr une dcimation sans perte
des courbures afin dobtenir un nombre de triangles suffisamment faible en vue des
traitements ulrieurs.
4.1.2. Failles

Lexportation des failles se base sur les piliers reprsentant les ensembles de dconnections
2D aligns. Ces piliers servent de base pour la triangulation de la surface de faille. Suite
cette triangulation, on opre un lissage de la surface rsultante (cf. Fig. 4.29) afin de la rendre
adapte aux travaux qui font suite notre interprtation.

Figure 4.29 : Lissage Laplacien des failles pour faciliter les travaux ultrieurs..

163

4.2. OWL
Une fois que les donnes sont exportes, nous consacrons la fin de notre travail
dinterprtation documenter les rsultats. Pour cela, nous fournissons lontologie utilise qui
inclut les instances cres par la plateforme au cours de linterprtation.
Comme on peut le voir sur la figure 4.30, chaque horizon est ainsi renseign par son label, son
paisseur moyenne, son amplitude moyenne, ses relations de paralllisme, ses relations avec
un marqueur au puits, ses relations de visibilit verticale avec dautres horizons, par
lalgorithme qui a permis de le gnrer et enfin par les rflecteurs qui le composent.

Figure 4.30 : Linstance de la surface Top Dunlin dans lontologie.

A leur tour, certaines de ces caractristiques sont renseignes par dautres caractristiques.
Ainsi, lalgorithme gnrant tel ou tel horizon a utilis certains paramtres qui sont leur tour
sauvegards dans lontologie (cf. Fig. 4.31).

164

Figure 4.31 : Linstance du programme responsable de la gnration de Top Dunlin. On y voit


lensemble des paramtres utilis.

De mme, chacun des rflecteurs composant un horizon est dfini par les caractristiques
tablies lors de la cration de lontologie qui dcrit les modalits de linterprtation (cf. Fig
4.32).

165

Figure 4.32 : Linstance dun des rflecteurs composant Top Dunlin dans lontologie.

De ce fait, lensemble de notre interprtation est disponible sous forme de donnes


renseignes.

5. Bilan
Les rsultats prsents nous confortent dans lide que la mthodologie labore et la
plateforme dveloppe ont un intrt certain. En effet sur lexemple ancien entach dune
rsolution mdiocre qui a t trait, les rsultats obtenus apparaissent assez proches de
linterprtation manuelle faite par les tudiants de lENSPM. Par ailleurs, dautres rsultats,
qui ne peuvent- pas tre rapports ici, ont t obtenus sur dautres blocs sismiques plus
rcents et ont donne de meilleurs rsultats.
Cependant, ces rsultats pourraient plus tre qualifis dencourageants que de pleinement
satisfaisants. En effet, mme si lensemble des rsultats est tout fait cohrent avec la
connaissance priori stocke au moyen de lontologie, on a pu constater que cette dernire
ntait pas suffisante.
Dans le cas des horizons, des erreurs se produisent au niveau de la surface drosion. Celle-ci
nest pas dtectable directement car notre ontologie se concentre sur la fusion des rflecteurs

166

par dfinition visibles. De plus, le fait que 2 surfaces soient confondues ntant pas pris en
compte dans notre modle a occasionn une erreur de labellisation de surfaces.
Dans le cas des failles, on a pu constater globalement de bons rsultats. Cependant, nous
avons aussi pu observer dassez fortes variations entre les diffrents seuillages. La sensibilit
au bruit saccrot de manire significative lorsquon baisse du seuil damplitude. En outre, il
na pas t possible de dtecter convenablement la plupart des failles transverses. Mme au
niveau de seuil de 9000 qui parat procurer le meilleur rsultat, la limite Nord Ouest de
lhorizon Top Dunlin na pas pu tre interprte comme un passage de faille car aucune rgle
na t pose dans notre ontologie concernant les interruptions dhorizons
Ces quelques remarques nous font prendre conscience que lontologie actuellement dfinie
souffre de manques. En revanche la plateforme adopte prsente des avantages comme la
modularit, lvolutivit, la rapidit dexcution, la gestion de lespace mmoire ou encore la
possibilit de justifier aisment les rsultats.
Ces rsultats donnent donc envie de poursuivre le dveloppement de notre plateforme. Pour
cela, un enrichissement de lontologie dinterprtation sera ncessaire en vue daffiner au
mieux les interprtations. Nous reviendrons en dtail sur ce point dans notre chapitre de
conclusions.

167

168

Perspectives et conclusions
1. Les contributions
1.1. Une plateforme dinterprtation sismique base sur la connaissance
Dans le prsent travail de thse, nous nous sommes efforcs dutiliser les travaux rcents
raliss dans le domaine de la vision cognitive pour tenter dautomatiser au mieux
linterprtation dune image sismique 3D. Trois diffrents niveaux dabstraction constituent
larchitecture globale du systme ralis. Ils sont relis les uns aux autres par la connaissance
quils partagent en commun. Cette dernire est reprsente au sein dune ontologie.
Tout dabord, le niveau le plus bas est charg dextraire directement partir de limage
sismique un grand nombre de candidats susceptibles de constituer tout ou partie dun objet
gologique. Conformment avec les attributs et relations dfinis dans lontologie, le niveau
intermdiaire est en charge de caractriser ces candidats. Le niveau le plus haut ralise le lien
avec la gologie en comparant les candidats caractriss avec un objet gologique dfini de
manire conceptuelle..
Les limitations de la plateforme dinterprtation ralise sont lies la quantit de
connaissance formalise dans lontologie. Elles sont aussi lies la possibilit de construire
des algorithmes capables de traiter cette connaissance chaque niveau. En dautres termes, si
lon cre un concept dans lontologie, il sagit de pouvoir crer un algorithme capable de
gnrer une instance de ce concept.

1.2. Une premire ontologie ddie linterprtation sismique des


horizons et des failles
Lontologie qui est utilise par les 3 modules dcrits ci-dessus reprsente la connaissance
ncessaire la caractrisation des candidats et leur association avec un objet gologique.
Dans notre cas, elle formalise des informations relatives linterprtation des horizons et des
failles dans une image sismique 3D. Elle peut aussi tre utilise pour stocker lensemble des
instances traites lors de linterprtation. Elle permet une sauvegarde complte de
linterprtation dans le sens quelle possde les donnes, quelle informe de manire dtaille
leur provenance et enfin quelle contient le modle de connaissance sous jacent qui a servi
raliser linterprtation.
Cette ontologie a t cre au travers des changes que nous avons eus avec des experts du
domaine et aussi grce la lecture douvrages de rfrence du domaine. Nanmoins, cette
premire ontologie souffre encore de quelques limitations :

169

les horizons multivalus en Z ne sont pas pris en compte car nous avons fait
lhypothse quun horizon situ au dessus dun autre est forcment plus rcent.

les images sismiques temps sont considres comme des images sismiques
profondeur .

nous avons fait lhypothse quun horizon nest quune fusion de rflecteurs. Or, on a
pu remarquer quun horizon peut, dans certains cas, tre reprsent par les
interruptions dautres horizons (cas de la surface BCU sur sa partie EST dans le
cas des donnes Alwyn).

1.3. La matrice creuse et les algorithmes


Outre la connaissance formalise dans lontologie, la plateforme dispose aussi dune structure
ddie la gestion de limage sismique en mmoire vive sous la forme dune matrice creuse.
Cette dernire est optimise pour un parcours selon les traces. Elle permet un accroissement
sensible de la rapidit de la majorit des calculs. Elle a permis galement une conomie de
mmoire denviron 75% pour une perte dinformations ngligeable. Ainsi, cette matrice
creuse donne la possibilit de raliser une interprtation dune image sismique sur des
ordinateurs peu performants au lieu de devoir faire appel des micros ordinateurs trs haut de
gamme voire des stations de travail entirement ddies ce genre de logiciels, comme cest
trs souvent le cas actuellement.
Les limitations de cette matrice creuse sont lies au paramtre ncessaire sa cration. Un
seuillage trop haut aura pour effet de faire perdre trop dinformations, un seuillage trop bas
risquera dexiger une place en mmoire plus grande que celle requise par une structure de
matrice standard.
Un nombre consquent dalgorithmes est mis disposition sur la plateforme pour dtecter des
lments, les caractriser et les associer. Ils sont optimiss pour fonctionner avec la structure
de matrice creuse dveloppe. Ils sont contraints par les paramtres qui influent sur leur
comportement. Parmi ces algorithmes, seul celui qui dtermine les relations chronologiques
entre rflecteurs nest pas en accord total avec lontologie,. sa vision purement verticale
imposant une limitation sur les orientations des donnes dentre. En effet, dans ltat prsent,
les stratigraphies prsentes dans limage sismique doivent avoir un pendage aussi constant
que possible et pas trop proche de la verticale.
Il faut remarquer enfin que les algorithmes dvelopps prsentent par ailleurs lavantage de
permettre non seulement la dtection dun nombre plus ou moins grand dhorizons mais
galement la caractrisation de leurs relations temporelles mutuelles laide dun graphe de
type GES.

1.4. Interprtation de donnes relles


Les rsultats exposs dans ce manuscrit ont t obtenus partir de donnes relles. Ils ont pu
tre compars avec un travail sur ce mme bloc ralis par les tudiants de lENSPM et valid
par leurs encadrants. Nous pensons que les rsultats obtenus sont trs encourageants car ils
correspondent aux attentes que nous pouvions avoir en initiant notre travail. Ils ne sont pas
pour autant parfaits car ils souffrent de quelques imprcisions voire de quelques erreurs en
comparaison avec les interprtations ralises par lENSPM. Cependant, ces dfauts sont trs

170

majoritairement dus un manque de connaissance dans lontologie et non pas une erreur
inhrente la mthodologie.
En outre, ces interprtations apportent des informations supplmentaires que les tudiants de
lENSPM nont pas eu le temps de pointer. Elles contiennent donc un plus grand nombre
dinformations utiles pour la ralisation dun modle structural complet et prcis dans la
mesure o notamment il est possible didentifier des surfaces intermdiaires dans la zone
rservoir.

2. Perspectives court terme


2.1. Enrichissement des donnes dentre
La plupart des blocs sismiques sont interprts plusieurs reprises par diffrentes personnes.
Ceci a pour consquence quil existe beaucoup dinformations sur un bloc sismique que nous
ignorons totalement dans notre travail. En effet, nous ne nous basons que sur les puits
dexploration et limage sismique elle-mme. Or, trs souvent il existe dj quelques horizons
et quelques failles points et qui ont dj t valids par les experts.
Par exemple, limportation dun horizon dj identifi, si elle tait possible, permettrait de
mettre la disposition des interprtateurs une surface dappui dj valide selon laquelle un
nombre plus ou moins grand de rflecteurs pourraient tre fusionns. Une telle surface
pourrait alors tre ventuellement considre comme celle dont la position est la mieux
connue, ce qui permettrait de lutiliser en priorit par rapport telle ou telle marque par un
puits. Pouvoir importer une faille permettrait par ailleurs de tester la lgitimit des fusions de
rflecteurs en liminant toutes celles qui produisent des horizons qui traversent la surface de
faille sans dconnection apparente, puisque toute faille provoque normalement une
dconnection des horizons quelle affecte.
Enfin, pour prendre en compte une donne locale concernant la position dun horizon donn,
on pourrait crer un puits dexploration fictif passant par cette donne, ce qui permettrait de la
considrer comme un marqueur au puits et de contraindre linterprtation cet endroit en
consquence.
En rsum, lutilisation de telles informations prconditionnerait les traitements et faciliterait
lobtention de rsultats cohrents avec des interprtations plus anciennes.

2.2. Approche multi seuillages


Comme nous avons pu le constater, les rsultats sont diffrents en fonction du seuillage choisi
par linterprtateur. En comparant les diffrents rsultats, il pourrait tre possible de classer
certains objets selon leur frquence de dtection diffrents niveaux de seuillage. Un objet
apparaissant mme en partie de nombreux diffrents seuillages aurait plus de chance
dexister quun objet dtect un seul niveau de seuillage.
Grce des oprations boolennes, nous pourrions aussi par calcul dintersection slectionner
les parties dtectes chaque niveau de seuillage.

171

2.3. IHM ddie


Bien que nous ayons conu notre dveloppement pour une utilisation la plus automatique
possible, il reste diffrentes parties qui doivent faire appel lutilisateur pour spcifier les
donnes dentre ou tout simplement pour contrler voire modifier les rsultats.
De ce fait, il est ncessaire de dvelopper une Interface Homme Machine afin de dialoguer au
mieux avec linterprtateur. Idalement, cette dernire devra tre capable de :

importer un bloc sismique (aide la lecture du format SEGY qui est trs peu standard
dans la pratique),

afficher lensemble des algorithmes auxquels le programme va faire appel. Pour


chaque programme lutilisateur pourra :
o modifier les paramtres qui seront donns par dfaut.
o demander un contrle visuel en sortie.

lancer linterprtation automatique en assurant les contrles demands par lutilisateur

afficher une reprsentation graphique du rsultat (fentre de visualisation 3D style


OpenGL) en association avec lontologie (fentre dditeur dontologie style Protg).
Par exemple, la slection dun horizon dans la fentre de visualisation, pourrait
entraner paralllement une slection de linstance de ce mme horizon dans la fentre
de visualisation de lontologie et, en consquence, laffichage de lensemble des
caractristiques dudit horizon

permettre des fusions dinstances de concepts candidats en instances de concepts


gologiques. Par exemple, fusionner manuellement des rflecteurs en horizons.

permettre linverse dextraire une ou plusieurs instances de concepts candidats dune


instance de concept gologique. Par exemple, extraire un ou plusieurs rflecteurs
partir dun horizon ce qui revient annuler une fusion. Les rsultats de ces
modifications devront porter une marque obtenu manuellement dans lontologie,
afin de garder une information sur la faon dont a t cre chaque instance de
lontologie.

2.4. Visualisation partage de la matrice creuse


GROVIZ est une entreprise spcialise dans la visualisation partage via le web, qui travaille
notamment avec Total sur des tudes de champ ptrolier et avec laquelle nous sommes entrs
en contact. GROVIZ voit dans la matrice creuse une structure efficace pour partager la
visualisation dune image sismique entre diffrentes personnes via le rseau. En effet, comme
nous lavons dj dit, une image sismique reprsente plusieurs gigaoctets. Mme une section
dune image sismique peut tre trs lourde envoyer via le web pour une application de
visualisation partage en temps rel.
En utilisant notre matrice creuse, une premire visualisation partage serait bien plus rapide.
Elle ne montrerait que les rflecteurs de plus forte amplitude mais cela de faon quasi
instantane. A la suite, le chargement de la vraie image sismique pourrait se faire en arrire
plan.

172

2.5. Implmentation
Il est encore possible doptimiser certains algorithmes et certaines structures de donnes. Par
exemple, au dbut de notre travail, le stockage des surfaces a t pens sous forme de nuages
de points 3D. Il apparat actuellement que ce choix ntait pas le plus adquat : les horizons
seraient bien mieux reprsents dans une grille 2D englobante dont la valeur des cellules
seraient le valeur Z du voxel reprsent. Ceci obligerait nanmoins de garder la limitation
existante de ne pas prendre en considration les surface multivalues en Z. Les failles
seraient bien mieux reprsentes par un ensemble de piliers contenus dans la surface de faille.
Chacun de ces piliers serait reprsent par un tableau de coordonnes 2D et serait associ
une inline ou une crossline. De mme, lalgorithme de dtection des relations chronologiques
entre rflecteurs ne devrait pas oprer uniquement dans la direction verticale mais dans le
direction perpendiculaire au pendage de la surface tudie.
En rsum, larchitecture globale est robuste, la majeure partie des algorithmes est trs
efficace mais une version 2 pourrait encore optimiser certaines parties de notre travail de fin
de thse.

3. Perspectives long terme


3.1. Workflow
Le processus dinterprtation sopre selon un workflow que nous avons tabli. Sans rentrer
dans les dtails, celui-ci enchane la recherche dlments de base, la caractrisation de ces
lments puis par une association entre ces lments caractriss et des concepts gologiques
dfinis. Ce workflow est constitu son tour de sous-workflows. Par exemple, le sousworkflow responsable de la caractrisation des rflecteurs est compos dun calcul
damplitude, dun calcul dpaisseur, etc
Certaines images peuvent ncessiter des traitements spcifiques, qui viendront se rajouter ou
qui remplaceront certains sous workflows du workflow gnral. On peut imaginer par
exemple oprer notre workflow sur une image de type voxet qui est une reprsentation dun
sous-sol synthtique acquise partir de simulation effectue dans un bac sable soumis des
contraintes tectoniques. Ou encore, on pourrait imaginer oprer ce mme workflow sur un
bloc sismique modifi grce lun des nombreux attributs sismiques existants. Dans ces deux
cas, les traitements bas niveau seront diffrents. En effet, ne serait-ce que la manire dont les
rflecteurs peuvent tre dtects dpend troitement du type dimage qui est pris en
considration.
Afin de pouvoir changer dalgorithmes aisment, nous aimerions pouvoir connecter notre
travail celui effectu par Nabil Belad dans le cadre dune thse en cours de ralisation
lUniversit de Poitiers. Au vu des premiers rsultats obtenus [Belad, 2009], ce travail
permettra :

de caractriser conceptuellement les workflows dans une ontologie,

lors de lexcution du programme, dutiliser cette formalisation pour appeler divers


services Web (programmes informatiques utilisables via le Web) ou des compositions

173

de services Web (workflow et sous-workflows). Ces derniers seront des instances des
concepts de lontologie dfinie.

de garder une trace du workflow excut en sauvegardant lensemble des services


Web utiliss ainsi que leurs paramtres.

Il conviendrait donc de dfinir formellement notre workflow en redveloppant nos


programmes pour quils deviennent des services Web. Ainsi, le workflow, les sous-workflows
et les services Web que nous avons dvelopp pourraient tre considrs comme des instances
particulires des concepts dfinis dans lontologie propose par Nabil Belad.

3.2. Meilleure exportation des donnes


Un point que nous souhaitons aborder concerne lexportation des donnes produites par la
plateforme. En effet, les besoins qui font suite notre travail sont trs spcifiques et, de ce
fait, ils se satisfont trs peu des solutions gnriques existantes.

3.2.1. Les surfaces triangules

La surface attendue en entre dun modeleur est une surface triangule sur laquelle de
multiples traitements doivent tre effectus. Cette surface doit tre la moins volumineuse
possible pour que les nombreux traitements se fassent rapidement. Ses triangles doivent tre
de trs bonne qualit afin de pouvoir tre intersects aisment. Enfin, la surface ne doit pas
comporter de trous.
Comme nous lavons indiqu au chapitre 3, les solutions apportes dans sa thse par Van Tran
Nam [Tran Nam, 2008] rpondent trs bien ces attentes ds lors quon dispose lorigine
dune surface triangule. Il est ainsi possible de remplir les trous et de diminuer le nombre de
triangles tout en assurant la conservation des courbures.
Cependant, ces solutions peuvent notre avis encore tre amliores en se basant directement
sur la matrice creuse. En effet, le nuage de points correspondant est alors structur selon une
grille et peut donc tre encore plus facilement triangul. De plus, dans la matrice creuse, il est
possible de prendre en considration plusieurs surfaces ensemble. Par exemple, il sera
possible de contraindre un remplissage de trou dune surface en suivant la gomtrie de ses
surfaces voisines et parallles. Nous imaginons aussi pouvoir se baser sur lontologie cre
afin que la modlisation puisse sappuyer sur le maximum dinformations disponibles. Un
travail de thse faisant suite celui de Van Tran Nam va tre initi sur ce sujet au le
laboratoire dInformatique de lESIL de Marseille. La donne dentre sera directement la
matrice creuse dans un premier temps et non plus des surfaces triangules.
A lavenir, grce ces divers travaux, il sera donc possible de construire les surfaces
triangules en optimisant leur conformation aux nuages de points qui rsultent directement de
linterprtation sismique.

3.2.2. Exportation des mta donnes

174

Nous exportons, lheure actuelle, les mtas donnes directement dans lontologie que nous
utilisons pour dfinir les caractristiques importantes de notre interprtation. Bien que ce
format soit facilement changeable il nest pas pour autant optimal pour un change de
donnes au travers dun grand rseau. Par exemple, le fichier peut se perdre, tre altr ou
spar des donnes.
Pour rpondre ce genre de problmes et fournir de manire rapide et scurise les donnes
associes leurs mtadonnes au travers dun rseau, Laura Mastella propose dans un travail
de thse en voie dachvement lEcole des Mines de Paris, dutiliser une base de donnes
ontologique pour stocker lensemble des donnes lies lexploration ptrolire [Mastella,
2009]..
De ce fait, des requtes de type SQL peuvent tre opres en utilisant le vocabulaire et la
structure dfinie dans les ontologies que la base reprsente. Il est ainsi ais dobtenir la
donne informe (ou annote selon le vocabulaire utilis par Laura Mastella) dune
manire scurise.

3.3. Rglage des paramtres


Le rglage des paramtres est dune importance non ngligeable pour une bonne
interprtation. Comme il est trs difficile de dfinir ces paramtres de manire optimale pour
nimporte quelle image sismique, il pourrait tre intressant de dterminer ces valeurs par une
mthode dapprentissage.
Nous pourrions notamment nous inspirer des travaux raliss dans OpenDtect par Meldhal
(2000) o un rseau de neurones est entran sur un bloc sismique afin de dterminer les
paramtres optimaux pour chaque calcul dattribut sismique slectionn par lutilisateur.
Il faudrait aussi se pencher sur les travaux raliss en logique floue afin de pouvoir accorder
un certain critre de confiance aux rsultats des fusions. Une fusion tant base sur une
similarit entre 2 lments, il sagirait de pouvoir quantifier cette similarit. Par exemple, 2
rflecteurs auraient 100% de chances de faire partie du mme horizon sils ont la mme
direction. Si leur direction varie de 5 degrs, ils nauraient que 80% de chances de reprsenter
le mme horizon, de 10 degrs, ils nauraient alors plus que 50% de chances, etc Grce
ce critre de confiance, la plateforme pourrait alors elle-mme choisir de laisser la main
lutilisateur pour interprter un objet quand elle jugerait que son interprtation na pas assez
de chances dtre valide.

3.4. Enrichissement de lontologie


3.4.1. Horizons

Dans les limites que nous avons prcises (horizons en position normale et pas trop inclins
ne correspondant ni des surfaces drosion ni des surfaces on lap), linterprtation des
horizons peut tre juge globalement satisfaisante. Les perspectives concernent
principalement la possibilit de dcrire leurs proprits gologiques de manire plus prcise
afin de pouvoir dduire un plus grand nombre dinformations partir de ces surfaces.
A notre avis, lattribut qui manque le plus dans notre ontologie pour caractriser les horizons
est leur type gologique qui peut tre selon les cas parallle, discordant, onlap ou discordant

175

+ onlap [Perrin, 1998]. Sans cet attribut, il ne nous est pas possible de dfinir correctement la
squence sdimentaire dont fait partie lhorizon. En effet, une squence sdimentaire est
dfinie par un ensemble dhorizons parallles et est dlimite par des surfaces
discordantes en haut et en bas. De plus, savoir que des horizons sont de type onlap ou rosif
pourrait nous pousser les interprter autrement. Ceci aurait notamment t trs utile pour le
cas de la BCU du bloc sismique Alwyn.
Afin de dterminer la valeur de cet attribut, nous pensons nous appuyer sur le type de chaque
face composant un horizon comme il a t expliqu au chapitre 1, paragraphe 4.2.5.1.1.
Chaque face, FTR et FTA, dun horizon est caractrise CONC ou DISC afin de dfinir le
type gologique de ce dernier. Cet attribut de face serait calcul aprs fusion des rflecteurs
en horizons en ayant pris soin davoir sauvegard auparavant les configurations de type
fourche limines pour cause de multi valuations. En sappuyant sur ces dernires et en
ayant interprt dsormais le bon horizon passant par cette fourche, nous pourrions affecter
DISC une des faces comme lillustre la Face To Ancient de lhorizon B sur la figure 5.1.

Figure 5.1 : Caractrisation des faces dun horizon.

Un autre attribut des horizons intressant serait celui de la forme de lhorizon. En effet, cette
dernire peut avoir des consquences trs fortes dans la constitution dun pige ptrolier. Par
exemple, un horizon de forme anticlinale est un pige ptrolier trs courant. En plus de cela,
la forme dun horizon peut renseigner sur la prsence dobjets particuliers. Cest le cas
notamment des dmes de sel qui imposent une forme particulire aux horizons. Enfin, en
prsence de chenaux, si lon arrive dtecter les horizons contenus dans ce dernier, ils
suivront automatiquement la gomtrie du chenal et auront donc sa forme caractristique
(allonge et mandriforme).
Une dernire caractristique qui nous parat importante est la description des trous contenus
dans un horizon. En effet, ceux qui ne sont pas lis une dconnection de faille peuvent
fournir une indication importante relativement la prsence de certains objets gologiques.
Un trou peut tre, par exemple, li au passage dun chenal ou encore la prsence dune
chemine (une fuite de gaz dans le sous sol). Nous avons notamment identifi un exemple de
trou significatif dans le bloc Alwyn. Laccumulation dhydrocarbures liquides dans la
formation Brent change en effet les proprits du milieu travers par les ondes et donc
modifie lamplitude de rflexion dans cette zone. La figure 5.2 illustre gauche les
accumulations dhydrocarbures thoriques sur le Top Brent et droite notre interprtation de
ce mme Top Brent. On constate la prsence dun grand trou au centre de limage de droite
qui peut sapparenter laccumulation dhydrocarbure reprsente en vert sur la figure de
gauche.

176

Figure 5.2 : A gauche, limage de rfrence dcrivant les zones daccumulation dhydrocarbures (en
vert et rouge) et droite la surface interprte correspondante avec ses trous.

3.4.2. Failles

Une des caractristiques les plus importantes qui nous semble devoir tre prise en
considration pour linterprtation des failles est la prise en compte des interruptions
dhorizon. Une faille peut en effet dconnecter un horizon au point que les deux parties
rsultantes soient trs loignes lune de lautre. En labsence dun marqueur au puits ou dun
horizon lui-mme dconnect par cette mme faille pouvant servir de surface dappui, il ne
sera pas possible de fusionner les rflecteurs situs des deux cts de la faille en un seul
horizon. Dans ce cas, les horizons associs ces rflecteurs ne montreront aucune
dconnection mais sarrteront tout simplement sur la faille.
Il se peut aussi quun des rflecteurs adjacents la faille ne soit pas visible. Il peut avoir t
dplac par la faille en dehors de limage sismique ou tout simplement souffrir de bruit
lendroit o il a t dplac (cf. Fig. 5.3)
Ces raisons nous amnent penser quun des critres primordiaux de dtection des failles qui
pourrait tre rajout lontologie est linterruption dhorizons.

177

Figure 5.3 : Faille dtecte par succession dinterruptions dhorizon dans le plan.

En outre, lutilisation de successions de rflecteurs caractristiques comme outil de base pour


la dtection de failles pourrait savrer plus intressante que lutilisation de rflecteurs
indpendants les uns des autres. Gologiquement, la dconnection dune telle succession
dhorizons nous parat tre en effet bien plus reprsentative du passage dune faille que des
successions de dconnexions dhorizons individuels.
Une approche possible consisterait alors prendre en considration au lieu de rflecteurs
uniques des successions caractristiques de rflecteurs susceptibles de correspondre des
piles sdimentaires, c'est--dire des successions dhorizons parallles les uns aux autres. Le
problme serait alors de dfinir ces successions caractristiques, ce qui pourrait tre fait soit
par lutilisateur soit ventuellement par le systme en prenant notamment en compte les
rflecteurs ayant les plus fortes intensits ainsi que leurs diffrentes largeurs et leurs
espacements. La dfinition de lintrieur dune pile sdimentaire pourrait tre de type code
barre , chaque rflecteur tant dcrit par son paisseur et son amplitude comme lillustre la
figure 5.4. Lapproche pourrait se rvler particulirement intressante pour confirmer la
prsence de failles signales par un nombre restreint de dconnections dhorizons individuels.

178

Figure 5.4 : Dfinition de piles sdimentaires.

3.4.3. Autres objet gologiques

Enfin lontologie gagnerait dcrire des objets gologiques autres que les horizons ou les
failles afin de complter linterprtation sismique. Nous pensons principalement la
possibilit de description de chenaux, ou de chemines et aussi la description de lensemble
des lments caractristiques de la stratigraphie squentielle.
En rajoutant ces objets et leurs caractristiques dans lontologie et en dveloppant en parallle
les algorithmes capables den crer des instances et de les caractriser, nous pourrions aboutir
alors une interprtation des images sismiques sensiblement plus riche que celle prsente
dans le prsent mmoire. Compte tenu de ltat actuel des connaissances en matire
dinterprtation sismique, il nous parat y avoir l une piste pour lavenir qui pourrait se
rvler particulirement intressantes pour les interprtateurs qui oeuvrent dans les
compagnies ptrolires.

179

180

Glossaire sur les termes techniques utiliss


en vision cognitive dans ce manuscrit.
Acquisition de connaissances :
Lacquisition de connaissances se dfinit comme le transfert et la transformation dune
expertise depuis une source de connaissances vers un programme.
Base de connaissance :
Une base de connaissance regroupe des connaissances spcifiques un domaine spcialis
donn, sous une forme exploitable par un ordinateur.
Base de faits :
Une base de faits est une base qui contient les donnes observables (les faits) que l'on possde
sur un sujet et que l'on veut tudier. Les faits , dans un entrept de donnes, sont
normalement numriques.
Classification :
Distribution mthodique en diverses catgories. Action de ranger par classes.
Connaissance priori :
Connaissance qui ne drive pas de telle ou telle exprience, mais qui est absolument
indpendante de toute exprience. A cette connaissance a priori est oppose la connaissance
empirique ou celle qui nest possible qu'a posteriori, c'est--dire par exprience.
Connaissance explicite :
Les connaissances
explicites sont,
par
opposition
les connaissances clairement
articules
au
niveau
systme informatique, ou d'un document lectronique.

aux connaissances
tacites,
d'un document crit,
d'un

Formalisation :
Formulation prcise et structure selon les formes requises dans un domaine scientifique.
Ingnierie des connaissances :
Lingnierie des connaissances consiste concevoir des systmes dont le fonctionnement
permet de rendre oprationnelles des connaissances portant sur le traitement ou la rsolution
dun problme donn.
Intelligence artificielle :
Discipline scientifique relative au traitement des connaissances et au raisonnement, dans le
but de permettre une machine d'excuter des fonctions normalement associes
l'intelligence humaine : comprhension, raisonnement, dialogue, adaptation, apprentissage,
etc.

181

Modle conceptuel :
Le modle conceptuel a pour but d'crire de faon formelle les donnes qui seront utilises
par le systme d'information. Il s'agit donc d'une reprsentation des donnes, facilement
comprhensible, permettant de dcrire le systme d'information l'aide d'entits.
Moteur d'infrence :
Dsigne un logiciel qui opre les calculs de logique d'un systme en reliant des faits des
rgles.
Ontologie :
Le terme ontologie fait rfrence un modle formel utilis pour dcrire un domaine
particulier du monde rel.
Pilotage de programmes :
Automatisation de la planification et du contrle dexcution de programmes contenus dans
une bibliothque.
Rgle de production :
Une rgle de production est une rgle conditionnelle du type SI condition ALORS action :
lorsqu'une condition est satisfaite, alors excuter une action particulire.
Vision cognitive :
Nouveau domaine de recherche qui a pour but de rendre les systmes de vision plus robustes,
plus flexibles et plus adaptables en leur fournissant des fonctions cognitives.
Web smantique :
Le Web smantique dsigne un ensemble de technologies visant rendre le contenu
des ressources du World Wide Web accessible et utilisable par les programmes et agents
logiciels, grce un systme de mtadonnes formelles, utilisant notamment la famille de
langages dvelopps par le W3C.

182

Bibliographie
[Admasu, 2006] Admasu F., Back S., Toennies K., Autotracking of faults on 3D seismic data,
Geophysics, Vol. 71, No. 6, novembre-dcembre 2006; p. A49A53
[Aussenac, 1989] Aussenac N., Conception d'une mthodologie et d'un outil d'acquisition de
connaissances expertes, Thse de l'universit Paul Sabatier de Toulouse, Octobre 1989.
[Azuaje, 2002] Azuaje V., Aldana M., Escobar I., Improving The Seismic Image By Using
The Multi-line Technique, EGS XXVII General Assembly, abstract #4830, Nice, 21-26 avril
2002
[Bahorich, 1995] Bahorich M., Farmer S., 3-D seismic discontinuity for faults and
stratigraphic features : The coherence cube, The leading edge, 1995, p. 1053-1058
[Barnes, 2006] Barnes A. E., A filter to improve seismic discontinuity data for fault
interpretation, Geophysics, vol. 71, issue 3, 2006, p. P1
[Bates, 1987] Bates R. L., Jackson J. A., Glossary of geology (3rd Edition), American
Geological Institut, Alexandria, Virginia, 1987.
[Belad, 2009] Belad N., At- Ameur Y., Rainaud J. F., SWAPT : Semantic Workflow
Architecture for Petroleum Techniques, Webist: 5th international conference on Web
information systems and technologies, 2009
[Brub, 1991] Brub L., Terminologie de neuropsychologie et de neurologie du
comportement, Montral, Les ditions de la Chenelire Inc., 1991, 176 p.
[Borgos, 2005] Borgos H. G., Skov T., Sonneland L., Automated Structural Interpretation
Through Classification of Seismic Horizons, Mathematical Methods and Modelling in
Hydrocarbon Exploration and Production, Volume 7, 2005, p. 89-106.
[Boucher, 1999] Boucher A., Une approche dcentralise et adaptative de la gestion
dinformations en vision : Application l'interprtation d'images de cellules en mouvement,
Thse d'informatique. Universit Joseph Fourier Grenoble 1, 1999
183

[Bourne, 1997] Bourne, C., Catgorisation et formalisation des connaissances industrielles,


Connaissances et Savoir-faire en entreprise, ed. Hermes, 1997, p. 179-197.
[Breuker, 1985] Breuker J., Wielenga B., KADS : Structured Knowledge Acquisition for
Expert Systems, Actes des 5mes journes internationales Les systmes experts et leurs
applications, Avignon, France 1985.
[Brown, 2004] Brown A. R., Interpretation of three-dimensional seismic data, 6th ed.:
American Association of Petroleum Geologists Memoir 42, 2004
[Brmond, 1998] Brmond F., Thonnat M., Issues of representing context illustrated by
videosurveillance applications. International Journal of Human-Computer Studies Special
Issue on Context, 1998, 48:375391.
[Cacas, 2006] Cacas M.C., Method of sedimentologic interpretation by estimation of various
chronological scenarios of sedimentary layers deposition, US2006247858A, 2006.
[Cacas, 2008] Cacas M.C., Method for stratigraphic interpretation of seismic images,
US2008212841A, 2008.
[Cartwright, 2005] Cartwright J., Huuse M., Basin Research, Vol. 17 Issue 1, 2005, p. 1-20
[Castagna, 2003] Castagna, J. P., Sun S., Siegfried R. W., Instantaneous spectral analysis:
Detection of low-frequency shadows associated with hydrocarbons: The Leading Edge, 22,
2003, p.120-127.
[Catuneanu, 2002] Catuneanu O., Sequence stratigraphy of clastic systems: concepts, merits,
and pitfalls, Journal of African Earth Sciences, Vol. 35, Issue 1, 2002, p. 1-43
[Charlet, 2006] Charlet J., L'ingnierie des connaissances, entre science de l'information et
science de gestion, HAL CCSD, 2006, http://archivesic.ccsd.cnrs.fr/sic_00000805/en/,
accessed July 15th 2009.
[Chen, 1997] Chen, Q., Sidney S., Seismic attribute technology for reservoir forecasting and
monitoring: The Leading Edge, 16, 1997, p.445456.
[Chopra, 2005] Chopra S., Marfurt K. J., Seismic attributes A historical perspective,
Geophysics, Vol. 70, No. 5, Septembre-Octobre 2005, p. 3SO28SO

184

[Clark, 1998] Clark D., Seismic interpretation in the 1990s, The Leading Edge, Vol. 17, No.
6, June 1998, p. 793-794
[Clement, 1993] Clement V., Thonnat, M., A knowledge-based approach to integration of
image procedures processing. CVGIP: Image Understanding, 1993, 57(2):166-184.
[Corbel, 1997] Corbel J.C., Mthodologie et retour dexprience : dmarche MEREX de
Renault, Herms, 1997
[Crevier, 1997] Crevier D., Lepage R., Knowledge-Based Image Understanding Systems: A
Survey, Computer Vision and Image Understanding, Vol. 67, No. 2, August 1997, p. 161185
[de Bruin, 2007] de Bruin G., Hemstra N., Pouwel A., Stratigraphic surfaces in the
depositional and chronostratigraphic (Wheeler-transformed) domain, The Leading Edge, Vol.
26, Issue 7, 2007, p. 883-886
[Dorn, 1998] Dorn G. A., Modern 3-D seismic interpretation, The Leading Edge, Vol. 17, No.
9, September 1998, p. 1262-1272
[Draper, 1996] Draper B., Hanson A. R. Knowledge-directed vision: control, learning and
integration. Proceedings of IEEE, 1996, 84(11):1625{1681.
[Ermine, 1996] Ermine J. L., Chaillot M., Bigeon P., Charreton B., Malavieille D., MKSM, a
method for knowledge management. Proc. of the 5th Int. Symposium on the Management of
Industrial and Corporate Knowledge (ISMICK'97), Compigne, France, 1996, p. 288 - 302.
[Fehmers, 2003] Fehmers G., Hcker C., Fast structural interpretation with structure-oriented
filtering, Geophysics, Vol. 68, issue 4, 2003, p. 1286
[Fensel, 2003] Fensel D., Hendeler J., Lieberman H., Wahlster W., Spinning the semantic
web. The MIT Press, Cambridge, Massachusetts, 2003
[Foucault, 2005] Foucault A., Raoult J. F., Dictionnaire de gologie, Masson, 6me edition,
Paris, France, 2005.
[Ganter, 1999] Ganter B., Wille R., Formal Concept Analysis, Springer, Berlin, 1999.
[Garnesson, 1991] Garnesson P., MESSI : un systme d'analyse de scne, application
l'imagerie arienne. Thse de doctorat, Universit de Nice - Sophia Antipolis, France, 1991.
185

[Granger, 1985] Granger C., Reconnaissance d'objets par mise en correspondance en vision
par ordinateur, Robotique et vision, Universit de Nice Sophia Antipolis, France, 1985.
[Groshong, 2006] Groshong R. H. Jr., 3-D Structural Geology Second Edition, Springer, 2006
[Gruber, 1993] Gruber T. R., A translation approach to portable ontology specifications.
Knowledge Acquisition, 5, 1993, p. 199-220.
[Hanson, 1978] Hanson A., Riseman E., VISIONS : A Computer System for Interpreting
Scenes, Acacademic Press, 1978, 303{333.
[Hayes-Roth, 1983] Hayes-Roth F., Waterman D. A., Lenat D. B., An Overview of Expert
Systems, Building Expert Systems, dit par Frederick Hayes-Roth, Donald A. Waterman et
Douglas B. Lenat, Technoledge Series in Knowledge Engineering, 1983.
[Hudelot, 2005] Hudelot C., Towards a Cognitive Vision Platform for Semantic Image
Interpretation; Application to the Recognition of Biological Organisms, Thse d'informatique.
Universit de Nice Sophia Antipolis, France, 2005
[Lando, 2006] Lando P., Conception et dveloppement d'applications informatiques utilisant
des ontologies : application aux EIAH, actes des Premires rencontres jeunes chercheurs en
EIAH (RJC-EIAH'06), vry, France, 11-12 mai 2006.
[Laval, 2003] Laval A., Auxiette G., Echeverria I., 3d geocellular modeling in a complex
structural setting: El furrial giant oil field venezuela, 8th SPE Latin American & Caribbean
Petroleum Engineering Conference, Port of Spain, Trinidad, Avril 2003. SPE-81066, p.7.
[Le Ber, 2006] Le Ber F., Lieber J., Napoli A., Systmes bases de connaissances,
Encyclopdie de l'informatique et des systmes d'information, d. par J. Akoka et I. ComynWattiau, Vuibert, 2006, p. 1197-1208.
[Liner, 2004] Liner C., Li C. F., Gersztenkorn A., Smythe J., SPICE: A new general seismic
attribute: 72nd Annual International Meeting, SEG, Expanded Abstracts, 2004, p. 433436.
[Mallet, 1992] Mallet J. L., Gocad : a computer-aided design program for geological
applications. Three-Dimensional Modeling with Geoscientific Information Systems, 1992,
354:123142.

186

[Malvache, 1993] Malvache P., Prieur P., Mastering corporate experience with the Rex
method., ed. J. P. Barths, Proceeding of ISMICK'93, Compigne, October 1993, p. 33-41.
[Marfurt, 1998] Marfurt K. J., Lynn Kirlinz R., Farmer S.L, Bahorich M. S., 3-D seismic
attributes using a semblance-based coherency algorithm, Geophysics, Vol. 63, No. 4, JuilletAot 1998, p. 11501165
[Marfurt, 2006] Marfurt K. J., Robust estimates of 3D reflector dip and azimuth, Geophysics,
Vol. 71, No. 4, Juillet-Aot 2006, p. P29P40
[Marr, 1982] Marr. D., Vision, W.H. Freeman and Company, New York , 1982
[Mastella, 2007] Mastella L., Perrin M., Abel M., Rainaud J. F., Touari W., Knowledge
management for shared Earth modelling, 69th Annual International Conference and
Exhibition, EAGE, 2007.
[Mastella, 2009] Mastella L., Ait-Ameur Y., Jean S., Perrin M., Rainaud J. F.,
Semantic exploitation of persistent metadata in engineering models: application to geological
models, Proceedings of the IEEE International Conference on Research, Challenges in
Information Science (RCIS 2009), ed. Andr Flory, Martine Collard, Fez, Morocco, April
2009, p. 147-156.
[Matsuyama, 1990] Matsuyama T., Hwang V.. SIGMA: a Knowledge-based Aerial Image
Understanding System. Plenum, 1990.
[Meldhal, 2000] Meldhal P., Heggland R., De Groot P., Bril B., Semi-automated detection of
seismic objects by directive attributes and neutral networks, method and applications, EAGE
62nd Conference and Technical Exhibition, A-04, Glasgow, Scotland, 2000
[Minsky, 1975] Minsky, Marvin: ``A Framework for Representing Knowledge'', in Winston,
Patrick (ed.) The Psychology of Computer Vision, New York, McGraw-Hill, 1975, p. 211277.
[Mitchum, 1977] Michum R. M., Vail P. R., Sangree J. B., Seismic Stratigraphy and Global
Changes of Sea Level, Part 6 : Stratigraphic Interpretation of Seismic Reflection Patterns in
depositional Sequences, AAPG Memoir 26, 1977
[Monnin, 2009] Essai de comparaison des ontologies informatiques et philosophiques. Entre
tre et artefacts. XVImes Rencontres interdisciplinaires sur les systmes complexes naturels
et artificiels de Rochebrune, Ontologie et dynamique des systmes complexes, perspectives
interdisciplinaires., Megve, France, 2009.

187

[Monsen, 2007] Monsen E. M., Borgos H. G., Le Guern P., Sonneland L., Geological Process
Controlled Interpretation Based on 3D Wheeler Diagram Generation, SEG Technical Program
Expanded Abstracts, 2007, p. 885-889.
[Moyen, 2005] Moyen R., Paramtrisation 3D de l'espace en Gologie sdimentaire : Le
modle Geochron. PhD. Thesis, INPL, France, 2005
[Newell, 1982] Newell A., The knowledge level. Artificial Intelligence, 18, 1982, p. 87127.
[Ossola, 1995] Ossola J., Thonnat, M., Cooperation of knowledge based systems for galaxy
classification. 8th International Conference on Image Analysis and Processing, 1995.
[Partyka, 1999] Partyka G., Gridley J., Lopez J., Interpretational applications of spectral
decompositiion in reservoir characterization: The Leading Edge, Vol. 18, 1999, p. 353-360
[Perrin, 1997] Perrin M., Elments de syntaxe gologique en vue de la construction de
modles 3d de terrains, Rapport technique, Ecole Nationale Suprieure des Mines de Paris,
Centre de Gologie de lIngnieur, 1997.
[Perrin, 1998] Perrin M., Geological consistency : an opportunity for safe surface assembly
and quick model exploration, 3D Modeling of Natural Objects, A Challenge for the 2000s,
3(4-5), Juin 1998.
[Randen, 2001] Randen T., Pedersen S. I., Sonneland L. Automatic Extraction of Fault
Surfaces from Three-Dimensional Seismic Data, Annual International Meeting, Society
Exploration Geophycist, Expanded abstract, 2001.
[Roberts, 2001] Roberts A., Curvature attributes and their interpretation to 3D interpreted
horizons: First Break, Vol. 19, 2001, p. 85-100.
[Sandakly 1995] Sandakly F., Contribution la mise en oeuvre d'une architecture base de
connaissances pour l'interprtation de scnes 2D et 3D. Thse de doctorat, Universit de Nice
- Sophia Antipolis, France, Juillet 1995
[Schlumberger
Oilfield
Glossary,
2009]
Schlumberger
Oilfield
http://www.glossary.oilfield.slb.com/default.cfm, accessed July 15th, 2009.

188

Glossary,

[Schneider, 2002] Schneider S., Pilotage automatique de la construction de modles


gologiques surfaciques. Thse de doctorat duniversit en informatique, Ecole des Mines de
Saint-Etienne et Universit Jean-Monnet, France, Dcembre 2002.
[SEG, 2002] SEG Y rev 1 Data Exchange Format, SEG Technical Standards Committee,
Release 1.0, Mai 2002
[Smith, 2004] Smith M. K., Welty C., McGuinness D. L., OWL Web Ontology Language
Guide,
ed.
W3C
Recommendation,
10
February
2004,
available
at
http://www.w3.org/TR/owl-guide/ accessed July 15th, 2009.
[Soulier, 2008] Soulier E., Une pistmologie de lingnierie des connaissances : du savoir de
lexpert
au
savoir
des
foules,
ecoledoctorale.cnam.fr/servlet/com.univ.utils.LectureFichierJoint?CODE=1205412875703&LAN
GUE=0&ext=.pdf, accessed July 15th, 2009.
[Staab, 2004] Staab S., Studer R., ed. Handbook on Ontologies. Springer, Berlin, 2004.
[Taner, 1994] Taner M. T., Schuelke J. S., ODoherty R., Baysal E., Seismic attributes
revisited:, 64th Annual International Meeting, SEG, Expanded Abstracts, 1994, p. 11041106.
[Thonnat, 1989] Thonnat M., The World of Galaxies, chapter Toward an automatic
classification of galaxies, Springer Verlag, Corwin, H. Jr. and Bottinelli, L. edition, 1989, p.
5374.
[Thonnat, 1994] Thonnat M., Clment V., van den Elst J., Supervision of perception tasks for
autonomous systems : the ocapi approach, International Journal on Information Science and
Technology IJIST, 3(2):140163, Janvier 1994.
[Thonnat, 2002] Thonnat M., Knowledge-based techniques for image processing and for
image understanding, J. Phys. IV France EDP Science, Les Ulis, 12:189{236, 2002.
[Tran Nam, 2008] Tran Nam V., Traitement de surfaces triangules pour la construction de
modles gologiques structuraux, Thse de lUniversit de la Mditerrane, 2008.
[Vernon, 2004] Vernon D., Ecvision research roadmap v4.0, http://www.ecvision.org/, 2004,
accessed April 9th, 2009
[Vincent, 1997] Vincent R., Thonnat M., Planning, Executing, Controlling and Replanning
for IP program library, 8th Artificial intelligence and Soft computing (ASC97), Banff, July
1997.
189

[Vogel, 1988] Vogel C., Gnie Cognitif, Paris, Masson, 1988.


[Watson, 2007] Watson J., Akram F., Rivas D., Petrel - the asset team solution. Technical
abstract, Schlumberger Information Solution, 2007.
[Wheeler, 1958] Wheeler H. E., Time-stratigraphy, Bulletin of the American Association of
Petroleum Geologists, Vol. 42, No. 5, 1958, p 10471063.
[White, 1991] White R. E., Properties of instantaneous seismic attributes, The Leading Edge,
10, No. 7, 1991, p.2632.
[Zacklad, 2007] Zacklad M., Classification, thsaurus, ontologies, folksonomies :
comparaisons du point de vue de la recherche ouverte dinformation (ROI), CAIS/ACSI, 35e
Congrs annuel de lAssociation Canadienne des Sciences de lInformation, 2007. Disponible
sur
http://hal.archives-ouvertes.fr/docs/00/20/24/40/PDF/cais-acsi_zacklad_-_avec_ref.pdf,
accessed July 15th, 2009

190