| Titre : | Interprétation Sismique -3D du Bloc D'Horizons Sismiques Cibles-F3 en Zone Off-shore en Mer du Nord à l'Aide de Deep Learning |
| Auteurs : | Chaima KHaldoun, Auteur ; Larouci Chanane, Directeur de thèse ; Aziz khelalef, Directeur de thèse |
| Type de document : | document électronique |
| Editeur : | [S.l.] : [s.n.], 2026 |
| Format : | 1 fichier PDF (12.3 Mo) / ill. |
| Note générale : |
Mode d'accès : accès au texte intégral par intranet.
Mémoire de Projet de Fin d’Études :Génie Minier: Alger, École Nationale Polytechnique : 2026 |
| Langues : | Français |
| Index. décimale : | PG00126 |
| Tags : | interprétation sismique Deep Learning apprentissage semi-supervisé - non supervisé horizons sismiques ResNet/U-Net bloc F3 Demo. |
| Résumé : |
L’interprétation sismique-3D des horizons sismiques cibles du bloc-3, situé en zone Off-Shore
au Sud de la mer du Nord, non loin des côtes néerlandaises, assistée et opérée par les réseaux neuronaux de la branche Deep Learning. Notons le choix de la zone d’étude revient strictement à la disponibilité des données, exploitées à partir de la plateforme TerraNubis, spécialisée dans le partage de données géoscientifiques. Cependant, notre travail de recherche s’inscrit dans l’objectif d’exploration des réservoirs d’hydrocarbures dans n’importe quel environnement géologique dans le monde. Toutefois, cette mission constitue jusqu’à lors une tâche fort complexe et chronophage. À ce titre, ce mémoire de projet de fin d’études propose une méthodologie de travail basée sur l’investigation des réseaux neuronaux de Deep Learning en vue d’automatiser la prédiction des horizons sismiques à partir du jeu de données du bloc F3- Demo, où on a procédé par - une première approche semi-supervisée pour comparer les architectures ResNet et U-Net (64×64 et 32×128) sur l’horizon sismique le plus complexe, Shallow. Les performances de chaque architecture sont évaluées à l’aide de la MAE (Train Loss), de la RMSE (Val-Loss), du learning rate et de la meilleure époque d’ajustement, - une deuxième approche non supervisée est ensuite étudiée et analysée à travers le biais de positionnement des horizons, le seuil de corrélation, le taux de couverture et la concordance entre horizons réels et prédits. Les résultats obtenus confirment que l’architecture ResNet 32×128 est le modèle le plus performant avec MAE = 2.0 ms, médiane = 1.9 ms, écart-type = 1.6 ms, couverture = 84.5 %, 95.3 % des points sous 4 ms d’erreur, où il est retenu, de facto, pour la prédiction de l’ensemble des horizons du cube sismique- F3, en raison de sa robustesse largement prouvée, ainsi que sa grande capacité de généralisation avec MAE comprise entre 1.7 et 2.5 ms sur l’ensemble des sept horizons du cube 3D-complet et l’excellente qualité de ses prédictions. Ce travail de recherche démontre le fort potentiel du Deep Learning dans l’efficacité de l’automatisation, de la meilleure précision de prédiction et de la bonne fiabilité de l’interprétation sismique. |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité | Spécialité | Etat_Exemplaire | ||||
|---|---|---|---|---|---|---|---|---|---|---|---|
| EP01133 | PG00126 | Ressources électroniques | Bibliothèque centrale | Projet Fin d'Etudes | Disponible | Genie_minier | Téléchargeable |
