Système automatisé de classification lithologique utilisant l’apprentissage automatique

Abstract

Ce travail présente une approche innovante basée sur l’intelligence artificielle et l’appren-tissage automatique pour l’interprétation des logs de puits, visant à surmonter les limitations des méthodes traditionnelles. En appliquant des algorithmes de gradient boosting (XGBoost, CatBoost, LightGBM) à neuf puits des réservoirs ordovicien et triasique situés en périphérie du champ de Hassi Messaoud dans la région de Touggourt, le système développé a permis d’atteindre des performances remarquables dans la prédiction des propriétés pétrophysiques et lithologiques. Pour les cibles abondantes, le modèle a obtenu par régression directe un R2 de 0,9828 pour le volume d’argile (VCL), 0,9055 pour le Quartz et 0,8564 pour la porosité effective (PIGE). Pour les lithologies sporadiques, la détection des roches ignées et autres minéraux rares a montré une précision de 96-97% avec des F1-scores de 0,95, tandis que leur quantification a permis d’atteindre des R2 de 0,9391 et 0,8140 respectivement. Enfin, la discrimination des lithologies rarement présentes a atteint une précision de 97% avec des F1-scores entre 0,91 et 0,98 pour quatre faciès (calcite, dolomite, anhydrite, halite). La validation externe sur un puits indépendant a confirmé la robustesse du système avec une identification à 100% des réservoirs productifs et 80% de caractérisation parfaite. Ce système réduit significativement le temps de traitement de plusieurs heures à quelques minutes, tout en offrant une indépendance vis-à-vis des licences propriétaires (Techlog, Petrel), conférant à Sonatrach une autonomie stratégique précieuse.