Académique Documents
Professionnel Documents
Culture Documents
net/publication/326332181
CITATIONS READS
0 4,809
1 author:
Rabah Kechiched
Université Kasdi Merbah Ouargla
77 PUBLICATIONS 296 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Groundwater modeling in arid and semi-arid region (Algeria): the use of artificial intelligence techniques and geochemical proxies View project
Faciological and petrophysical characterization of unconventional reservoirs using logs and its applications for the reconstruction of the depositional environment -
Ahnet basin (South Algeria). View project
All content following this page was uploaded by Rabah Kechiched on 27 October 2022.
Faculté des Hydrocarbures, énergies renouvelable et .ﻛﻠﯾﺔ اﻟﻣﺣروﻗـﺎت واﻟطﺎﻗـﺎت اﻟﻣﺗـﺟددة وﻋﻠـوم اﻷرض واﻟﻛــون
Sciences de la Terre et de l’Univers ﻋﻠـوم اﻷرض واﻟﻛــون:ﻗﺳم
Département des Sciences de la Terre et de l’Univers
Route de Ghardaia, BP. 511, 30000 Ouargla ورﻗﻠﺔ30000 .، 511 ب.طرﯾق ﻏرداﯾﺔ ص
COURS
Par
q
:tt
,t .lt
q
COURS
Par
CHAPITRE 4:
Application de la Simulation Géostatistique dans le Domaine des Hydrocarbures
2. l’analyse variographique
3. l’éstimation géostatistique
1
les moyens de calculs disponibles sera l’objectif de l’exemple d’application. La visualisation
sera faite par bloc montrant ainsi les quantités d’huile en place.
4. La simulation géostatistique
Ce support cours propose aussi une annexe des manipulations par logiciels (demo)
pour le traitement statistique monvariée à l’aide du logiciel Statistica 6.21 et des notions de la
probabilité et l’anamorphose.
2
CHAPITRE 1 :
Application de l’Analyse Statistique des
Données dans le Domaine des
Hydrocarbures
CHAPITRE 1 : Application de l’Analyse
Statistique des Données dans le Domaine des
Hydrocarbures
= cov(x, y)/ x y
XY X Y
Rx / y
S x .S y 3
Avec X et Y : teneurs moyennes des variables X et Y.
2
Rsignif
n 1
Où n est le nombre des données utilisées.
Ech. K SH Sw Vsh
1 50 5 0.5 0.5 10
2 60 5 0.5 0.5 20
3 100 5 1 0 50
Ni X(ni,pi)
N 100 10 10 10
a) Représentation géométrique
On peut faire une représentation graphique des données utilisées par un nuage de
points lignes (Représentation Rp (et en nuage de point variables) Représentation dans Rn)
(Fig. 1).
4
Fig. 1: Représentation géométrique des données : a)- point-lignes Rp et b) point-variables Rn.
Dans Rn, chaque point est définit par n coordonné. Deux points-lignes apparaissent
proche l’un de l’autre, si les deux lignes ont des mesures semblables des variables ou
individus et éloignés l’un de l’autre si les mesures sont différentes. En présence d’un nuage de
points dans un espace à n dimensions, on cherchera à saisir et comprendre la dispersion des
points c'est-à-dire la signification des différents allongements des nuages de points.
L’analyse en Composantes Principales (ACP) est l’une des plus anciennes méthodes
de l’analyse factorielle. Elle est utilisée pour l’analyse des données qui sont représentées sous
formes de tableaux de n individus et p variables. Soit R (n, p), ce tableau de donnée de terme
générale rij.
En ACP, ce qui important, c’est la forme du nuage des points par rapport aux axes
(droites) qui passent par le centre de gravité du nuage. Il s’agit donc de rechercher les droites
qui respectent au mieux l’ensemble des carrés des distances entre couples : C’est celles qui
passent par le centre de gravité. D’où la nécessité de procéder à un changement de repère en
centrant les variables de la matrice de données initiales. Si de plus les unités des variables
sont différentes alors il est préférables de les réduire pour supprimer l’effet unité c'est-à-dire
échelle :
r ij r j
x ij
n . j
Ainsi après cette transformation (changement), la matrice d’inertie ne serait autre que
la matrice de corrélation linéaire simple : C=XTX. On appel inertie du point N(I) par rapport
au point P ou l'expression suivant (Fig. 2) :
5
n
InP ( I ) mi X i P
2
i 1
Fig. 2: Représentation géométrique d’inertie des points Xi (i=1 à n) par rapport au point P.
Après le calcul de C, il est nécessaire de calculer l’inertie du nuage de point dans les
principaux axes d’allongement désignés par Fi (i=1 à N) (Fig. 3) en diagonalisant – c’est à.
dire en recherchant les premières valeurs propres (variances) et les vecteurs propres
correspondants.
Fig. 3: Représentation d’un nuage de points et les principaux axes d’allongement (Axes
factoriels).
La diagonalisation de la matrice C (matrice d'inertie) permet d'obtenir les p vecteurs
propres Uα et les p valeurs propres λα. Le vecteur Uα est connu par ces coordonnées dans
l'espace Rp. Les coordonnées des points Xi sur les axes factorielles qui sont obtenus par :
Fα (i)=Xi Uα
k
F (i ) U X
j 1
j ij
6
Fα (i) est le facteur de rang α associé à l'individu i : F (i) est la coordonnée de l’individu
(échantillon) i sur l’axe factoriel U. Ce dernier a autant de composantes que de variables.
Dans la pratique l’inertie expliquée par l’axe factoriel :
T P
In( I )
1
Généralement les résultats d’une ACP sont représentés sous forme graphique (Fig. 4).
Elément F1 F2 F3
Les facteurs des individus sont les coordonnées des individus sur les axes factoriels
représentation dans Rp– Leur calcul est effectué à l’aide de la formule suivante
7
1.3.2. Analyse factoriel discriminant
L’AFD est une méthode d’analyse de données ayant pour objectif de discriminer
On cherchera, ainsi, des combinaisons linéaires des p variables initiales (des axes
discriminants) qui permettent de séparer au mieux les groupes. Ceci permet, entre autres, de
(ANOVA). D’un point de vue technique, l’AFD est l’ACP normée du nuage des centres de
gravités des m groupes d’individus munis de leurs poids. L’analyse discriminante est une
statistique rangée dans des groupes définis a priori, la variance intergroupe à la variance
réside donc dans l’utilisation en plus des variables quantitative, d’une variable qualitative qui
peut représenter le temps ou l’espace. Cette possibilité en fait un outil décisionnel capable de
Les groupes ainsi déterminés sont appelés groupes d’appartenance. Grace à la variance
apporté par chaque des individus, l’algorithme réaffecte cet individus à l’un des groupes de
départ, les individus sont alors reclassés dans ce que l’on appelle les groupes d’affectation. Si
l’individu est réaffecté à son groupe d’appartenance, il est dit « bien classé », s’il est réaffecté
à un autre groupe, il est dit « mal classé». Cette méthode permet donc de vérifier l’adéquation
variance ne participe pas à la définition des groupes) par rapport aux groupes d’affectation, ce
L’étude de cas a ciblé le champ pétrolier de Hassi Messaoud, un des plus grands
gisements dans le monde, il est situé à 650 km Sud Est de la capitale Alger, à 80 Km vers l’est
de Ouargla. Sa superficie est de l’ordre de 4200 Km², il participe avec 50 % des recettes
algériennes. Ce gisement comprend 25 zones (Fig. 2). Le réservoir cambrien (R1) est
caractérisé par une très grande hétérogénéité géologique. Cette hétérogénéité rend la
modélisation des réservoirs difficile. Plusieurs études sédimentologiques et pétrophysiques
ont été effectuées sur ce réservoir. Ceci a permis de subdivisé le réservoir en plusieurs drain
(D1, ID, D2, D3, D4 et D5). Chaque drain a des caractéristiques sédimentologique et
pétrographiques spécifique (Sonatrach, 2005).
L’étude de cas sera effectuée sur les données pétrophysiques des drains constitutifs du
réservoir de la zone-17. Cette zone est située au Sud Est du champ de Hassi Messaoud. Elle
est limitée au Nord par la zone-13, à l’ouest par la zone-20B et 19 et par la zone16 vers l’est
(Sonatrach, 2002). L’approche utilisée consiste à l’utilisation des méthodes statistiques mono,
bivariée et multivarié. Ceci a pour objet de ressortir la principale caractéristique de chaque
drain et par conséquent, l’évaluation du potentiel de cette zone.
9
N a a
b
0m 5000
10
2.3. Subdivision géologique du réservoir en drains
Le réservoir de la zone-17 est subdivisé du point de vue sédimentologiques, suivant le
critère de la granulométrie en :
Ces zones (Ri+Ra) constituent le réservoir R1 (Sonatrach, 2005). L’étude morphologique des
drains a été faite à l’aide des coupes corrélatives à travers le réservoir. La coupe A-A’
orientée NW- SE (Fig. 2) montre que les drains plongent avec un faible pendage qui varie
légèrement de 0,5 à 2°. La direction du pendage est de 135° vers la direction SE. L’épaisseur
des drains est assez constante dans tout le réservoir, mise à part une légère variation dans le
drain D5, en allant, de l’ouest vers l’est (Fig. 6).
Les données seront subdivisées selon ce modèle géologique ; d’où l’intérêt de porter
une attention particulière de cette partie. L’étude statistique est liée étroitement à la qualité de
la subdivision.
NW SE
altitude (m)
MD444
MD368
3350 3350
MD423 MD441 Drains
D5
3400 3400
D3
D1 ID D2 D3 D5
K (mD) 39 394 363 215 282
Ø (%) 39 394 363 215 282
So (%) 38 348 340 192 240
Sw (%) 38 345 340 192 240
Vsh (%) 26 327 288 149 153
La porosité moyenne dans les deux drains est avoisinante à 7,5 %. La saturation en
huile moyenne est proche de 40 %, avec une saturation en eau moyenne d’environ 6 %. Le
drain D5 est caractérisé par une porosité de 5.31 % et une perméabilité de 2.93 mD,
caractérisant un réservoir de type compacte.
Les meilleures saturations en huile ont été enregistrées dans les drains D1, ID et D2.
La saturation dans ces derniers varie de 33.2 à 26.46 %. Il est à noté que, néanmoins, la
discrimination des données par drains, les variances sont élevées pour la perméabilité (K) et la
saturation en huile (So).
12
Tableau 4 : Caractérisation statistique monovariée des paramètres pétrophysiques des drains
de réservoir.
Ecart-type
Paramètre
Maximum
Minimum
Réservoir
pétrophy.
Moyenne
Variance
Nombre
Drains
13
significatives, car, la signification des coefficients des corrélations dépend étroitement du
nombre des échantillons utilisés.
Cette matrice a montré que la perméabilité (K) est corrélée positivement avec la
porosité (Ø) et la saturation huile (So). La perméabilité (K) est faiblement corrélée
négativement avec le volume d’argile (Vsh) et la saturation eau (Sw). Bien que la porosité (Ø)
est corrélé négativement avec la saturation en eau (Sw), elle est corrélée positivement avec la
saturation en huile (So), ceci indique les pores sont saturées avec l’huile en quasi-totalité. Le
volume d’argile (Vsh) et la saturation en huile (So) sont corrélés négativement avec la
saturation eau (Sw) (Tableau. 5).
Les cercles de corrélation dans le plan des axes des facteurs F1 et F2, qui représentent une
variance cumulée de 58,62 %, ont été tracés (Fig. 4).
14
a) Projection des variables sur l’espace factoriel F1 versus F2
1,0
Sw (%)
0,5
K (mD)
So (%)
0,0 Q (%)
Fact. 2 : 21,95%
-0,5
Vsh (%)
-1,0
La projection des individus sur les deux facteurs (Fig. 8) montre que les individus (les
échantillons) sont alignés avec le facteur (F1). Ceci indique que ce facteur est caractérisé par
le maximum de dispersions de données. Cette projection permet aussi, d’effectuer une
classification des échantillons (observations) selon la disposition de ces derniers et la position
par rapport la position des variables exprimée dans la figure ci-dessus.
15
Projection des ind. sur le plan factoriel ( 1 x 2)
15
0
Echantillons riche en
Enchantions reflétant -5 argile
le réservoir poreux
Fact. 2 : 21,95%
huile.
-15
-20
-12 -10 -8 -6 -4 -2 0 2 4 6 8
Active
Fact. 1 : 36,67%
2.8. Synthèse
Cette étude de cas a permis de montrer comment l’analyse de données peut aboutir à e
une caractérisation typologique des réservoirs dont l’exemple ici est le réservoir cambrien
(R1) - zone 17. L’étude statistique permet de déterminer les principales caractéristiques
pétrophysiques.
16
CHAPITRE 2 : Application de
l’Analyse Variographique dans le
Domaine des Hydrocarbures
CHAPITRE 2 : Application de l’analyse
variographique (méthode géostatistique)
Le préfixe "géo" fait référence au domaine des sciences de la terre, qui est
historiquement celui où la géostatistique s'est développée. Les champs d'application actuels
concernent des domaines très variés.
La géostatistique est connue depuis près de 40 ans dans les mines d’or du
Witwatersrand où Daniel Krige proposa une correction statistique à la manière traditionnelle
d’estimer la teneur d’un bloc de minerai à partir d’un nombre limité d’échantillons pris autour
du bloc à exploiter. La théorie était formulée 10 ans plus tard par Georges Matheron qui
introduisit un outil pour analyser la continuité spatiale des teneurs appelé " le variogramme "
et une méthode d’estimation basée sur le variogramme appelée " le krigeage ".
17
1.2. Notions de la géostatistique
Matheron (1971), définit la géostatistique de la façon suivante : "la géostatistique est
l'application du formalisme des fonctions aléatoires à la reconnaissance et à l'estimation des
phénomènes naturels". Une fonction aléatoire (F.A) Z(x) est un ensemble de variable
aléatoire Z(xi), définie en chaque point xi du gisement G:
Z(x) = {Z(xi), xi G}
Un phénomène minéralisé peut être caractérisé par la répartition dans l'espace d'un
certain nombre de grandeurs mesurables, que nous appelons " variables régionalisées"(V.R).
Ces variables ont une structure d'auto-corrélation qui dépend du module et de la direction du
vecteur séparant deux points de mesure. Mathématiquement, une variable régionalisée est une
fonction du point x (Ploner & Dutter, 2000). Cette fonction est généralement irrégulière et
montre deux aspects complémentaires (Matheron, 1973) :
Si au point xi de l'espace, la V.R z(xi) est considéré comme valeur unique (valeur
vraie) alors la géostatistique étudiera la corrélation spatiale de la V.R et la structure de cette
variable dans l'espace. C'est la géostatistique transitive (Chauvet, 1999).
1.3. Variogramme
Soit deux variables aléatoire, z(x) et z(x+h) mesurées en 2 points "x" et "x+h" (Fig.
23), la variabilité entre ces deux points (Fig. 9) se caractérise par une fonction notée 2γ(x,h)
appelée variogramme (Journel et Huijbregts, 1978).
18
z(x) z(x+h)
x x+h
E [z(x) - z(x h) ]2 2γ(x,h)
1 N(h, )
2γ(h, ) =
N(h, ) i1
[z i (x) z i (x h) ]2
h =1 pas
x
x+h
h =2 pas
Où N(h, ) est le nombre de couples [z(x) , z(x+h)] séparé par une distance h suivant une
direction . Les résultats obtenus peuvent être représentés sous forme graphique (Fig. 8).
19
portée "a" donne alors un sens à la notion de zone d'influence d'un échantillon ou d'un
sondage. Cette portée n'est pas forcément la même dans toutes les directions de l'espace. Elle
permet donc de détecter une éventuelle anisotropie ou isotropie dans la structure de la
minéralisation.
Ƴh
Palier
C
C0
a : Portée h
Fig. 11 : graphe de variogramme
Le variogramme croît jusqu'à une certain limite appelé palier puis s'aplatit, mais il peut
également croître indéfiniment (effet de dérive).
Une fois le variogramme expérimental est calculé, il faut alors déterminer un modèle
mathématique qui lui correspond et qui doit être opérationnel et simple à l'emploi : C'est
l'ajustement du variogramme expérimental. Les schémas théoriques d'usage courant sont
classés en schémas à palier, schémas sans palier et schémas à effet de trous (Fig. 12).
Schéma gaussien: ( h) 1 e
a
- Schéma sans palier
20
Schéma en puissance : ( h ) h h 0 , 0 2
Schéma logarithmique : (h) a. log(h)h 0,a cans tan t 0
sin( h ) h2
Schéma à effet de trou ( h ) 1 h 0 , ( h ) h
h 6
c) Isotropie et anisotropie
a) Anisotropie géométrique
21
a4
Fig. 13 : Schéma d'une anisotropie géométrique
a3
a2
a11
a4
b) Anisotropie zonale
Cette anisotropie est les plus fréquentes et elle est manifestée par des variogrammes de
portées et les paliers différents. Elle correspond généralement à une anisotropie génétique
(Fig. 15).
22
Fig. 15 : Schéma de variogrammes représentants une anisotropie zonale.
Les porosités par drains du réservoir Cambrien (Ri) de la zone 3 du champ Hassi
Messaoud ont été utilisées pour cette étude variographie. L’implantation des forages utilisés
sont présentés à la figure (Fig. 16).
23
2.2. Analyse variographique
Les variogrammes directionnels sont calculés avec une tolérance qui ne dépasse pas
22.5 °. Dans certains cas pratiques, vue le nombre de données et la répartition une tolérance ±
40° est peut acceptée. Dans cette étude de cas les variogrammes directionnels de la porosité
de chacun des drains ont été calculés et ajustés par des schémas de régionalisation sphérique à
portée (a), palier (C) et à effet de pépite (C0). L’ensemble des résultats obtenus par drain sont
présentés en tableaux de synthèse. Les coefficients d’anisotropies sont également calculés par
la formule suivante :
2.2.1. Drain D5
La rose de portées a été tracée à l’aide des résultats du Tableau. 7. Elle montre que
l’axe d’isotropie est de direction 45° (Grand Axe), tandis que l’axe d’anisotropie est de
direction 135° (petit axe) (Fig. 17). Le coefficient d’anisotropie est de 0.28 traduisant une
forte anisotropie.
24
2.2.2. Drain D4
La rose de portées a été tracée à l’aide des résultats du tableau 8. Elle montre une
isotropie où le coefficient d’anisotropie est très faible (0.87) (Fig. 18).
2.2.3. Drain D3
La rose de portées a été tracée à l’aide des résultats du tableau. 9. Elle montre que
l’axe d’isotropie est de direction 45°(Grand Axe), tandis que l’axe d’anisotropie est de
direction 135° (petit axe), le coefficient d’anisotropie est de 0.32 traduisant une forte
anisotropie (Fig. 19).
25
Fig. 19 : Rose de portées de la porosité du drain D3.
2.2.4. Drain D2
La rose de portées a été tracée à l’aide des résultats du tableau. 10, elle montre l’axe
d’isotropie est de direction45°(Grand Axe), tandis que l’axe d’anisotropie est de direction
135° (petit axe), le coefficient d’anisotropie est de 0.18. Ceci indique un contexte très
anisotrope de la variabilité (Fig. 20).
La rose de portée a été tracée à l’aide des résultats du tableau 11. Elle montre l’axe
d’isotropie est de direction135°(Grand Axe), tandis que l’axe d’anisotropie est de direction
45° (petit axe), le coefficient d’anisotropie est de 0.76 (Fig. 21).
27
la direction d’isotropie indique la direction de la continuité géologique du
phénomène ; (Sens de chenaux par exemple).
La direction de l’anisotropie qu’est généralement orientée orthogonalement à la
direction d’isotropie indique le sens de la discontinuée (grande variabilité).
28
CHAPITRE 3 : Application de
l’Estimation Géostatistique dans le
Domaine des Hydrocarbures
CHAPITRE 3 : Application de l’Estimation
Géostatistique dans le Domaine des Hydrocarbures
Linéarité : Z v* m i ( z i m )
i 1
k
Il faut et il suffit que :
i 1
i 1 = 0 i 1
(v , v ) (v ,V )
i i j j i 1 à n
j 1 j 1à n
n
i 1
i 1
2
n
2
K z y zk
*
1 ( v i , V ) (V , V )
i1
Où :
de krigeage.
o (vi ,V ) : le variogramme moyen entre l'estimé et les estimants.
30
1.2. Krigeage simple
Parfois on connaît la moyenne "m" du champ à estimer, on peut alors former un
estimateur sans biais sans imposer la contrainte que la somme des poids ou pondérateurs soit
égale à 1.
Le non biais E z v z v* 0 , est vérifié de lui-même sans aucune condition sur les pondérateurs
λi.
E z v z v* E z v E z v* 0
N
m v i mi 0
i 1
N N
m (1 i 0 i 1
i 1 i 1
v , v v , V
N
i i j i
i 1
i 1àN ; j 1àN
ko2 i v j , V V , V
N
NB :
31
n'est pas possible d'effectuer un krigeage simple si le variogramme ne présente pas
de palier.
- En termes pratiques, les estimés obtenus par krigeage ordinaire (KO) et simple (KS)
sont très similaires lorsqu'on effectue le krigeage à courte distance par rapport aux
points connus et par rapport à la portée du variogramme et que le variogramme
montre une structure importante. Lorsqu'on effectue l'estimation à grande distance
ou si le variogramme montre un effet de pépite plus important, alors l'estimation
KO consistera essentiellement en une moyenne des points du voisinage et
l'estimation KS sera simplement la moyenne supposée connue "m".
L'erreur aléatoire Z – Z* est alors caractérisée par ses deux premiers moments.
Moyenne b = E(Z – Z* )
Si b = 0, on dit que l'estimateur Z* est sans biais, si non l'estimateur est biaisé.
σ2E(V,v) = 2 (V , v) (V ,V ) (v, v)
V
Avec :
(V ,V )
32
: La valeur moyenne du variogramme entre deux points appartenant au même
domaine V;
33
2. Exemple d’application : Modèle de bloc et estimation locale des
paramètres pétrophysiques et des quantités d’huile à 2D
2.1. Variographie
Les variogrmmes omnidirectionnels à deux (2) dimensions (2D) ont été construits et
ajustées dans la direction 0° avec une tolérance de ± 90° (Fig. 22). Le récapitulatif des
résultats est donné au tableau. 12.
Direction 0°
34
Tableau. 12 – Récapitulatif des résultats obtenus de l’étude variographique faite sur les
données des paramètres pétrophysiques de chaque drain séparément (réservoir R1).
Réservoir R1 du Cambrien
Réservoir Ra Réservoir Ri
Drains du réservoir
ID D2 D3 D5
Portée (a)
Portée (a)
Portée (a)
Variables régionalisées Palier C
Palier C
Palier C
Palier C
Model
Model
Model
Model
(%)²
(%)²
(%)²
(%)²
(%)²
(%)²
(%)²
(%)²
(m)
(m)
(m)
(m)
Porosité (Q) Sph. 3632 0,196 8,62 Sph. 3417 2,242 1,672 Sph. 4288 2,58 2,3 Sph. 3350 2,97 8,14
Saturation en huile (So) Sph. 3034 3,2 265,6 Sph. 3100 162,4 134,4 Sph. 1950 76 170,4 Sph. 2500 200 75,6
Epaisseur du drain (m) Sph. 2088 2,035 3,905 Sph. 2052 0,75 1,675 Sph. 2200 2,48 3,6 Sph. 1324 2,5 61
a) Plan de krigeage
35
Fig. 23 : Exemple du plan de krigeage de la porosité (Ø) dans les drains du réservoir à l’aide
du logiciel Geostatistical toolbox.
Une étude statistique de chaque drain a été établie, afin de déterminer les paramètres
statistiques des blocs krigés (Tableau. 13):
- Drain D5 (réservoir Ri): Ce drain est caractérisé par une porosité (Ø) faible, elle est en
moyenne dans les blocs de 4,95 %, La saturation en huile (SO) des blocs krigé varie
de 16, 90 à 43, 98%. L’épaisseur moyenne des blocs krigés est de 25,67 m.
- Drain D3 (réservoir Ra) : Ce drain qui est transition vers D5, ce caractérise par une
faible porosité (Ø), elle est en moyenne de 6,38 %. La saturation en huile (SO)
moyenne dans les blocs krigés est aussi faible, elle est de 29,65%. L’épaisseur de ce
drain varie de 12,45 à 18,81 m, elle est en moyenne dans les blocs krigés de 16,24m.
- Drain D2 (réservoir Ra) : Le drain D2 est caractérisé par une porosité (Ø) assez
elevée, elle varie de 5,12 à 9,23 %, dont la moyenne dans les blocs krigés de 7,30 %.
Une saturation en huile (SO) élevée qui varie de 19,02 à 62,37 % , avec une moyenne
36, 36 %. L’épaisseur dans les blocs krigées est 24,79 m.
- Drain ID (réservoir Ra) : Ce drain est caractérisé par une porosité (Ø) varie de 3,37 à
10,81 %. La moyenne est de 7,33 %. Cette valeur de la porosité (Ø) est la plus élevée
36
dans tous drains. La saturation en huile (SO) est aussi, élevée, elle varie de 14,96 à
60,80 % dont la moyenne 40,49 %. L’épaisseur moyenne des blocs krigés est de
28,24 m.
S2
Paramètre pétrophysique krigé N. Bloc Min (%) Max (%) x (unité)2
Porosité ( Ø ) (%) 3187 1,31 7,40 4,95 2,40
D5
Ri
b) Variances de Krigeage
L’étude statistique des variances de krigeage des drains a montré que le maximum
des variances a été enregistré dans le krigeage saturation en huile (S O), elle dépasse 100 (%) 2
en moyenne dans la plus part les drains. Les variances moyennes de porosités (Ø) sont faibles
dans les deux drains D2 et D3. Par contre, elles sont relativement élevée dans D5 et ID. Les
variances de krigeages moyennes des épaisseurs sont assez faibles varie de 1, 27 % dans le
drain D2 à 3,02 (m)2 dans le drain ID. Une variance de krigeage de l’épaisseur élevée a été
observée dans le drain D5, elle est en moyenne de 51,40 (2m). Il est a noté, que les valeurs
élevées de variances indiquent une erreur élevée de l’estimation. Cette erreur, est peut être
due à la masse de donnée faible ou bien une hétérogénéité de données.
37
b) Classification des blocs krigés
Une classification des résultats par intervalle des paramètres pétrophysiques a faite
pour chacun des drains (Tableau. 14). Elle montre :
- Drain D5 (réservoir Ri) : Ce drain contient 1590 blocs ayant une porosité (Ø) qui
varie 4 à 6 % représentent 49,9 % de l’ensemble de blocs. On note que 1780 blocs
ayant une saturation en huile (SO) varient 20 à 30 %, soit 55,9 % de l’ensemble des
blocs du drain.
- Drain D3 (réservoir Ra) : Ce drain est caractérisé par la présence de 2242 blocs ayant
une porosité (Ø) qui varie 6 a 8 % représentent 70,3 % de l’ensemble de blocs. 1362
blocs sont caractérisés par une saturation en huile (SO) varie 30 à 40 %, soit 42,7 %
de l’ensemble des blocs du drain. Il es a noté, que tous les blocs ayant des épaisseurs
varient de 10 à 20 m.
- Drain D2 (réservoir Ra) : Dans ce drain, 1775 blocs ayant une porosité (Ø) varient 6 à
8% représentent 55,7 % de l’ensemble des blocs. La saturation de 1323 blocs varie de
30 à 40% soit, 41 ,5 % de l’ensemble de blocs de ce drain. On note tous les blocs
ayant des épaisseurs varient de 20 à 30 m.
Ce drain est caractérisé par la présence de 1548 blocs ayant une porosité (Ø) varient de
6 à 8% représentent une proportion de 48,6 % de l’ensemble des blocs. Il est caractérisé par la
présence 1479 blocs dont la saturation en huile (SO) varie de 40 à 50% soit, 46,4 % de
l’ensemble des blocs. La quasi-totalité des blocs ont des épaisseurs varient de 20 à 30 m,
avec 3034 blocs, soit, 95,2 % de l’effectif des blocs.
38
Tableau. 14- Classification des résultats de krigeage de chacun de drain par intervalles – Réservoir Ri + Ra.
Réservoir R1 du Cambrien
Réservoir Réservoir Ra Réservoir Ri
Drain ID D2 D3 D5
Résultats krigeage de à Fi % N.Bloc de à Fi % N.Bloc de à Fi % N.Bloc de à Fi % N.Bloc
0 2 0 0 0 2 0 0 0 2 0 0 0 2 7,5 240
2 4 13,6 433
2 4 0,7 23 2 4 0 0 2 4 0 0
4 6 17,6 562 4 6 14,1 449 4 6 29,7 945 4 6 49,9 1590
Porosité(Ø)
6 8 48,6 1548 6 8 55,7 1775 6 8 70,3 2242 6 8 29 924
8 10 31 989 8 10 30,2 963 8 10 0 0 8 10 0 0
10 12 2 65 10 12 0 0 10 12 0 0 10 12 0 0
14 20 1,8 56 14 20 1 33 14 20 23,1 736 14 20 8,5 272
20 30 11,8 376 20 30 24,2 772 20 30 22,7 723 20 30 55,9 1780
Saturation en huile (So) 30 40 28,3 903 30 40 41,5 1323 30 40 42,7 1362 30 40 27,2 867
40 50 46,4 1479 40 50 29,6 942 40 50 11,5 366 40 50 8,4 268
50 63 11,7 373 50 63 3,7 117 50 63 0 0 50 63 0 0
0 10 0 0 0 10 0 0 0 10 0 0 0 10 16,5 527
10 20 0 0 10 20 0 0 10 20 100 3187 10 20 23,6 752
Epaisseur (Epai) 20 30 95,2 3034 20 30 100 3187 20 30 0 0 20 30 23,3 741
30 40 4,8 153 30 40 0 0 30 40 0 0 30 40 16 511
40 52 0 0 40 52 0 0 40 52 0 0 40 52 20,6 656
39
2. 3. Estimation des quantités initiales de l’huile en place
Les quantités initiales en place en huile ont été estimées. La méthode utilisée consiste
estimer ces quantités dans chaque bloc des drains désignés. Etant donnée, la relation
d’estimation volumétrique d’un réservoir comme suit :
Les volumes ainsi, estimés par cette méthode sont d’unité (m) 3. Il suffit de convertir le
volume en barils en multipliant V * 6,28981.
L’estimation des quantités sera effectuée localement, c'est-à-dire ; dans les blocs, en
utilisant les résultats de krigeage.
Où :
VBloc = Surface X épaisseur krigée du bloc (surface d’un bloc = 100 * 100 m) ;
La quantité en huile dans un drain donnée est égale à la somme des volumes d’huile
des blocs :
Bloc N
Volume huile en place du drain = Σ (V Bloc* Bloc* SO Bloc*)
Bloc 1
Les quantités d’huile initiales en place ont estimé pour chaque drain séparément
(Tableau. 15). Les résultats obtenus montrent que les drains ID + D2 sont les drains les plus
40
prometteurs. Le drain ID est caractérisé par des quantités initiales en place de l’huile de
l’ordre de 171 millions de barils, le drain D2 avec des quantités de 134 millions de barils. Le
drain D3 est caractérisé par des quantités de 62 millions de barils. Les quantités de l’huile
dans le drain D5 ont été estimées à l’ordre de 71 millions de barils. Total des quantités dans
tous le drain, objet de l’estimation sont de l’ordre de 440 millions de barils.
Une classification des quantités initiales de l’huile en place a été faite, afin de
connaitre la répartition des quantités au sein des blocs (Tableau. 16). Il montre :
- Drain ID : La majorité des blocs de ce drain, avec 1318 blocs, soit 41,4 % ayant une quantité
de 40000 à 60000 barils / bloc ;
- Drain D2 : La majorité des blocs de ce drain, avec 1477 blocs, soit 46,3 % ayant une
quantité de 40000 à 60000 barils / bloc;
- Drain D3 : La majorité des blocs de ce drain, avec 1633 blocs, soit 51,2 % ayant une
quantité de 20000 à 40000 barils / bloc ;
- Drain D5 : La majorité des blocs de ce drain, avec 1613 blocs, soit 50,6 % ayant une
quantité de 20000 à 40000 barils / bloc.
Tableau. 12 – Paramètres statistiques des quantités initiales de l’huile en place dans les drains
du réservoir Ra et Ri.
41
Tableau. 16 – Classification des quantités initiales de l’huile en place par intervalles des blocs – Réservoir Ri et Ra – zone 17.
Réservoir R1 du Cambrien
Drains ID D2 D3 D5
Min Max % Nb Blok Min Max % Nb Blok Min Max % Nb Blok Min Max % Nb Blok
0 20000 2,8 89 0 20000 1,7 53 0 20000 48,8 1554 0 20000 39,9 1273
Statistiques
20000 40000 18,9 602 20000 40000 43 1370 20000 40000 51,2 1633 20000 40000 50,6 1613
40000 60000 41,4 1318 40000 60000 46,3 1477 40000 60000 0 0 40000 60000 9,4 301
60000 80000 30,3 967 60000 80000 9 287 60000 80000 0 0 60000 80000 0 0
80000 107000 6,6 211 80000 107000 0 0 80000 107000 0 0 80000 107000 0 0
42
2. 4. Cartographie automatique des résultats obtenus
La visualisation des résultats obtenus est une étape importante de cette étude. Elle
permet de connaitre la répartition des valeurs krigés en chacun des drains du réservoir. La
méthode utilisée est alors, la cartographie des blocs krigés par drain. Les quantités initiales de
l’huile en place ont été cartographiées (Fig. 24). Les cartes des variances de krigeage sont
aussi tracées (Fig. 25).
A partir les cartes des blocs de porosité (Ø), on constate, que les meilleures porosités
se trouves dans les drains (ID et D2) du réservoir Ra. Dans ces deux drains la porosité (Ø)
augmente dans les blocs krigés en allant vers le NNE de la zone-17. Le minimum de la
porosité a été enregistré à l’extrême sud de la zone en D1 et à l’extrême Nord Ouest du drain
D2. Le drain D3 est assez homogène dont les blocs ont des porosités (Ø) de 8 à 10 %. Le
drain D5 caractérisé par une faible porosité (Ø), elle ne dépasse pas 8 %. Les cartes des blocs
de la saturation en huile (SO), montrent que les deux drains ID et D2 sont les meilleurs.
Cependant la distribution n’est pas homogène ; elle prend des lignes orientée Nord–Sud. Les
valeurs les plus faibles sont enregistrées au niveau des drains D3 et surtout, le Drain D5 dont
la saturation en huile (SO) a une distribution hétérogène, le maximum des blocs a des
saturations en huile (SO) varient de 20 à 30 %.
Les cartes des blocs de l’épaisseur des drains (Fig. 24) montrent une homogénéité de
la répartition des épaisseurs dans les drains ID et D2 avec des épaisseurs varient de 20 à 30 m.
Le drain D3 a également montré des épaisseurs assez faibles des blocs, elles varient de 10 à
20 m. Le épaisseurs du drain D5 sont caractérisées par une hétérogénéité, les épaisseurs de
blocs les plus faibles se trouvent vers nord, alors que, les épaisseurs les plus élevées se
localisent vers le sud de la zone-17.
La cartographie des quantités initiales de l’huile en place dans les drains ont permis de
localiser les zones les plus prometteuses. Le drain ID est caractérisé par une répartition assez
hétérogène, dont le maximum de quantités se trouve à l’extrême Nord de la zone. Le drain D2
se caractérise par une répartition homogène des quantités, dont tous les blocs ayant des
quantités varient de 40000 à 60000 barils / bloc. Des quantités faibles, mais homogènes sont
enregistrées dans le drain D3, les blocs ayant des quantités varient de 20000 à 40000 barils /
Bloc. Le drain D5 est caractérisé par une répartition assez hétérogène, les quantités
augmentent en allant du Nord vers l’extrême Sud où les quantités sont de l’ordre de 80000 à
43
107000 baril / bloc localement.
Une cartographie des variances de krigeage par drain a été effectué pour tous les
paramètres krigés, les résultas ont montrés que le minimum de la variance a été enregistré
dans les drains ID et D2, due la densité de données disponibles.
2 .5. Recommandation
- une exploitation sélective des ressources /réserves en tenant compte à la répartition des
paramètres pétrophysiques dans des drains ;
- une étude d’estimation géostatistique à 3D est nécessaire afin de connaitre la répartition des
paramètres pétrophysiques surtout sur le plan vertical et horizontal en même temps.
44
Porosité (%) Saturation en huile (%) Epaisseur (m) Quantités intiales en place de l'huile (bbl)
DRIN D5 DRIN D5
DRIN D5 DRIN D5 Réservoir Ri
Réservoir Ri Réservoir Ri
Réservoir Ri
DRIN D3 DRIN D3
DRIN D3 DRIN D3 Réservoir Ra
Réservoir Ra Réservoir Ra
Réservoir Ra
DRIN D2 DRIN D2
DRIN D2 DRIN D2 Réservoir Ra
Réservoir Ra Réservoir Ra
Réservoir Ra
a b c d
a) Cartographie de porosité dans les blocskrigés 100*100 m.
b) Cartographie de la saturation en huile dans les blocs krigés 100*100 m.
c) Cartographie de l’épaisseur dans les blocs krigés 100*100 m.
d) Cartographie des quantités initiales en place de l’huile dans les blocs 100*100 m.
Fig. 24 – Cartographie des résultats de krigeage par drain du réservoir R1 de la zone-17 (Champ de Hassi Messaoud).
45
Porosité (%) Saturation en huile (%) Epaisseur (m)
0 to 2 0 to 2
2 to 4 0 to 100 2 to 4
4 to 6 100 to 200 4 to 10
6 to 8 200 to 300 10 to 40
8 to 10 300 to 420 40 to 80
10 to 12 80 to 92
DRIN ID DRIN ID
Réservoir Ra DRIN ID
Réservoir Ra
Réservoir Ra
a b c
a) Cartographie de porosité dans les blocskrigés 100*100 m.
b) Cartographie de la saturation en huile dans les blocs krigés 100*100 m.
c) Cartographie de l’épaisseur dans les blocs krigés 100*100 m.
Fig. 25 – Cartographie des variances des résultats de krigeage dans les blocs par drain du réservoir R1 de la zone-17 (Champ de Hassi Messaoud).
46
CHAPITRE 4 : Application de la
Simulation Géostatistique dans le
Domaine des Hydrocarbures
CHAPITRE 4 : Application de la simulation
Géostatistique dans le Domaine des Hydrocarbures
Une simulation consiste à tirer une autre réalisation zS(x) de cette fonction aléatoire.
Les deux réalisations ; réelle z0(x) et simulé zS(x) sont différentes mais proviennent d’une
même fonction aléatoire de Z(x), dont les deux premiers moments sont fixés.
On peut donc, pour l’étude des dispersions des teneurs, travailler indifféremment sur le
gisement simulé ou sur le gisement réel . Le gisement simulé présente
l’avantage d’être connu en tous les points et non pas seulement aux seuls points
d’implantation des sondages expérimentaux.
Conditionnalisation :
Une F.A. Z(x) possède une infinité de réalisations possibles . On choisira parmi
cette infinité de simulation retrouvent les données expérimentales aux points
d’implantation des sondages, c'est-à-dire vérifient :
47
1.2. Comparaison entre la simulation et estimation
Les gisements simulés passent par les données expérimentales et présentent les mêmes
caractéristiques de dispersions que le gisement réel. On peut donc se demander en quoi ces
simulations différents d’une estimation ?
1.2.1. L’estimation
aucune de reproduire les dispersions vraies ; bien au contraire les estimateurs sous-
estiment (ou lisse) en générale les dispersions vraies. Le gisement estimé
représente une base biaisée dans le mauvais sens pour l’étude des dispersions qui nous
intéresse
1.2.2. La simulation
48
1.3. Types de simulation
Une méthode de simulation conditionnelle vise les mêmes objectifs que la simulation
non-conditionnelle mais, en plus, elle doit assurer que chaque réalisation soit compatible avec
les valeurs observées aux points échantillons. Ainsi, si on simule une valeur en un point
coïncidant avec une observation, il faut que la valeur simulée soit égale à la valeur réellement
observée (Marcotte, 2003)
Considérons en chaque point x la teneur réelle z0(x) est son estimateur de krigeage z*OK
(x) déduit de l’information possible :
I : z 0 ( xi ), xi I
z 0 ( x) z OK
*
( x) z 0 ( x) z OK
*
( x)
Soit en termes de fonctions aléatoires :
Z ( x) Z K* ( x) Z 0 ( x) Z K* ( x)
*
L’estimateur z OK ( x) étant un krigeage, les deux F.A. krigeage Z K* ( x) et erreur de
krigeage Z ( x) Z K* ( x) sont orthogonales (propriété de krigeage).
*
Pour simuler z 0 ( x) , il suffit donc d’ajouter à z OK ( x) une réalisation quelconque d’une
erreur indépendante de z K* et isomorphe à l’erreur vraie Z ( x) Z K* ( x) . Pour cela :
49
- On considère une F.A. Z S (x) indépendante de Z (x) et isomorphe à Z (x) . Sur tout
*
réalisation z S (x) de Z S (x) , la procédure de krigeage z SK ( x) appliquée sur la même
z S ( x) z SK
*
( x) z S ( x) z SK
*
Soit : Z S ( x) Z SK
*
( x) Z S ( x) Z SK
*
On remarque alors le deuxième membre de (1) l’erreur vraie inconnue :
Z 0 ( x) Z OK
*
( x) Par l’erreur simulée connue Z S ( x) Z SK
*
( x)
On obtient alors la réalisation connue :
z SC ( x ) z OK
*
( x ) z S ( x ) z SK
*
( x)
Correspondant à la fonction aléatoire :
Z SC ( x) Z OK
*
( x) Z S ( x) Z SK
*
( x)
b) Isomorphisme :
Les F.A. Z(x) étant isomorphe, l’erreur Z (x) et Z S (x) étant isomorphe, l’erreur
Z S ( x) Z SK
*
( x) est isomorphe, à l’erreur Z 0 ( x) Z OK
*
( x) et orthogonale à Z K* ( x) . Donc les
2 F.A. Z (x) et Z SC (x) sont également isomorphes, c'est-à-dire qu’elles ont même espérance
mathématique et même covariance :
c) Conditionnalisation :
Il vient :
z SC ( xi ) z 0 ( xi ), xi I
50
La figure (Fig. 26) illustre la différence entre le krigeage, les simulations
géostatistiques non-conditionnelles et les simulations géostatistiques conditionnelles
Fig. 26 : Comparaison 1-D des valeurs réelles et des valeurs obtenue. (Journel, 1973).
51
1.4. Méthodes de la simulation géostatistique
Il existe une plusieurs méthodes de simulation géostatistique, les approches
gaussiennes produisent des images d'une variable continue de loi de distribution gaussienne,
possédant toutes la même espérance, la même variance et la même fonction de variogramme
(ou de covariance). Les approches non-gaussiennes produisent, elles, des images dont la
variable ne suit pas une loi de distribution gaussienne. Si on cherche à regrouper ces
méthodes, une subdivision possible est la suivante:
1.4.1. Les méthodes gaussiennes : Parmi les méthodes gaussiennes, on peut citer :
- méthodes matricielles basées sur une décomposition de la matrice de covariance ;
- méthode gaussienne séquentielle ;
- moyennes mobiles ;
- bandes tournantes ;
- méthodes autorégressives ;
- méthodes fréquentielles ;
La méthode gaussienne séquentielle est la plus utilisée dans la simulation statique
des réservoirs. Selon (P. Kedzierski, 2007 ), les étapes de cette méthode de simulation sont :
5- tirer aléatoirement une valeur dans cette distribution (Monte- Carlo) ; cette simulation
est dite gaussienne car le tirage de Monte-Carlo se fait dans une loi gaussienne. Cette
loi normale est construite à partir des résultats du krigeage au point considéré.
6- ajouter la valeur simulée à la liste des valeurs disponibles, on dit que cette simulation
qu’elle est séquentielle car on ajoute les valeurs simulées à la liste des valeurs
disponibles pour l’étape suivante (manière séquentielle).
52
Cette simulation est appliqué sur des observations suivent une loi gaussienne, si la
distribution est n’est pas gaussienne, Une transformation de la variable en une variable
gaussienne Y. Il s’agit d’une anamorphose Y = F(Z). La simulation est effectuée sur Y pour la
transformée inverse F−1 est appliquée.
En vue de disposer un câble de fibre optique sur les fonds marins, on connait la
profondeur de la mer par les points d’observations, on se pose le problème suivant : la
profondeur z(x) n’étant connue que dans les points d’observation répartis a peu pris chaque 10
Km (Fig. 27), quelle est la longueur d’un câble sous marin qui doit reposer sur le fond de la
mer ?
53
Longueur réelle
Points d’observation
d’observation
d’observation
Longueur réelle
Points d’observation
d’observation
Longueur estimé par le krigege
d’observation
d’observation d’observation
Fig. 28 : La longuer éstimé par krigeage en tenant compt les points d’observation.
54
Réalisation 1
Réalisation 2
Si on effectue 1000 réalisations, il y’a une possibilité que la moyenne des longueurs
simulées égale à la longueur réelle qui est de 110 km (Fig. 30 et 31).
55
Fig. 31: Histogramme des longueurs simulées (de 1000 réalisations).
Dans cet exemple, la simulation de la porosité est appliquée à deux dimensions (Fig.
32 et 33) montre les points d’observation et la distribution réelle respectivement (Gslib,
2007).
y
56
Remarquant que le krigeage (Fig. 34) estime la porosité localement, les points
mesurés coïncide avec les points estimés (en faisant la comparaison avec les observations
mentionnées sur le plan d’échantillonnage (Fig. 32) parce que le krigeage est un interpolateur
exacte, dont les points à estimé correspond au point mesuré). Il est à noté que les variances
sont minimes. Si on fait une comparaison avec la distribution réelle (Fig. 33), on constate que
la carte obtenue par le krigeage est lissée et on ne visualise que les tendances de la
distribution réelle.
Fig. 35 : carte obtenue par simulation Fig. 36: multiples réalisations de distribution simulées
La simulation conditionnelle est utilisée pour modéliser les précisions sur les
estimations des réserves récupérables (i.e. après application d’une teneur de coupure).
Les exemples d’application en pétrole sont les plus nombreux mais aussi les plus
complexes. La complexité provient en premier lieu de la complexité géologique des réservoirs
(failles, paléochenaux, types de roche, etc.), du peu de données directes (forer un puits coûte
extrêmement cher) et de l’abondance des données indirectes (relevés de sismique réflexion,
57
diagraphies, observations de champs pétroliers comparables, données de production (débits,
pressions, etc.), expertise géologique, etc. La plupart des études combinent plusieurs
méthodes de simulation (méthodes booléennes, points marqués, simulations géostatistiques).
58
2. Exemple d’application : Estimation et simulation de la porosité
de la zone 3 (Champ de Hassi Messaoud)
2.1. Étapes de l’estimation par Krigeage et la simulation (SGS ) a l’aide du
logiciel petrel
L’estimation géostatistique par krigeage ordinaire et la simulation géostatistique SGS
sont faites sur les données initiales de porosité après avoir être transformées et anamorphosée
pour assurer la stationnarité d’une part et pour l’application de la simulation gaussienne
séquentielle (SGS). Les étapes de l’estimation et de la simulation sont présentées ci-dessous.
a) Définition de l’anamorphose
Les fonctions les plus utilisées sont le logarithme et celles définies dans le cadre de la
méthode de Box-Cox (Howarth et Earle, 1979 ; Stoline, 1991 et Joseph ; Bhaumik 1997).
B B
(a) (b)
Pour effectuer cette étape, il faut activer le processus de « Data analysis », puis il faut
valider la fonction de « Normal score ». Les données snormalisées, font l’objet
ultérieurement à la construction et l’ajustement des variogrammes. Une validation de
l’opération (Apply) à chaque fois est nécessaire (Fig. 39).
60
Fig. 39: Etape de la transformation des données initiales de la porosité.
Dans cette étape, pour avoir de meilleurs résultats d’estimation et de simulation il faut
bien choisir la direction variogramme (roses de portées). Les variogrammes moyens ont été
construits et ajustés par modèle de régionalisations à palier, portée et à effet de pépite. Ceci
pour chacun des drains séparément. Le logiciel pétrel offre une interface très pratique pour
effectuer cette opération nécessaire (Fig. 40).
Cette fonctionnalité représente le résultat des travaux précédemment. Pour cela, des
fonctions doivent être sélectionnées (setting) de la manière suivante (Fig. 41):
61
4. Choix de la zone ;
5. Choix du type de variogramme.
Après avoir procéder aux opérations suscitées ; un output des résultats de l’estimation
par krigeage et de la simulation gaussienne séquentielle sera généré. Ces résultats peuvent être
visualisée en cartes à l’aide du (Windows 2D ). L’application sur les données de la porosité de
la zone 3 – champ de Hassi Messaoud sont présentées en cartes de krigeage et des réalisations
de simulations (3 réalisations) (Figs 42 à 46).
62
Fig. 42 : Comparaison des résultats issus de l’estimation (Krigeage) et de la simulation (SGS) de la porosité du drain D5.
63
Fig. 43 :Comparaison des résultats issus d’estimation (Krigeage) et simulation (SGS) de la porosité du drain D4.
64
Fig. 44 : Comparaison des résultats issus de l’estimation (Krigeage) et simulation (SGS) de la porosité du drain D3.
65
Fig. 45 : Comparaison des résultats issus de l’estimation (Krigeage) et simulation (SGS) de la porosité du drain D2.
66
Fig. 41: Comparaison des résultats issus de l’estimation (Krigeage) et de la simulation (SGS) de la porosité du drain D2.
Fig. 46 : Comparaison des résultats issus de l’estimation (Krigeage) et de la simulation (SGS) de la porosité du drain D1.
67
2.2. Synthèse et interprétation cartes
- Krigeage présente un lissage valeurs de la porosité estimée, on effet, on peut distinguer des
zones et des trends de la porosité (des couloirs dans la direction de la continuitéreprésentée
par la grand portée).
- Après une comparaison avec la carte structurale, nous constatons que les cartes krigées
présente des trends (couloires) localisées entre les filles ayant la direction NNE-SSW. Les
failles orientées E-W influent négativement à la porosité et par conséquent la qualité du
réservoir.
Du point de vue général :
Le drain D5 présente defaibles valeurs de porosité dans la partie Nord qui
augmentent vers le Sud le changement suivantun axe de direction NN-E SS-W,.
Le drain D4 présente de très faibles valeurs de la porosité.
Le drain D3 présente des valeurs moyennes de la porosité, qui diminuent allant
vers la périphérie.
Le drain D2 montre des tends (couloires de tendances) orientés NNE-SSW. La
porosité est devient médiocre en contact des failles orientées E-W.
Le drain ID présente des valeurs moyennes de 6 à 7 % qui diminuent allant vers
le N. Notant que ce drain est caractérisé par la présence de silt.
68
Le drain D1 présente les meilleures valeurs de la porosité qui présentent une allure plus ou
moine homogène. La porosité de la partie sud est plus élevée.
Les drains D1 et D2 sont alors les meilleurs en termes de porosité avec une
répartition homogène pour D1. Le drain D2 présente des trends (couloires) suivant la
direction failles NNE-SSW.
Les simulations gaussiennes séquentielles ont permis l’obtention de plusieurs
réalisations qui peuvent être utilisées lors de l’élaboration du modèle dynamique où à
l’exploitation. La variante moyenne (krigeage ordinaire) présente le minimum d’erreur avec
un lissage. Cette variante est recommandée pour l’implantation des nouveaux puits.
69
Références Bibliographiques
Références Bibliographiques
Gslib (2007): Gaussian Simulation for Porosity Modeling, Reservoir Modeling with GSLIB,
presentation ppt, 17 dispositives.
Journel A. G. (1978): Cours de géostatistique, 3eme année. Tome II, institut national
polytechnique de Lorraine, France, 122p.
Matheron, G. (1971) : La théorie des variables régionalisées et ces applications. Les cahiers
de CMM5. Paris ENSMP, 212p.
Matheron, G. (1973): The Intrinsic Random Function and their application. In Advances in
Applied Probability. Dec .1973, n°3, pp439 – 468.
Marcotte D. (2003): Géostatistique minière. Cours publiés sur internet, Ecole polytechnique,
Lorraine, France, 230p.
Xavier, Emery (2001): Géostatistiques linéaire, Ecole des mines de Paris, 405 p.
Deutsch & Journel 1992 :pp. 209-213, GSLIB. Geostatistical Software Library and users
guide. Oxford University Press, New York, USA, 340 p.
70
Goovaerts 1997 : Geostatistics for natural resources evaluation. Oxford University Press,
New York, USA, 483 p.
Joseph & Bhaumik 1997 : Improved estimation of the Box-Cox transform parameter and its
application to hydrogeochemical data. Mathematical Geology, 29 : 963- 976.
Sokal & Rohlf 1995. Revue dans Hoyle 1973 pp. 413-422). Biometry. The principles and
practice of statistics in biological research. Third edition. Freeman, New York, USA, 887 p.
SONATRACH (2002) “subdivision des zones dans champ Hassi Mesaoud”, Rapport
interne, Division Production, 2002, 25p.
Stoline 1991: An examination of the lognormal and Box and Cox family of transformations in
putting environmental data. Environmetrics, 2 : 85-106 p.
71
ANNEXES
Annexe 1 : Manipulation par logiciel STATISTICA
« Dans ce document la version DEMO (Version d’essai) a été utilisé dans le but de montrer les manipulations et la partie pratique du module
de « Application de la géostatistique dans le domaine pétrolier). L’auteur décline la responsabilité de toute utilisation sans licence.
Plusieurs méthodes peuvent être utilisées pour la préparation du fichier des données parmi
lesquelles :
73
- Importer une feuille particulière :
74
- Spécifier les valeurs manquantes (Codes VM) (cliquer sur une variable puis fait toutes spécifications
pour les autres variables
75
N.B. Si vous importez toute un classeur, l’enregistrement se fait en format *.stw
76
- Préciser les variables
- Préciser les paramètres statistiques élémentaires (dans l’onglet : avancé et puis synthèse)
77
1.2.2. Nuage de points X/Y par exemple P2O5/MgO
78
1.2.3. Graphe de probabilités (droite d’Henry)
79
1.2.4 Histogrammes des fréquences relatives
Pour le nombre de catégories (nombre de classes il faut toujours appliquer la relation n = racine carrée du
N (Nombre total d’observations)
80
Histogramme (Données application 7v*600c)
P2O5 = 600*5*normal(x, 21.366, 5.6202)
240
220
200
180
160
140
Nbre d'obs.
120
100
80
60
40
20
0
-5 0 5 10 15 20 25 30 35
P2O5
81
2- spécifier la liste 1 et la liste 2 des variables puis OK puis Synthèse
N.B : il faut choisir le même nombre de variables autant dans la liste 1 que dans la liste 2
82
1.2.6. Analyse en Composantes Principales (ACP°
83
- Sélectionner les variables dans la première liste :
- Une fois sélectionner les variables, OK, les calculs seront affiché
84
a) projection des variables à 2D : Aller sans cette boite de dialogue et sélectionner projection des
variables à 2D et sélectionner les deux facteurs exprimant le maximum de l’information
généralement (F1 versus F2)
85
a) projection des individus à 2D : Aller sans cette boite de dialogue et sélectionner projection des
individus à 2D et sélectionner les deux facteurs exprimant le maximum de l’information
généralement (F1 versus F2).
86
Annexe 2 : Rappels sur la loi de gausse.
Il convient de rappeler que la fonction de répartition d’une variable gaussienne centrée réduite U
(moyenne nulle et variance égale à 1) (Fig. 1) est donnée par la fonction de densité f(x) est de la
forme :
Fig.1 : Fonction de répartition d’une variable gaussienne réduite U (Moyenne =O, écart-type=1)
87
4.16.1 Loi normale N(0,1)
Quantiles particuliers
p 0.5 0.6 0.7 0.8 0.9 0.95 0.975 0.99 0.995 0.999
x= F-1(p) 0.0000 0.2533 0.5244 0.8416 1.2816 1.6449 1.9600 2.3263 2.5758 3.0902
88
Papier Gaussien
89