Abonnez-vous à DeepL Pro pour traduire des fichiers plus volumineux.

Visitez www.DeepL.com/pro pour en savoir plus.

Voir les discussions, les statistiques et les profils des auteurs de cette publication à l'adresse suivante : https://www.researchgate.net/publication/276423019

Modélisation géostatistique 3D et analyse d'incertitude de la distribution des

minéraux argileux dans les roches réservoirs

Article dans Geocarto International - mai 2015

DOI: 10.1080/10106049.2015.1047413

CITATIONS LIRE

10 2,190

3 auteurs, dont :

Mohammad Abdideh
Université islamique d'Azad
51 PUBLICATIONS 318 CITATIONS

VOIR LE
PROFIL
Tout le contenu de cette page a été mis en ligne par Mohammad Abdideh le 07 juillet 2017.

L'utilisateur a demandé l'amélioration du fichier téléchargé.

 Geocarto International

ISSN : 1010-6049 (Print) 1752-0762 (Online) Page d'accueil du journal : http://www.tandfonline.com/loi/tgei20

Modélisation géostatistique 3D et analyse

d'incertitude de la distribution des minéraux argileux
dans les roches réservoirs

Sivash Ashoori, Mohammad Abdideh & Ali Alavi

Pour citer cet article : Sivash Ashoori, Mohammad Abdideh & Ali Alavi (2016) 3D geostatistical
modelling and uncertainty analysis of clay minerals distribution in reservoir rocks, Geocarto
International, 31:3, 241-255, DOI : 10.1080/10106049.2015.1047413.

Pour faire un lien vers cet article : http://dx.doi.org/10.1080/10106049.2015.1047413

Version acceptée par l'auteur et publiée en

ligne le 6 mai 2015.
Publié en ligne : 04 Jun 2015.

Soumettez votre article à ce j o u r n a l

Nombre de vues de l'article : 46

Voir les articles connexes

Voir les données de

Crossmark

Les conditions générales d'accès et d'utilisation peuvent être consultées à l'adresse suivante :
http://www.tandfonline.com/action/journalInformation?journalCode=tgei20
 Geocarto International, 2016
Vol. 31, n° 3, 241-255, http://dx.doi.org/10.1080/10106049.2015.1047413

Modélisation géostatistique 3D et analyse d'incertitude de la

distribution des minéraux argileux dans les roches réservoirs
Sivash AshooriaMohammad Abdidehb* et Ali Alavia
aDépartement d'ingénierie pétrolière, Université technologique du pétrole, Ahwaz, Iran ;
bDépartement d'ingénierie pétrolière, Omidiyeh Branch, Islamic Azad University, Omidiyeh,
L'Iran
(Reçu le 6 décembre 2014 ; accepté le 23 avril 2015)

Le forage à travers des couches de schiste est associé à de nombreux problèmes tels
que l'instabilité du puits de forage, le lavage du trou, le blocage du tuyau, etc. Les
schistes réactifs ayant un potentiel de gonflement peuvent entraîner de tels
Téléchargé par [M. Abdideh] à 06:32 28 février 2016

problèmes. Le schiste réactif est un schiste qui contient un minéral argileux très
gonflant comme la montmorillonite, même si la quantité de ce minéral argileux est
faible. Ainsi, la détermination du type de minéral argileux dans la formation de
schiste et la distribution du minéral argileux gonflable peuvent nous aider à
sélectionner un chemin de puits stable et à déterminer l'emplacement du puits qui
présente le moins de problèmes d'instabilité, à prévenir et à prédire les problèmes
associés au minéral argileux gonflant, tels que le blocage de la conduite, le lavage du
trou, la formation de boules sur le trépan, etc. Dans cet article, nous avons utilisé le
thorium et le potassium de la diagraphie par rayons gamma corrigés (CGR) pour
obtenir le type et le pourcentage de minéraux argileux. Ensuite, nous avons utilisé la
diffraction des rayons X pour une analyse plus détaillée de la constitution des
minéraux argileux. Enfin, la modélisation géostatistique est utilisée pour obtenir la
continuité du minéral argileux dans le réservoir et estimer la quantité de minéral
argileux désiré le long du réservoir.
Mots clés : modélisation géostatistique ; minéraux argileux ; variogramme ; krigeage ; SGS

1. Introduction
Environ 10 à 20 % du coût total du forage des puits est lié au problème de l'instabilité du
puits de forage. Des études statistiques montrent qu'environ 80 à 90 % des problèmes
surviennent lors du forage de couches de schiste. Les schistes actifs contenant des
minéraux argileux très gonflants peuvent créer d e nombreux problèmes lors du forage.
Le gonflement de l'argile peut entraîner une instabilité du puits de forage en raison de
l'éboulement du schiste, du lavage du trou, de la formation de boulets sur le trépan, de la
fermeture du trou causant un trou étroit, de l'effondrement de la paroi du puits entraînant
un remplissage lors du déclenchement et des problèmes lors de la mise en place du
tubage. Elle peut également provoquer un ballonnement du trépan, une augmentation du
couple et de la traînée en raison de l'argile collante. Tous ces problèmes peuvent réduire
considérablement la vitesse de forage et, dans certains cas, entraîner la perte de
l'ensemble de forage ou la perte totale du puits. Ces événements augmentent
considérablement les coûts d'exploration et de production (Anderson et al. 2010).
La boue à base de pétrole (OBM) est utilisée comme fluide de forage dans la plupart
des puits du réservoir étudié. Le coût initial de l'OBM est élevé. L'utilisation de l'OBM
soulève de nombreuses préoccupations environnementales liées au rejet de la coupe, à la
perte totale de boue et à l'élimination de la boue pétrolière. Lors de l'utilisation de
l'OBM, la capacité de détection des coups de bélier est réduite en raison de la forte
solubilité du gaz dans la boue pétrolière.
*Auteur correspondant. Courriel : m.abdideh@yahoo.com

2015 Taylor & Francis

 242 S. Ashoori et al.

Dans certaines parties du réservoir, il y a peu ou pas de schiste réactif ; par

conséquent, l a b o u e à base d'eau peut être utilisée avec un inhibiteur de gonflement
approprié comme fluide de forage. Dans cette étude, la couche de schiste a d'abord été
déterminée à l'aide de diagraphies. Ensuite, le thorium et le potassium de la diagraphie
par rayons gamma corrigés (CGR) et de la diagraphie photoélectrique ont été utilisés
pour déterminer le type et le pourcentage de minéraux argileux dans la couche de schiste.
Techniques géostatistiques utilisées dans l'étape suivante pour obtenir la distribution
des schistes probables qui ont un minéral argileux gonflant.
En général, la géostatistique est l'étude de l'évolution des phénomènes dans l'espace ou
dans le temps.
Les composantes essentielles de la géostatistique sont les suivantes :

(1) Évaluation de la distribution des données (analyse de normalisation).

(2) Analyse des variogrammes.
(3) Krigeage.
(4) Simulation stochastique (Abdideh et Bargahi 2012).
Téléchargé par [M. Abdideh] à 06:32 28 février 2016

Dans un premier temps, le variogramme de l'échantillon de données a été tracé pour

comprendre la corrélation spatiale entre les données. Ensuite, un modèle de variogramme
a été ajusté au variogramme expérimental. Ensuite, le krigeage et la simulation
gaussienne séquentielle (SGS) ont été utilisés pour obtenir la distribution d e s minéraux
argileux gonflants qui peuvent créer des problèmes le long du réservoir. Les résultats de
cet estimateur sont des cartes qui peuvent nous aider à trouver où se trouve la plus petite
quantité d'argile gonflante. Par conséquent, les régions qui présentent le moins de
problèmes peuvent être déterminées. Grâce à la carte 3D, nous pouvons prévoir la
profondeur de la couche de schiste problématique et prendre les mesures nécessaires
pour empêcher l'apparition des problèmes susmentionnés. Ces types de cartes montrant
les zones susceptibles de poser des problèmes de forage peuvent être ajoutés à la
procédure de gestion des réservoirs qui utilise la porosité, la perméabilité et les cartes
nettes à brutes pour le développement des réservoirs et les projets d'optimisation de
l'emplacement des puits.

2. Argile minérale
Le schiste est une roche à grain fin contenant une fraction importante de minéraux
argileux et de limon (Ellis & Singer 2007). Les formations de schiste servent de roche
mère et de roche couverture dans la phase d'exploration. Les minéraux argileux peuvent
entraîner de nombreux problèmes lors de la phase de forage et, d'autre part, ils sont
utilisés comme additifs pour les fluides de forage. L'existence de minéraux argileux dans
le réservoir a un effet important sur la porosité et la perméabilité. Comme leurs
propriétés électriques peuvent entraîner une erreur dans l'estimation de la saturation en
eau, elles peuvent entraîner une erreur dans l'estimation des réserves et de la
productivité. L'argile est un minéral composé de petites particules cristallines qui sont
classées en fonction de leur structure cristalline. Les argiles les plus intéressantes pour
l'industrie pétrolière sont la smectite, l'illite, la kaolinite, la chlorite et l'argile à couches
mixtes.

2.1. Structure minérale de l'argile et CEC

Les minéraux argileux énumérés ci-dessus sont des aluminosilicates. Les structures des
minéraux argileux ressemblent à des feuilles en raison de la nature géométrique des
unités structurelles fondamentales qui contiennent l' aluminium et le silicium. Un type
 Geocarto International 243
de feuille consiste en des unités octaédriques d'oxygène ou d'hydroxyle autour d'un
atome central d'aluminium (généralement de l'aluminium, mais parfois du magnésium ou
du fer). L'autre est une unité tétraédrique constituée d'un atome central de silicium
entouré d'oxygène. Les minéraux argileux sont formés de différentes combinaisons
d'empilement d e ces deux types de structure en feuillets.
 244 S. Ashoori et al.

Les minéraux argileux portent une charge négative nette principalement due à la
substitution - par exemple, la substitution du bivalent Mg par le trivalent Al. Cette
charge négative nette est équilibrée par des cations échangeables, regroupés à la surface
de l'argile pour neutraliser l'argile lorsqu'elle est exposée à l'eau. Cela conduit au
gonflement de la couche d'argile. Le groupe des montmorillonites possède la plus grande
capacité d'absorption de l'eau et les valeurs de capacité d'échange cationique (CEC) les
plus élevées. Le tableau 1 présente les valeurs typiques de CEC et la surface spécifique
des minéraux courants. La figure 1 illustre la structure du groupe des smectites. La
tendance de la montmorillonite saturée en sodium à gonfler macroscopiquement est la
principale cause d'instabilité des schistes lors des opérations de forage de puits de pétrole
et peut potentiellement conduire à l'effondrement du puits de forage (Anderson et al.
2010). L'existence d'un groupe de smectites dans une formation forée peut entraîner de
nombreux problèmes. Nous nous concentrons donc sur le pourcentage et la distribution
de cette argile. Les couches de schiste qui contiennent ne serait-ce qu'une petite quantité
de montmorillonite sont considérées comme des schistes gonflants (Abass et al. 2006).
Téléchargé par [M. Abdideh] à 06:32 28 février 2016

2.2. Identification des minéraux argileux

L'identification des minéraux argileux est une tâche complexe. Cette tâche est souvent
réalisée à l'aide d'une analyse par diffraction des rayons X (XRD). Mais cette expérience
est trop coûteuse et prend trop de temps

Tableau Valeurs typiques de la surface spécifique et de la CEC des minéraux

1. argileux.
Minéraux Surface spécifique (m2 /g) CEC (meq/100 g)
Smectite 700-800 80-150
Illite 113 10-40
Chlorite 42 10-40
Kaolinite 15-40 3-5
Note : plus la CEC est élevée, plus il y a d'eau liée et plus la porosité de l'argile humide est
grande. Source : adapté de Yariv et Cross (1979).
 Geocarto International 245

Figure 1. Structure de l'argile montmorillonite 2:1.

 246 S. Ashoori et al.

travail. Il faut donc trouver un moyen rapide et fiable d'identifier les minéraux argileux.
De nombreux praticiens essaient de trouver un moyen d'identifier l'argile à l'aide de
l'enregistrement spectral des rayons gamma. Plusieurs schémas ont été élaborés à partir
du logarithme spectral des rayons gamma pour identifier les minéraux. Hodson et al.
(1976) ont introduit un diagramme croisé du thorium et du potassium déterminant le
volume de schiste et distinguant les sables micacés des sables schisteux. Ruhovets et
Fertl (1982) ont proposé un indicateur amélioré des minéraux argileux basé sur une
connaissance approximative de la teneur en potassium et en thorium des minéraux
argileux courants. La figure 2 présente les schémas de ces études. Quirein et al. (1982)
ont présenté une méthode pratique et facile pour déterminer la présence d'argiles
majeures et les séparer des feldspaths. Nous avons utilisé les diagrammes croisés de
Schlumberger qui utilisent cette méthode pour identifier les minéraux argileux. Pour
identifier les minéraux argileux, il faut d'abord reconnaître la couche de schiste. Nous
considérons que la couche ayant une spectrométrie de rayons gamma naturels (NGS)
supérieure à 20 API et un taux de thorium supérieur à 2 ppm est une couche de schiste.
Ensuite, à l'aide du thorium et du potassium de la diagraphie NGS, nous obtenons le type
de minéraux argileux et leur pourcentage dans l'intervalle de schiste. Cette procédure a
Téléchargé par [M. Abdideh] à 06:32 28 février 2016

permis de déterminer le pourcentage d'argile cible, la montmorillonite, pour 24 puits. La

figure 2 montre le diagramme croisé de Schlumberger pour l'intervalle de schiste et le
tableau 2 montre les résultats de ce diagramme croisé. Le tableau 3 montre les intervalles
de schiste et la teneur en montmorillonite correspondante pour un puits. La XRD a été
utilisée pour une étude plus détaillée de la teneur en minéraux argileux. Le tableau 4
montre la teneur en minéraux argileux déterminée à partir de l'analyse XRD et du
graphique croisé de Schlumberger. Comme on peut le voir dans le tableau, le résultat de
l'analyse XRD est plus détaillé et certaines différences peuvent être observées avec le
résultat de la représentation graphique croisée. Mais en général, les résultats du
diagramme croisé sont bien compatibles avec les résultats de l'analyse XRD.

3. Technique géostatistique
La géostatistique permet de décrire la continuité spatiale des phénomènes naturels et
d'adapter les techniques de régression classiques pour tirer parti de cette continuité"
(Isaak & Srivastava 1989). Les techniques géostatistiques peuvent être utilisées pour
analyser la variabilité et la distribution spatiales des données de l'échantillon et estimer
les paramètres à
 Geocarto International 247
Figure 2. Identification d'un minéral argileux à partir du thorium et du potassium. Intervalle de
schiste 8233-8270 ft.
 248 S. Ashoori et al.

Tableau 2. Minéraux argileux de l'intervalle de schiste sélectionné.

Type d'argile Pourcentage

Illite 71.6
Montmorillonite 28
Argile à couches mixtes 1.4

Tableau 3. Intervalles de schiste et la teneur en

montmorillonite.
Intervalle de schiste %Montmorillonite Intervalle de schiste %Montmorillonite
8021.5-8041.5 7.32 8572-8572.5 100
8070.5-8100.5 1.64 8574-8584.5 31.82
8111.5-8118 36 8650-8650.5 100
8146.5-8149.5 14.30 8790-8833.5 2.27
8155-8160.5 8.33 8908-8910.5 83.33
8162.5-8175.5 2.27 8919.5-8928 50
8187-8208.5 19.51 8943-8946.5 12.5
Téléchargé par [M. Abdideh] à 06:32 28 février 2016

8212-8232 28.76 8952-8959.5 100

8233.5-8269.5 15.78 8970.5-9006 33.33
8296.5-8305.5 28.20 9011-9015.5 40
8315.5-8334.5 43.75 9028.5-9105.5 25.16
8344.5-8352 100 9118-9136.5 26.31
8353-8354 10.25 9141-9143.5 100
8356.5-8395 86.66 9157.5-9161.5 77.77
8444-8451 86.66 9169-9169.5 50
8444-8451 18.86 9171.5-9173 100
8502.5-8519 14.70 9177-9229 18.10
8544.5-8569.5 19.61 9233-9401.5 26.63

Tableau 4. Pourcentage de minéraux argileux.

Type d'argile Pourcentage d'argile d'après Pourcentage d'argile dans les

XRD parcelles croisées
Kaolinite 28.1 21.6
Illite 18.5 25.26
Illite-montmorillonite 12 28.14
Sépiolite 11 -
Montmorillonite 20.4 25
Chlorite 10 -

l'emplacement non échantillonné. Selon Isaak et Serivaster (1989), l'application de la

technique géostatistique comporte trois étapes : (1) l'hypothèse de stationnarité, (2) la
modélisation spatiale des données de l'échantillon et (3) l'estimation de la valeur de la
variable à l'emplacement non échantillonné. Il existe de nombreux outils pour discuter de
la relation entre les données spatiales, tels que la covariance, le coefficient de corrélation
et le variogramme. Le variogramme est un outil indispensable pour obtenir la corrélation
des données spatiales. Quatre-vingt-dix pour cent des études géostatistiques de
caractérisation des réservoirs utilisent des méthodes de modélisation géostatistique
basées sur le variogramme (Gringarten & Deutsch 1999). Avant d'utiliser le
variogramme, nous devons prouver que les données sont stationnaires. La stationnarité
signifie que les propriétés statistiques ne dépendent pas de l'emplacement exact
(Goovaerts 1997). Par conséquent, la moyenne (valeur attendue) d'une variable à un
endroit donné est égale à la moyenne à n'importe quel autre endroit ;
 Geocarto International 249

la variance des données est constante dans la zone étudiée ; et la corrélation (covariance
ou semivariogramme) entre deux endroits quelconques ne dépend que du vecteur qui les
sépare, et non de leur emplacement exact. Si les données ne sont pas stationnaires, un
mouvement ascendant peut ê t r e observé dans le variogramme. En règle générale, la
transformation normale standard est utilisée dans les analyses géostatistiques (Deutsch
2002). La transformation des données en une distribution de source normale peut
satisfaire l'hypothèse de stationnarité des données. La transformation en source normale
présente certains avantages, comme l'atténuation de la différence entre les valeurs
extrêmes et le seuil théorique. D'autre part, certains estimateurs géostatistiques comme
SGS fonctionnent avec des données transformées en source normale. Les variogrammes
expérimentaux montrent que nous n'avons pas de tendance dans nos données d'entrée. La
figure 3 montre l'histogramme des données d'entrée et des données transformées. Enfin,
la rétrotransformation effectuée sur les données permet d'obtenir des données d'entrée
sous forme d'histogramme.
Après transformation des données, le variogramme expérimental peut être calculé.
Le variogramme expérimental reflète notre compréhension de la géométrie et de la
continuité des propriétés du réservoir et a un effet important sur le comportement
Téléchargé par [M. Abdideh] à 06:32 28 février 2016

prédictif de l'écoulement et sur les décisions de gestion du réservoir qui en découlent

(Gringarten & Deutsch 1999). Le variogramme expérimental ne peut pas être utilisé
directement pour la simulation géostatistique et le calcul du krigeage. Un modèle de
variogramme est ajusté au variogramme expérimental car le semivariogramme est
nécessaire pour toutes les distances et directions et le variogramme doit avoir une
définition positive pour s'assurer que l'équation de krigeage peut être résolue et que la
variance de krigeage est positive (Deutsch 2002). La carte du variogramme montre que
la principale direction de continuité était du nord-ouest au sud-est. La figure 4 montre
la carte du variogramme. Pour capturer la direction principale de continuité, le
variogramme a été calculé pour de nombreuses directions. Le tableau 5 montre le
variogramme modélisé pour différentes directions. La figure 5 montre le variogramme
pour les directions majeures et mineures de la continuité et le variogramme vertical.
250 S. Ashoori et al.

Figure 3 : ( a) histogramme des données d'entrée et (b) histogramme des données transformées.
 Geocarto International 251

Figure 4. Carte du variogramme.

Tableau Variogramme modélisé.

Téléchargé par [M. Abdideh] à 06:32 28 février 2016

5.
Ange Pépite Rang Modèle
0 0.21782733 5208 Sphérique
15 0.22855082 4240 Sphérique
30 0.27490457 2604 Sphérique
45 0.16106221 2520 Sphérique Mineur
60 0.1900612 2604 Sphérique
75 0.18854018 5040 Sphérique
90 0.18791025 6270 Sphérique
-15 0.24281574 5880 Sphérique
-30 0.3200379 11,760 Sphérique
-45 0.19977419 21,000 Sphérique Principale
-60 0.17881495 20,260 Sphérique
-75 0.16619654 10,920 Sphérique

3.1. Interprétation et modélisation des variogrammes

L'analyse des variogrammes est une partie importante de la modélisation géostatistique
(Abdideh 2014).
Gringurten et Duetsch (1999) introduisent une approche semblable à l'analyse des
tests de puits pour l'interprétation du comportement des variogrammes. Dans cette
approche, il y a trois régions. La variance totale du phénomène étudié est divisée en
régions de variance. Le comportement du variogramme dans chaque région est ensuite
identifié comme étant d'un type de structure spécifique. Ceci est analogue à l'étape de
reconnaissance du modèle dans l'analyse des essais de puits, où la signature de la dérivée
de pression de chaque région temporelle est associée à un régime d'écoulement
spécifique. De même, trois grandes régions de variance peuvent être définies pour
l'analyse des variogrammes : (1) variance à courte échelle (effet de pépite), (2) variance à
échelle intermédiaire (anisotropie géométrique - il peut exister plus d'une structure de ce
type), et (3) variance à grande échelle (anisotropie zonale, effet de trou). La
méthodologie procède de manière séquentielle, en identifiant d'abord la variance à courte
échelle, puis les structures à échelle intermédiaire et enfin les caractéristiques à grande
échelle. Ces régions de variance sont les suivantes :
Variance à courte échelle : l'effet pépite est une discontinuité dans le variogramme à
l'ori- gine correspondant à une variabilité à courte échelle. Sur le variogramme
expérimental, il peut être dû à des erreurs de mesure ou à des structures géologiques dont
les plages de corrélation sont plus courtes que la résolution d'échantillonnage.
 252 S. Ashoori et al.
Téléchargé par [M. Abdideh] à 06:32 28 février 2016

Figure 5. (a) Variogramme pour le sens principal de continuité et (b) variogramme pour le sens
secondaire d e continuité.

Variance d'échelle intermédiaire : l'anisotropie géométrique correspond à un

phénomène dont les plages de corrélation sont différentes selon les directions. Chaque
direction rencontre la variabilité totale de la structure.
Variance à grande échelle : (1) l'anisotropie zonale est caractérisée par un
variogramme directionnel atteignant un plateau à une variance inférieure au seuil
théorique, c'est-à-dire que toute la variabilité du phénomène n'est pas visible dans ces
directions. (2) l'effet de trou est représentatif d'un phénomène "périodique" (cyclicité) et
se caractérise par des ondulations sur le variogramme. L'effet de trou ne contribue pas
réellement à la variance totale du phénomène ; cependant, son amplitude et sa fréquence
doivent être identifiées au cours de la procédure d'interprétation ; en outre, il ne peut
exister que dans une seule direction.

• Dans la région de variance à courte échelle, l'effet pépite est égal à 0,2 (C0 = 0,2).
Il peut être dû à des erreurs de mesure ou à des structures géologiques dont les
plages de corrélation sont plus courtes que l'intervalle d'échantillonnage. Il doit être
choisi de manière à être égal dans toutes les directions. Il est choisi dans le
variogramme expérimental directionnel présentant la plus petite pépite. Dans un
variogramme vertical, l'effet de pépite est égal à 0,4 ; cela e s t dû à la nature du
paramètre. Le minéral argileux n'existe que dans la couche de schiste et les
couches de schiste ne sont pas continues dans la direction verticale.
• Dans la région de variance à échelle intermédiaire, l'anisotropie géométrique
correspond à un phénomène dont les plages de corrélation sont différentes selon les
directions. Le tableau 4 montre que les fourchettes sont différentes selon les
directions. Par exemple, dans la direction de continuité maximale, la plage est de
21 000 m, mais dans la direction de continuité minimale, la plage est de 2520 m.
L'autre comportement du variogramme est l'anisotropie zonale. L'anisotropie
zonale est un cas limité d'anisotropie géométrique dans lequel les variogrammes
directionnels atteignent des seuils différents. La méthode courante pour étudier
 Geocarto International 253
l'anisotropie zonale est l'anisotropie géométrique.
 254 S. Ashoori et al.

L'anisotropie consiste à comparer le variogramme vertical avec le variogramme

directionnel. La figure 6 montre un variogramme vertical. Comme on peut le voir
sur cette figure, un variogramme vertical atteint un seuil plus bas que les autres
variogrammes horizontaux. Les changements dans la direction verticale sont plus
rapides, ce qui représente une variance ou une valeur seuil plus élevée par rapport
aux changements relativement lisses dans la direction horizontale, ce qui
représente une valeur seuil plus faible. Mais dans notre étude, le variogramme
vertical atteint un seuil plus bas que les variogrammes horizontaux. Il est probable
que cela soit dû à une différence significative de la valeur moyenne dans chaque
puits. Le variogramme horizontal présente une variance supplémentaire entre les
puits. Cela peut également être dû à la nature du paramètre qui n'est pas un
paramètre continu dans la direction verticale.
• L'effet de trou est représentatif d'un phénomène "périodique" (cyclicité) et
caractérisé par des ondulations sur le variogramme est le comportement du
variogramme à grande échelle. Dans la région de variance à grande échelle, comme
le montre la figure 7, la cyclicité géologique ou l'effet de trou est le comportement
du variogramme dans la direction maximale de continuité. Ce comportement est dû
Téléchargé par [M. Abdideh] à 06:32 28 février 2016

à l'existence de valeurs élevées et faibles d'argile montmorillonite dans l'ensemble

de la zone du réservoir. Ce comportement est clairement visible dans les modèles
finaux de krigeage et de SGS.

3.2. Modélisation géostatistique

Après la modélisation des variogrammes, ceux-ci peuvent être utilisés comme données
d'entrée pour la modélisation géostatistique. Dans cette étude, nous avons utilisé le
krigeage ordinaire et le SGS pour la modélisation du pourcentage d'argile. Le logiciel
Petrel utilise le krigeage GSLIB pour l'estimation.
Il existe plusieurs méthodes d'estimation. Dans une classification générale, elles
peuvent être divisées en méthodes géostatistiques et classiques. Les méthodes classiques
sont celles qui utilisent

Figure 6. Variogramme vertical (seuil = 0,736).

 Geocarto International 255

Figure 7. Effet de trou.

 256 S. Ashoori et al.

statistiques classiques pour l'estimation, tandis que dans les méthodes géostatistiques,
l'estimation est faite sur la base de la structure spatiale de l'environnement (Abdideh
2014).
Le krigeage est une méthode d'estimation basée sur une moyenne mobile pondérée et
peut être considéré comme le meilleur estimateur linéaire sans biais. La caractéristique la
plus importante du krigeage est que pour chaque estimation d'erreur, l'erreur associée
pertinente peut être calculée (Abdideh 2014). Par conséquent, pour chaque valeur
estimée, l'intervalle de confiance correspondant peut être calculé.
Les raisons de l'utilisation du krigeage ordinaire sont que la moyenne globale du
paramètre est inconnue (OK a utilisé la moyenne locale) et qu'il est préférable d'estimer
la fluctuation des données. La figure 8 montre le modèle final construit avec le krigeage
et une section de l'estimation du krigeage. La figure 9 montre la variance du krigeage et
la section de variance. L'attribut variance est un facteur des données d'entrée et le
variogramme choisi décrit une partie de la variation spatiale de l'incertitude dans le
modèle. Les zones proches des données d'entrée auront une faible variance (c'est-à-dire
qu'elles sont prédites avec confiance, avec une faible incertitude), tandis que les zones
éloignées des données d'entrée auront une variance élevée (c'est-à-dire qu'elles sont
Téléchargé par [M. Abdideh] à 06:32 28 février 2016

prédites avec une faible confiance, avec une forte incertitude). OK est une méthode
déter- ministe qui donne une seule réalisation. Comme on peut le voir sur les figures, la
variance est relativement élevée et l'incertitude sur les paramètres estimés est grande.
Cette variance relativement élevée est due à la rareté des données. A l'étape suivante,
SGS a utilisé pour créer
 Geocarto International 257
Figure 8. Modèle de krigeage et coupe transversale.
 258 S. Ashoori et al.
Téléchargé par [M. Abdideh] à 06:32 28 février 2016

Figure 9. Modèle de variance et coupe transversale.

plusieurs réalisations équiprobables. Petrel utilise l'algorithme GSLIB pour effectuer la

simulation. Le résultat du SGS est plus réaliste que celui du krigeage. Le krigeage a
tendance à lisser l e résultat, mais le SGS conserve la forme des données d'entrée. Le
krigeage utilise le variogramme modélisé pour estimer l'emplacement non échantillonné.
Dans les endroits éloignés de la portée, le variogramme se comporte comme un cycle
géologique (effet de trou), ce qui entraîne une augmentation de l'erreur d'estimation dans
ces endroits. Différents numéros de semences aléatoires doivent être choisis pour obtenir
différentes réalisations de SGS. Une graine différente conduit à des séquences
différentes de nombres aléatoires et, par conséquent, à un chemin aléatoire différent et à
un résidu différent pour chaque nœud simulé. La figure 10 montre deux réalisations des
paramètres estimés avec SGS.

3.3. Validation croisée

Cette tâche est essentielle pour évaluer les performances des interpolateurs. La méthode
courante pour évaluer les performances d'un interpolateur consiste à supprimer certains
points de données des données d'entrée, à les estimer à l'aide d'un interpolateur et à
comparer ensuite l'estimation avec les données réelles. Tout d'abord, nous supprimons
les données relatives aux puits dans les zones où la densité de puits est élevée, puis nous
supprimons un puits à l'écart des autres puits. Nous supprimons les puits 251, 202, 220,
 Geocarto International 259
249, 209 un par un.
 260 S. Ashoori et al.

Figure 10. Deux réalisations de SGS.

Téléchargé par [M. Abdideh] à 06:32 28 février 2016

Le puits numéro 209 est éloigné de l'autre puits et est ensuite soumis au krigeage
ordinaire et au SGS en tant qu'interpolateur. Les figures 4-20 à 4-25 montrent les
parcelles de validation croisée pour ces puits. Un point plus proche de la ligne indique
que nous disposons d'un modèle plus valide. Le krigeage et le SGS montrent tous deux
une bonne compatibilité avec les données d'origine.
Comme le montre la figure 11, le résultat du SGS est plus précis. Lorsque la valeur
est élevée, l'erreur d'estimation de est relativement importante car le nombre de données
ayant une valeur élevée est faible et davantage de données ayant une valeur faible sont
impliquées dans l'estimation de l'emplacement non échantillonné. La figure 12 montre
que les résultats de l'estimateur pour ce puits sont inexacts et peu fiables. La densité des
puits autour du puits n°209 est très faible, ce qui entraîne une erreur d'estimation
importante. Pour le puits n°220, SGS montre une bonne estimation des paramètres. La
figure 13 montre les résultats de la validation croisée pour ce puits. Le nombre de
données soulignées est faible, ce qui signifie que SGS surestime la montmorillonite et
peut ainsi réduire le risque de prévision des problèmes de forage. La figure 14 montre
que l'estimation par krigeage est associée à une erreur élevée. Mais SGS a une bonne
compatibilité avec les données originales. Comme on peut le v o i r , la plupart des
résultats de SGS sont supérieurs à
 Geocarto International 261
Figure 11. Validation croisée pour le puits n° 202.
 262 S. Ashoori et al.

Figure 12. Validation croisée pour le puits n°209.

Téléchargé par [M. Abdideh] à 06:32 28 février 2016

Figure 13. Validation croisée pour le puits 220.

Figure 14. Validation croisée pour le puits n°251.

la ligne et cela signifie que SGS surestime le pourcentage de montmorillonite. La figure

15 montre les résultats de la validation croisée pour le puits n° 249. Le krigeage et le
SGS montrent tous deux une bonne compatibilité avec les données originales. Mais le
résultat de SGS est plus précis. Dans tous les puits,
 Geocarto International 263

Figure 15. Validation croisée pour le puits n° 249.

Téléchargé par [M. Abdideh] à 06:32 28 février 2016

Tableau 6. Validation.

Eh bien non. Boue Profondeur Estimation Krigeage Estimation

SGS
244 WBM 9094.5 0.316667 0.43
244 WBM 9773.5 0.284211 0.3409
291 OBM 10,259 0.4 0.5555
326 WBM 9416 0.261538 0.264706
388 OBM 9629.5 0.235818 0.6111

La validation croisée a montré que le SGS était plus fiable que le krigeage. La SGS
surestime presque les paramètres, ce qui réduit le risque de prévision des problèmes de
forage.
A l'étape suivante, nous avons utilisé certaines données relatives aux problèmes de
forage dans le réservoir étudié pour confirmer que les régions à forte teneur en argile
montmorillonite sont susceptibles de créer des problèmes lors du forage. Pour cette
tâche, nous avons passé en revue les puits qui ont eu des problèmes dans le réservoir
d'étude (autres que les puits utilisés pour la modélisation) et qui sont liés d'une manière
ou d'une autre au gonflement de l'argile. Les résultats montrent que bon nombre de ces
problèmes se sont produits dans des régions présentant une quantité notable de
montmorillonite. Abass et al. (2006) indiquent que même l'existence d'une faible
quantité de montmorillonite peut entraîner des problèmes de forage. Le tableau 6
présente les résultats de cette enquête. Dans ce tableau, le pourcentage d'argile est estimé
à partir du krigeage et de la SGS dans la région concernée.

4. Conclusion
Les résultats de cette étude montrent que les minéraux argileux dominants dans les
couches de schiste sont, respectivement, l'illite, la montmorillonite et l'argile de couche
mixte. L'analyse variographique de la montmorillonite montre que la principale direction
de continuité est N45W avec une plage de corrélation de 21 000 m. Le comportement le
plus important du variogramme est l'effet de trou qui représente l'existence de quantités
élevées et faibles de montmorillonite de manière périodique. Dans un variogramme
vertical, nous sommes confrontés à un effet de pépite important qui est dû à la nature du
paramètre qui n'est pas continu dans la direction verticale. D'autre part, le SGS nous
264 S. Ashoori et al.
donne une estimation fiable plus détaillée du paramètre et fournit des moyens de prendre
en compte l'incertitude dans la mesure du possible.
 Geocarto International 265

l'estimation des paramètres. Les validations croisées montrent que la modélisation

géostatistique des minéraux argileux problématiques dans les couches de schiste est un
outil efficace pour prédire les couches susceptibles de poser des problèmes de forage. Un
autre aspect important de cette étude concerne le moment où le programme d'injection
d o i t être réalisé. Le gonflement des minéraux argileux est considéré comme l'une des
causes importantes de la formation de dommages au cours des méthodes de récupération
assistée du pétrole. Grâce à ces cartes, nous pouvons déterminer l'emplacement et les
couches qui contiennent moins de minéraux argileux, afin de réduire ce type de
problème.

Déclaration de divulgation
Aucun conflit d'intérêt potentiel n'a été signalé par les auteurs.

Références
Abass H, Shebatalhamd A, Khan M, Al-Shobaili Y, Ansari A, Ali S, Mehta S. 2006. Wellbore
Téléchargé par [M. Abdideh] à 06:32 28 février 2016

instability of shale formation ; Zuluf field. In : SPE Technical Symposium of Saudi Arabia
Section ; 21-23 May ; Dhahran, Saudi Arabia.
Abdideh M. 2014. Prédiction de la perte de boue dans les roches réservoirs par une méthode
géostatistique. Geomat Nat Haz Risk. 5:41-55.
Abdideh M, Bargahi D. 2012. Conception d'un modèle 3D pour la prédiction du sommet de la
formation dans les champs pétroliers à l'aide de méthodes géostatistiques. Geocarto Int.
27:569-579.
Anderson RL, Ratcliffe I, Greenwell HC, Williams PA, Cliffe S, Coveney PV. 2010. Clay
swelling - a challenge in the oilfield. Earth-Sci Rev. 98:201-216.
Deutsch CV. 2002. Geostatistical reservoir modeling. Applied geostatistics series ; New York
(NY) : Oxford University Press ; 384 p.
Ellis DV, Singer JM. 2007. Well logging for earth scientists. Dordrecht : Springer-Verlag.
Goovaerts P. 1997. Geostatistics for natural resources evaluation (Géostatistique pour l'évaluation
des ressources naturelles). New York (NY) : Oxford
University Press ; 483 p.
Gringurten E, Deutsch C. 1999. Méthodologie d'interprétation et de modélisation des
variogrammes pour une meilleure caractérisation des réservoirs. In : SPE Annual Technical
Conference and Exhibition. Houston (TX), USA.
Hodson G, Fertl WH, Hammack GW. 1976. Formation evaluation in Jurassic sandstone in the
northern North Sea area. The Log Analyst. 17:22-32.
Isaak EH, Srivastava RM. 1989. An introduction to applied geostatistical (Vol. 561). Oxford :
Oxford University Press.
Quirein J, Gardner J, Watson J. 1982. Combined natural gamma ray spectral/litho-density
measurements applied to complex lithologies. In : SPE Annual Technical Conference and
Exhibition. New Orleans (LA).
Ruhovets N, Fertl WH. 1982. Digital shaly sand analysis based on Waxman-Smits model and log-
derived clay typing. The Log Analyst. 23:7-26.
Yariv S, Cross H. 1979. Geochemistry of colloid systems for earth scientists (Vol. 1). Berlin :
Springer-Verlag.
 266 S. Ashoori et al.

Voir les statistiques de publication