Vous êtes sur la page 1sur 8

Techniques Fuzzy ART & RNA MMC pour lithofacis

Techniques de soft computing pour lidentification lithologique dans la province triasique


Salim Chikhi
Dpartement dinformatique Laboratoire LIRE. Universit Mentouri Constantine 25000 ALGERIE slchikhi@yahoo.com

RSUM : Nous combinons deux techniques de soft computing, les rseaux de neurones artificiels (RNA) et les modles de Markov cachs (MMC), dans le but dobtenir une identification lithologique de puits situs dans la province triasique du Sahara. Dans un mme objectif et dans un but comparatif, deux systmes bass sur la thorie de la rsonance adaptative ou Adaptive Resonace Theory (ART) ART1 et Fuzzy ART ont t dvelopps. Nous aspirons faciliter la tache des gologues en leur permettant dobtenir rapidement la nature du sol avoisinant les forages. Lidentification lithologique ou lithofacis fournit des informations qualitatives des roches. Elle constitue un lment important dans la caractrisation des rservoirs carbonats. MOTS-CLS : Rseau de neurones artificiels, modles de Markov cachs, caractrisation de rservoir, lithofacis, ART1, Fuzzy ART.

pages 1 8

1. Introduction
Un lithofacis est une description gologique de roches prsentes dans un puits diffrentes profondeurs. Le lithofacis constituant un problme crucial dans la caractrisation de rservoirs, notre tude vise la conception dun outil de dduction automatique du lithofacis partir de donnes diagraphiques qui sont des enregistrements de proprits gologiques des formations de roches diffrentes profondeurs de puits de forages obtenus par des sondes lectriques, physiques ou radioactives [1][6]. Pour dduire les lithofacis, les diagraphies suivantes ont t utilises : porosit neutron (NPHI), diagraphie sonique (Dt), densit (RHOB), radioactivit (GR), rsistivit (RT). Lutilit de chacun de ces paramtres de diagraphie utiliss dans le processus didentification de roches peut tre trouve dans [1,3]. Dans ce papier, nous utilisons les modles de Markov cachs avec les rseaux de neurones multicouches percepron pour prdire les lithofacis de puits situs dans la province triasique du sahara algrien. Le systme propos combine les structures de modlisation squentielle des MMC avec la classification de formes des rseaux de neurones artificiels (RNA). Nous montrons des rsultats provenant dun rservoir carbonat en comparant les prdictions de lithofacis obtenues partir de la technique hybride RNAMMC et la mthode Fuzzy ART.

2. MMC et modles hybrides


Sous certaines conditions, les rseaux de neurones peuvent tre considrs comme des classifieurs statistiques en fournissant en sortie des probabilits a posteriori. Ainsi, il est intressant de combiner les capacits respectives des MMC et des RNA pour obtenir de nouveaux modles efficaces qui sinspirent des deux formalismes. Cette hybridation a t spcialement profitable au domaine de la reconnaissance automatique de la parole (Automatic Speech Recognition : ASR) [4,5,7]. Cependant, dautres applications ont aussi profit des avantages de tels systmes hybrides : modlisation et analyse des pertes de paquets dans les rseaux dordinateurs [9], suivi bancaire [10], etc. Il faudrait prciser quand mme que cette combinaison nest pas simple raliser et jusqu prsent, aucun modle hybride de ce genre na t dvelopp dans le domaine de la caractrisation de rservoirs.

3. Le systme hybride
Un perceptron peut fournir les probabilits dappartenance P(ci/x(t)) dun vecteur modle x(t) une class ci. Plusieurs systmes ont t dvelopps sur ce principe [4]. Ces systmes prsentent beaucoup davantages par rapport aux approches purement Markoviennes. Cependant, ils ne sont pas simples implmenter cause du nombre de paramtres ajuster ainsi que la grande quantit de donnes dapprentissage ncessaires assurer le processus de convergence global. Dans cette section, nous montrons

Techniques Fuzzy ART & RNA MMC pour lithofacis

comment est conu notre systme hybride. Larchitecture du systme consiste en un RNA perceptron multicouches en amont un MMC de type Bakis gauche-droite. Le systme hybride, dont la figure 1 montre le schma de conception globale, a t dvelopp et adapt une caractrisation de rservoirs gologiques, permettant non seulement la prdiction du facis lithologique partir de donnes diagraphiques mais aussi de fournir des probabilits dappartenance aux diffrentes classes de roches diffrentes profondeurs du puits analys. Le systme est compos de deux modules : un module neuronal et une chane de Markov cache.

Figure 1. Schma global de conception du systme hybride

3.1. Module RNA


Il est constitu dun RNA Perceptron multicouches ayant une couche dentre et deux couches caches et entran par lalgorithme de rtropropagation. Deux matrices sont prsentes: une matrice de donnes diagaphiques (Dt, RT, NPHI, RHOB, et GR) normalmises (entre -1 et +1) et une matrice reprsentant les sorties dsires selon une expertise du gologue sur le puits analys. En fin dapprentissage, nous obtenons une matrice de probabilits a posteriori qui sera utilise comme un ensemble de probabilits dmission pour le MMC et une fonction de visualisation est execute pour voir les facis tablis par le systme.

3.2. Module MMC


Le modle de Markov cach (MMC) adopt est un modle de Bakis gauche-droite. Il contient un nombre dtats gal celui du nombre de classes dduit par le RNA frontal.
3

Les observations tant les diffrentes classes, nous associons chaque tat une observation. Puisque notre objectif est de trouver le meilleur chemin maximisant la probabilit dobtenir une squence dobservations, lalgorithme le plus appropri est lalgorithme de Viterbi. Cet algorithme est une solution rcursive optimale pour le problme destimation dune squence dtats dans un MMC. Il a en entre deux matrices et un vecteur : une matrice de probabilits de transition, une matrice de probabilits dmission qui est la sortie du RNA (probabilits a posteriori), et un vecteur reprsentant les probabilits initiales des tats.

4. Rsultats du systme hybride


Lapprentissage tant supervis, les sorties ont t obtenues selon lexpertise dun gologue concernant le puits RHA6. Les diffrentes classes gologiques dtectes par lexpert sont : argile, argile grseux, sable grossier, grs argileux, sable et sable argileux. Par exemple, dans la figure 2, nous pouvons dtecter la prsence de largile (la probabilit la plus leve) dans la plage des profondeurs [2830-2864] m. Le lithofacies obtenu par le systme hybride (figure 3) montre que toutes les classes dtectes dans le puits RHA6 sont prsentes: argile (C1) dans lintervalle [2712-2715] m, argile grseux (C2) dans [2715,5-2718,5] m, grs argileux (C3) dans [2719-2721] m, sable grossier (C4) dans [2721,5-2725,5] m, sable argileux (C5) dans [2726-2727,5] m, sable (C6) dans [2728-2729,5] m et encore argile dans [2730-2732] m et sable dans [2732,5-2733] m. Il apparat que le lithofacis obtenu par notre modle est assez proche du modle global des puits de la zone triasique du sahara algrien [1,3] susceptibles de contenir des hydrocarbures.

Figure 2. Probabilits de prsence de largile

Techniques Fuzzy ART & RNA MMC pour lithofacis

Figure 3. Llithofacis obtenu par le systme hybride aux profondeurs 2712-2733 m

5. Les systmes bass ART


Dans la seconde partie de notre tude, nous avons dvelopp deux systmes bass sur la thorie de la rsonance adaptative ou Adaptive Resonance Theory ART : ART1 et Fuzzy ART, que nous avons appliqu une identification des types de roches diffrentes profondeurs du puits RHA6 situ dans la province triasique du sahara algrien. Lobjectif est de comparer les lithofacis obtenus par le modle hybride avec ceux obtenus par les systmes ART. Fuzzy ART est lun des plus populaires membres de la famille des RNA bass sur la thorie de la rsonance adaptative [2] et rsolvant le dilemme stabilit/plasticit. Cest un algorithme de groupage de donnes utilisant des oprateurs de la logique floue et capable de reconnatre des catgories stables ou groupes partir de donnes numriques ou analogiques. Fuzzy ART est une gnralisation donc une version modifie de lalgorithme ART1 qui nopre que sur des donnes binaires. Il ralise un RNA ayant deux couches compltement relies entre elles : une couche de comparaison F1 et une couche de comptition F2. Ces deus couches sont actives par une entre a code par le complment I (figure 4). Cet algorithme propose une catgorisation originale avec des classes sous forme dhyperrectangles et un codage en complment des entres. Chaque hyper-rectangle est reprsent par un prototype, le poids du neurone, qui est dfini par un vecteur de dimension 2M :Wj=(Wj1,Wj2,,W2M) o j est lindice du neurone et M la dimension de lentre a. La dimension 2M du prototype est drive du codage en complment de : I =(a,1- a) Lalgorithme Fuzzy ART (voir [2]) est plus rapide que les procdures itratives de convergence utilises dans les autres RNA. Le choix du paramtre de vigilance est crucial pour la fidlit de la similitude et donc pour le degr de rsolution
5

de la classification. Le systme que nous avons dvelopp et implment inclue les rseaux ART1 et Fuzzy ART et a t appliqu avec succs la classification lithologique.

Figure 4. Diagramme bloc du rseau de neurones Fuzzy ART

Nous prsentons en figure 5 le lithofacis du puits RHA6 obtenu par la mthode fuzzy ART. Comme pour le systme hybride, six classes de roche ont t dtectes et le lithofacis obtainu montre globalement la mme structure, except entre les profondeurs 2812 et 2878 mtres o on remarque une alternance de sable et dargile spare par du grs argileux et du sable grossier.

Figure 5. Lithofacis du puits RHA6 obtenu par la mthode Fuzzy ART (les profondeurs sont exprmes en mtres)

Techniques Fuzzy ART & RNA MMC pour lithofacis

6. Comparaison
En considrant les lithofacis complets obtenus par les deux mthodes, nous avons tabli des courbes comparatives. Lune dentre elles (figure 6) montre les classes de roche dtectes par chaque mthode entre les profondeurs 2861 et 2920 mtres.

Figure 6. Courbe comparative entre le lithofacis obtenu par les systmes bass ART et celui obtenu par le systme hybride RNA-MMC aux profondeurs 28612920 mtres

Nous pouvons remarquer que les deux mthodes ont donn des facis trs proches particulirement aux profondeurs 2861-2912 m et 2916-2920 m.

7. Conclusion
Nous venons de prouver que les approches RNA et MMC peuvent tre une alternative fiable quant linterprtation humaine applique la caractrisation de rservoirs. Nous avons introduit le systme hybride pour rendre le processus didentification du lithofacis plus intelligent en modlisant les squences verticales du lithofacis comme une squence dvnements enchans par des probabilits de transition. Les systmes bass ART ont t utiliss afin de vrifier que les rsultats obtenus par le systme hybride sont gologiquement plausibles. Comme perpectives, le systme hybride peut tre amlior de diffrentes manires (RNA rcurrent, algorithme de Viterbi comme processus dapprentissage du RNA, etc.). En outre, dautres points peuvent tre amliors comme la slection des mesures de diagraphie anisi que lintraction de lexpert. Plus rcemment, dautres ides de systmes hybrides ont merg pour la caractrisation intelligente de rservoirs [8,11]. Nous pensons enfin que si nous combinons les donnes diagraphiques et sismiques avec les informations stratigraphiques, nous pourrons gnrer des modles lithologiques plus fiables.

8. Rfrences
[1] H. AIDER, Contribution of differed well logs to reservoir parameter evaluation. 2nd scientific and technical days of the Sonatrach Algiers, Ap 21-24, pp 115-130, 1996. [2] G. A. CARPENTER et al, Fuzzy artmap: a neural network architecture for incremental supervised learning of analog multidimensional maps. IEEE Transactions on Neural Networks, 3(5):698-713, Sep. 1992. [3] S. CHIKHI, Probabilistic neural method combined with radial-bias functions applied to reservoir characterization in the Algerian Triassic province. Journal of Geophysics and Engineering. Vol 1 N2, pp 134-142, June 2004. [4] M. COHEN et al, Combining neural networks and hidden Markov models for continuous speech recognition. ARPA Continuous Speech Recognition Workshop, Stanford University, September 21-22, 1992. [5] Y. DONSUK and J. FLANAGAN, Telephone speech recognition using neural networks and hidden Markov models. Proc. of the IEEE Int. Conf. on Acoustics, Speech and Signal Processing (ICASSP), vol. 1, pp 157-160, March 15-19, 1999. [6] F. FOURNIER, Analyse automatique de facis diagraphiques et sismiques. Runion technique Socit pour lAvancement de lInterprtation des Diagraphies SAID-Union Franaise des Gologues UFG du 25 Juin 2002. [7] H. FRANCO et al, Context-dependent connectionist probability estimation in a hybrid HMM-Neural net speech recognition system. Proc. IJCNN, Beijing, 1992. [8] T.D. GEDEON et al, Neural networks and hybrid neuro-fuzzy methods for improved. mineral prospectivity analysis and target identification. Mineral Exploration. ARC SPIRT Project Grant. Murdoch University, 2003. [9] J. LIU et al, End-to-End Inference of Loss Nature in a Hybrid Wired/Wireless Environment. Proceedings of WiOpt'03: Modeling and Optimization in Mobile, Ad Hoc and Wireless Networks, 2003. [10] N. ORIO et al, Score Following: State of the Art and New Developments. Proceedings of the 2003 Conference on New Interfaces for Musical Expression (NIME03), Montreal, Canada, 2003. [11] E. PLATON et al, Pattern matching in facies analysis from well log data - a hybrid neural network-based application. AAPG Conference and Exhibition, Barcelona, Spain. September 21-24, 2003.