Un opérateur neuronal pour assimiler des données pétrolières

MMarc

Une étude publiée sur arXiv propose un cadre bayésien pour ajuster l’historique de production pétrolière, avec un modèle de substitution destiné à accélérer les calculs. Les auteurs l’évaluent sur un modèle synthétique réaliste de 100 188 cellules, une représentation numérique du réservoir utilisée pour tester l’assimilation successive de plusieurs types d’observations. Le cadre commence par les données de production, puis intègre aussi des données de sismique 4D, qui décrivent l’évolution des signaux sismiques au fil du temps. Le modèle de substitution est un opérateur neuronal de Fourier entraîné en boucle fermée, avec une pénalité PINO fondée sur le résidu discret du modèle black-oil. Son entraînement comprend également une rétropropagation tronquée et une injection de bruit. La stratégie se déroule en 2 étapes : aREKI ajuste d’abord le modèle à partir des données de production, puis ES-MDA assimile conjointement les données de production et celles de sismique 4D. Cette succession permet donc de commencer par les mesures de production avant de faire intervenir les observations sismiques dans l’ajustement. Pendant le déroulement du modèle, la variation de vitesse des ondes P est synthétisée à partir de l’opérateur neuronal et d’une transformation de Gassmann en forme fermée. L’étude décrit ainsi une méthode de recherche évaluée sur un cas synthétique, sans annoncer de produit ni de déploiement opérationnel.