EP4602249A1 - Procede pour predire une diagraphie pendant le forage d'un puits - Google Patents

Procede pour predire une diagraphie pendant le forage d'un puits

Info

Publication number
EP4602249A1
EP4602249A1 EP23782211.9A EP23782211A EP4602249A1 EP 4602249 A1 EP4602249 A1 EP 4602249A1 EP 23782211 A EP23782211 A EP 23782211A EP 4602249 A1 EP4602249 A1 EP 4602249A1
Authority
EP
European Patent Office
Prior art keywords
well
depth
learning
log
curve
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP23782211.9A
Other languages
German (de)
English (en)
Inventor
Antoine BOUZIAT
Christophe CORNET
Jean-Francois Lecomte
Patrick Rasolofosaon
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
IFP Energies Nouvelles IFPEN
Original Assignee
IFP Energies Nouvelles IFPEN
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by IFP Energies Nouvelles IFPEN filed Critical IFP Energies Nouvelles IFPEN
Publication of EP4602249A1 publication Critical patent/EP4602249A1/fr
Pending legal-status Critical Current

Links

Classifications

    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B47/00—Survey of boreholes or wells
    • E21B47/02—Determining slope or direction
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
    • E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like

Definitions

  • the present invention relates in particular to the field of geosteering (in English 'Geosteering') which aims to guide the drilling operations of a well in an underground formation, as a function of measurement results (generally logging and seismic measurements) carried out in real time. More specifically, the invention relates to a method for predicting the values of a log in a well beyond the bit, simultaneously with the drilling of this well, with a view in particular to guiding the drilling of the well beyond the depth of the bit. drilling of the well, based on the prediction of the log values.
  • Geoguiding consists of orienting in real time the direction of a drilling well, from an initial plan, determined from a model of the structures of the underground formation constructed upstream, and logging measurements taken during drilling .
  • geoguiding involves adjusting the position of the borehole (tilt and azimuth angles) on the fly, to reach one or more geological targets.
  • the objective is generally to orient the direction of the well towards an area of the underground formation containing hydrocarbons.
  • geoguiding can be used to maintain a wellbore within a particular section of a reservoir to minimize gas or water breakthroughs and maximize economic production from the well.
  • Geoguiding requires the construction upstream of a model of the underground formation, also called a geological model.
  • the geological model is then updated with the new geological information, along with the well plan to achieve the corrected geological targets.
  • Prior art The following documents will be cited during the description: - Berg, CR, & Newson, AC (2013, August). Geosteering using true stratigraphic thickness. In SPE/AAPG/SEG Unconventional Resources Technology Conference. OnePetro. - Lallier, F., Caumon, G., Borgomano, J., Viseur, S., & Antoine, C. (2009). Dynamic time warping for stochastic stratigraphic well correlation. Search and Discovery Article, 40473.
  • Inversion is also necessary because drilling can cover a given stratigraphic interval from bottom to top as well as from top to bottom.
  • the scale factor which allowed the matching of the two records is directly linked to the inclination of the horizontal well.
  • this method relies, as in any known geoguiding technique, on real log measurements, measured on the fly, which are only valid strictly up to the bit.
  • this method has the disadvantage of requiring at least a seismic recording system, on the one hand of the echoes coming from the geological formations in front of the tool, and on the other hand of the vibrations of the bit itself so as to eliminate in post-processing the signature of this seismic source to refine the imagery.
  • This technique is therefore more cumbersome to implement than methods based on simple logs.
  • This technique therefore has the disadvantage of requiring both seismic sources and sensors in the field, but also requires seismic processing which can be significant.
  • the present invention makes it possible to overcome these drawbacks.
  • the method according to the invention aims to predict values of a log beyond the depth of the drilling bit of a well, values which can be directly exploited by conventional geoguiding methods, instead of values actually measured from the log but to the depth of the bit only. Predictions in front of the bit can identify, in advance and during drilling, future changes in lithology (e.g. transition from clay cover to reservoir) which is important information that can be immediately used as input data of any geoguiding process.
  • Summary of the invention relates to a method for predicting, during the drilling of a well in an underground formation, the values of a log beyond the depth of the drilling bit of said well, in particular with a view to guiding drilling said well beyond the depth of said drill bit of said well based on said prediction.
  • Said method is characterized in that at least the following steps are carried out: A. a learning curve of said logging is acquired as a function of the depth in at least one learning well, by means of a logging tool, said depth of said training well extending beyond the depth of the drill bit of said well; B. a curve of said logging as a function of the depth in said well is acquired, by means of said logging tool, said second curve being acquired up to said depth of the drilling bit of said well; C. for each of said learning curves of said logging, up to said depth of the drilling bit of said well, said learning curve of said logging acquired in said learning well is matched with said curve of said log acquired in said well, by means of a method for searching for similarity between signals recorded on different scales; D.
  • a model to predict said logging in said well by means of a supervised automatic learning method which is trained on a learning base comprising said learning curves of said logging matched up to said depth of the drill bit of said well with said curve acquired in said well, as well as said curve of said log as a function of depth in said well;
  • E. optionally, if a plurality of learning curves of said logging have been acquired, said learning curves are matched to each other at means of said method of searching for similarity between signals recorded on different scales;
  • a learning curve is constructed composed of said log, formed on the one hand by the portion of said learning curve of said log matched with said curve of said log until at the depth of said bit, and on the other hand by the portion of said learning curve, optionally matched with said other learning curves when a plurality of learning curves of said logging have been acquired, for the depths beyond said depth of said bit; and G. predicting said values of said log in said well at least beyond said depth of said drill bit of said well by applying said model for predicting said log in said well constructed in step D) to said learning curves composed.
  • said method of searching for similarity between signals recorded on different scales can be the dynamic time warping method.
  • said log can be a log of natural radioactivity.
  • said supervised machine learning method can be chosen from the following list: the random forest method, extremely random decision trees, and gradient amplification.
  • steps B) to G) can be repeated for a succession of depths of said well drilling bit.
  • the invention further relates to a method for geoguiding the drilling of a well, in which, for each depth of a succession of depths of said drilling bit of said well: a) values of a log beyond said depth of the drill bit of said well by means of the method for predicting, during the drilling of a well in a subterranean formation, the values of a log beyond the depth of said drill bit of said well as described below above ; b) a direction of drilling of said well is determined for depths beyond the depth of said drill bit of said well, based at least on said values of said log predicted beyond the depth of the drill bit of said well.
  • the invention relates to a method for predicting, during the drilling of a well in an underground formation, the values of a log beyond the depth of the drilling bit of the well, in particular with a view to guiding drilling the well based on the prediction.
  • the prediction of the values of a log is carried out for a well, hereinafter called "target well", at an instant of advancement of the monitoring tool. drilling in this well, in other words at a depth of the drilling bit of the well.
  • the objective is to predict values from a log, which has been measured to the depth of the drill bit of the target well, beyond the depth of the drill bit of the target well.
  • this prediction is made from a curve of the log measured in the target well to the depth of the bit, and from at least one curve of the same log measured in a another well in the underground formation, subsequently called a “learning well”, extending beyond the depth of the bit.
  • the method according to the invention aims to predict values of a log in a target well, beyond the depth of the bit, from logs measured in learning well extending beyond the depth of the bit.
  • the training well(s) pass through the same underground formation as the target well.
  • a learning well may pass through a geological analogue of the subterranean formation.
  • a logging results from a measurement carried out using a logging tool (or a probe) moving in a well.
  • the result of a log measurement is a curve representative of the variations of a characteristic of a geological formation as a function of the depth in the well.
  • logs include gamma ray logs, sonic logs, apparent density logs, electrical logs or well imaging logs.
  • the predicted log can be the natural radioactivity log, called Gamma-Ray log or even GR log.
  • GR logs measure natural radioactivity in underground formations. They can be used to identify lithologies and to correlate depth intervals from one well to another.
  • GR logging is preferred here because of its strong potential for geoguiding.
  • the method according to the invention comprises at least the following steps: 1) Acquisition of a learning curve of the logging in at least one learning well 2) Acquisition of a curve of the logging in the target well 3) Matching each learning curve to the target well curve down to the drill bit depth of the target well 4) Building a model to predict logging in the target well 5) Matching the d curves learning between them (Option) 6) Construction of a learning curve of the compound logging 7) Prediction of the logging in the target well beyond the depth of the bit
  • step 1) can be carried out only once, beforehand, and steps 2) to 7) of the process can be repeated progressively.
  • the method according to the invention comprises steps implemented by IT means (a computer), in particular steps 3) to 7).
  • the computing means may include data processing means (a processor) and data storage means (a memory), as well as an input and output interface for entering data and restoring the results of the method.
  • steps 2) to 7) can be carried out in real time during a drilling operation, so as to possibly implement well drilling geoguiding.
  • the steps of the process according to the invention are detailed below. 1) Acquisition of a learning curve of the logging in at least one learning well During this step, a learning curve of the logging of interest is acquired as a function of the depth in at least one well learning, using a logging tool. This acquisition can be carried out during drilling of the training well or after the training well has been drilled.
  • a training well is a well whose depth extends beyond the depth of the drill bit of the target well (preferably beyond at least 10 meters, very preferably at -beyond at least 20 meters), in order to predict the logging for depths beyond the depth of the bit.
  • a learning curve acquired in a training well according to the invention includes log values for depths going beyond the depth of the bit of the target well.
  • the method according to the invention requires at least one learning well, preferably at least 2, very preferably at least 5.
  • the invention is particularly configured to be relevant from the oil exploration phase, when few wells are available. It is clear that the prediction of the logging will be all the more reliable as the number of training wells increases.
  • the learning curves of the logging of interest can have depth scales which are distinct from each other, but also from the depth scale of the logging curve measured in the target well. Indeed, the geological layers of an underground formation are rarely flat and horizontal. In addition, the thickness of geological layers can vary laterally. Thus, the recording of a log corresponding to values measured as a function of depth, a value representative of the same geological event (for example a boundary of geological layers) may not necessarily be at the same depth in a well than in another. 2) Acquisition of a logging curve in the target well During this step, a curve of the logging of interest is acquired as a function of the depth in the target well, using the logging tool that has been used during step 1).
  • the logging curve is acquired up to the depth of the drilling bit of the target well, knowing that it is precisely desired to predict the logging beyond the depth of the bit.
  • the curve of the log recorded in the target well may have a depth scale distinct from the depth scale of the learning curves.
  • a value representative of the same geological event for example a boundary of geological layers
  • each learning curve is matched with the curve measured in the target well to the depth of the well drill bit, using a method of searching for similarities between signals recorded at different scales. More precisely, such a method of searching for similarity between signals recorded on different scales aims to match the events of one curve with the homologous events of another curve. In other words, this step aims to match the events of a curve measured in a training well with the homologous events of the curve measured in the target well, up to the depth of the drill bit of the target well. He's good clear that we then obtain a learning curve whose events are scaled to the curve measured in the target well. In other words, the matching is carried out by considering the curve measured in the target well as a reference.
  • Figures 1A to 1E illustrate the principle of this matching. More precisely, Figures 1A and 1B respectively present a curve C1 and a curve C2 of the measurement of the natural radioactivity GR as a function of the depth Z, the curve C1 having been measured in a training well and the curve C2 having been measured in the target well. It can be observed that curves C1 and C2 present homologous events, but shifted along the abscissa axis.
  • Figure 1C illustrates, via gray lines, a correspondence of homologous events of curves C1 and C2 detected by means of a method of searching for similarity between signals recorded on different scales (in this case the deformation method dynamic time described below).
  • FIGS 1D and 1E show the difference between curves C1 and C2, respectively before and after matched. It can be observed in these figures that the difference between the curves C1 and C2 is clearly less significant after the matching than before the matching. More precisely, the standard deviation of the difference between the C1 and C2 curves goes from 16% to less than 4% of the maximum amplitude of the GR natural radioactivity measurement, after matching.
  • we can use the Dynamic Time Warping method (known by the acronym DTW for 'Dynamic Time Warping' in English) to carry out the matching.
  • the DTW not only precisely quantifies the difference between these recordings, but above all automatically puts into temporal correspondence the homologous events observed in these two recordings. It is also clear that this technique, although called dynamic time warping, can be applied to any signal whose abscissa axis is different from time, in this case whose abscissa axis corresponds to depth.
  • the paper (Sakoe and Chiba, 1978) describes the original implementation of the DTW method as described below. Let X(i) and Y(j) be two signals (here temporal, but the technique can be applied to any signal) to be matched.
  • the matching function (in English 'Warping Function') of the homologous indices i and j of the signals X and Y respectively, is defined as follows: let N be the number of samples of the signals X and Y. We start from the hypothesis that the pairs of points (X(1), Y(1)) and (X(N), Y(N)) are the first and last homologous points respectively. Then, starting from the Nth homologous point, the (N-1) th pair of homologous points is the one whose cost density function corresponds to ⁇ ( ⁇ ( ⁇ , ⁇ ⁇ 1), ⁇ ( ⁇ ⁇ 1, ⁇ ⁇ 1), ⁇ ( ⁇ ⁇ 1, ⁇ )), and so on recurrently.
  • the (i-1) th pair of homologous points is the one which corresponds to ⁇ ( ⁇ ( ⁇ , ⁇ ⁇ 1), ⁇ ( ⁇ ⁇ 1, ⁇ ⁇ 1), ⁇ ( ⁇ ⁇ 1, ⁇ ) and so on until the first pair of points (X(1), Y(1)). From the correspondence function, we determine for example a signal Y matched with the signal X. It is clear that we can use any improvement of this technique Alternatively, we can use the method of searching for similarity between signals recorded according to different scales written in the document (Lallier et al., 2009), which concerns a variation of.
  • the DTW method applied to the correlation of geological horizons between wells This method differs from the method of (Sakoe and Chiba, 1978) not only by the fact that the curves considered are in depth and not in time, but above all by. the fact that it uses a stochastic technique of stratigraphic well correlations, the aim being to automatically generate several possible sets of well correlations taking into account the interpretations made along the well trajectories.
  • the probability of correlation of each stratigraphic marker and the interval identified along the well path is calculated using: - information available on the interpreted well (e.g.
  • a model is constructed to predict the logging in the target well, using a supervised machine learning method (in English 'Supervised Machine Learning') which is trained on a learning base comprising: - the learning curve(s) matched, up to said depth of the drilling bit of the well, with the curve of the logging measured in the target well.
  • a supervised machine learning method in English 'Supervised Machine Learning'
  • These curves correspond to the input data of the supervised machine learning method during this training phase; - the curve measured in the target well. This curve corresponds to the output to be reproduced by the supervised machine learning method during this training phase.
  • any of the following methods can be used as a supervised machine learning method: the random forest method, extremely random decision trees (in English 'Extremly Random Trees'), gradient amplification (in English 'Gradient Boosting'), the support vector machine (in English 'Support Vector Machine'), the generalized linear model (in English 'General Linearized Model'), the generalized additive model (in English 'Generalized Additive Model') or the feedforward neural network (in English 'Feedforward Artificial Neural Network') for deep learning (in English 'Deep Learning').
  • the random forest method extremely random decision trees (in English 'Extremly Random Trees'), gradient amplification (in English 'Gradient Boosting'), the support vector machine (in English 'Support Vector Machine'), the generalized linear model (in English 'General Linearized Model'), the generalized additive model (in English 'Generalized Additive Model') or the feedforward neural network (in English 'Feedforward Artificial Neural Network')
  • the supervised machine learning method can be chosen from the following list: the random forest method, extremely random decision trees, and gradient boosting. It has in fact turned out that for a certain number of application examples on which the method according to the invention was implemented, the three aforementioned methods were most often ranked among the most efficient in terms of reliability. of the prediction. According to a very preferred implementation of the invention, the gradient amplification method can be used.
  • Gradient boosting uses two concepts, namely Ensemble Machine Learning and Machine Learning Boosting.
  • Ensemble machine learning learning models are fitted to data individually or combined into an ensemble.
  • the set is a combination of simple individual models that together create a new, more powerful model.
  • machine learning reinforcement is a particular method of creating sets in the following way. First of all it starts by fitting an initial model to the data (for example by linear regression or decision tree). Then the next model is constructed in such a way as to make the prediction of cases where the first model performs poorly more precise. The combination of these two models is better than either of the previous two models taken separately.
  • gradient boosting is a special type of boosting in machine learning.
  • the general principle is that the next best possible model, when combined with previous models, minimizes the overall prediction error.
  • the name 'gradient amplification' comes from the fact that the target results for each case are defined according to the gradient of the error relative to the prediction. More precisely, each new model takes a step in the direction that minimizes the prediction error, in the space of possible predictions for each learning case. 5) Matching the learning curves to each other (Option) This step is optional and will only be implemented if a plurality of logging learning curves have been acquired.
  • this optional step we implement matches the learning curves to each other, using a method of searching for similarities between signals recorded on different scales.
  • this step if we have several learning wells and if a logging curve has been recorded in each of these learning wells, we match the curves recorded for each of these wells. Indeed, each logging curve has its own scale, due to the fact that the geological layers are not plane, horizontal, and laterally isometric.
  • the matching is carried out by choosing as a reference the learning well whose distance from the target well is the smallest, preferably whose distance from the target well is the smallest at the depth of the drill bit of the target well.
  • This allows the learning curves to be matched to each other with, in principle (depending on the stratigraphy), the least difference in scale compared to the curve acquired in the target well.
  • a compound logging learning curve is constructed, formed on the one hand by the portion of the learning curve matched with the curve up to the depth of the bit, and on the other hand by a portion of the learning curve, optionally matched with the other learning curves when a plurality of curves logging learning skills have been acquired, for depths beyond the depth of the bit.
  • a compound curve is constructed, the part of which above the depth of the bit corresponds to the curve measured in this learning well and matched with the curve measured in the target well.
  • the logging of interest in the target well can be predicted beyond the depth of the drill bit of the target well, but also for depths below the depth of the drill bit. of the target well. This can make it possible to check the quality of the model built in step 4) in the part below the depth of the drill bit of the target well, by comparing the values of the predicted log to those of the measured log.
  • the log of interest in the target well can be predicted only beyond the depth of the drill bit of the target well. This makes it possible to reduce the execution time of the method according to the invention, and thus to provide a predicted logging curve more quickly, which is advantageous for the purpose of geoguiding the drilling of the target well in real time.
  • the method according to the invention makes it possible to predict the values of a log in the target well at least beyond the depth of the drilling bit of the well.
  • the method can advantageously be implemented simultaneously with the drilling of this well, with a view to guiding the drilling of the well beyond the depth of the drilling bit of the well, depending on the prediction of the log values.
  • the geoguiding methods according to the prior art use real values of the logging, measured up to the depth of the bit only, whereas the method according to the invention determines predicted values of the logging beyond the depth. depth of the bit, which can therefore be directly exploited by geoguiding methods.
  • step 1) can be carried out only once, and steps 2) to 7) as the target well is drilled, for example for a succession of depths.
  • steps 2) to 7) of the method can be repeated for a succession of depths of the well drilling bit, for example every 10m, preferably every 5m, preferably every the 1m.
  • steps 2) to 7) of the method can be repeated for a succession of time steps during drilling of the target well, for example every 60 minutes, preferably every 30 minutes, preferably every 10 minutes , these durations being predefined according to the speed of progress of the drilling of the well (typically between 1.5m/hour and 15m/hour).
  • the invention further relates to a method for geoguiding the drilling of a well, in which, for each depth of a succession of depths of the drilling bit of said well: a) values of a log beyond the depth of the drill bit of said well by means of the method for predicting, during the drilling of a well in a subterranean formation, the values of a log beyond the depth of the drill bit of the well as described below above ; b) determining the direction of drilling of the well for depths beyond the depth of the well drill bit, based at least on the predicted log values beyond the depth of the well drill bit.
  • step b) Those skilled in the art have perfect knowledge of the means for carrying out step b) above since, in the field of geoguiding, they determine the direction of drilling the well from of logging curves actually measured, whereas in the present case, it is sufficient to consider the logging curves predicted according to the invention in addition. According to one implementation of the invention, it is possible to apply, during step b), the technique described in the document (Berg and Newson, 2013) already mentioned above, and which concerns a geoguiding method making it possible to use only Gamma-ray logs, but using the predicted log curves according to the invention beyond the depth of the well drilling bit and not only the actually measured log curves.
  • the method described in the document (Wang, 2017) can be applied using the logging curves predicted according to the invention beyond the depth of the drill bit of the well, and not only the curves of actually measured logs.
  • in step b) at least the inclination and azimuth angles of the trajectory of the well are determined for depths extending between 10 and 20 m beyond the depth of the drill bit, for each depth of the drill bit of the well in the succession of depths of the drill bit of the well.
  • FIG. 2A presents a logging curve of natural GR radioactivity measured in a target well, subsequently denoted T (curve denoted T in Figure 2A).
  • T curve denoted T in Figure 2A.
  • the target well passes through a 6 meter oil column in the Barrow Group sandstones. This well also crosses aquiferous sands, with a thin column of oil, marls and shales.
  • Figures 2B and 2C present the natural radioactivity logging curves GR measured respectively in well L1 and in well L2 (curves denoted L1 and L2 in Figures 2B and 2C).
  • L1 and L2 curves denoted L1 and L2 in Figures 2B and 2C.
  • the method according to the invention is applied considering that the depth of the drilling bit in the target well is 3100m.
  • the GR curves of wells L1 and L2 are matched with the GR curve of the target well T up to the depth of 3100m, using the method described in the document ( Sakoe and Chiba, 1978) cited above.
  • the method according to the invention is implemented using the gradient boosting method as a supervised automatic learning method.
  • the training of this machine learning method is carried out on the GR curves of wells L1 and L2 matched with the GR curve of the target well T up to a depth of 3100m, as well as on the GR curve of the target well T
  • a model for predicting a log here a GR log
  • step 5) described above the GR curves of wells L1 and L2 are matched with each other, taking as reference the well L1 which is the learning well closest to the target well T.
  • step 6 compound learning curves are generated for the learning wells L1 and L2, formed by the portion of the GR curves of these wells up to the depth of 3100m after their implementation. in correspondence with the target well T, and by the portion of the GR curves of wells L1 and L2 beyond the depth of 3100m after their correspondence with each other.
  • the model for predicting a log in the target well constructed according to step 4) is then applied to the compound learning curves constructed as described above in step 6).
  • Figure 3A presents the GRP curve which is the GR curve predicted by the model, as well as the GRM curve which is the actually measured GR curve
  • Figure 3B presents the difference between these two curves.
  • the predicted GRP curve is perfectly consistent with the actually measured GRM curve from 3100 m to 3200 m, i.e. up to a depth of 100m beyond the depth to which the model was trained (depth of the bit in the process according to the invention). Indeed, in this depth range, the error quantified by the standard deviation of the difference between the GR curve predicted by the model according to the invention and the GR curve actually measured is less than 2% of the maximum amplitude of the GR curve actually measured. Beyond 3200m, the errors increase significantly, and exceed 10% on average of the maximum amplitude of the actual GR measurement.
  • the application of the method according to the invention made it possible to reliably predict a log (here a GR log) beyond the depth of the drilling bit of the well, over a hundred meters.
  • a log here a GR log
  • the calculation time of the method according to the invention is significantly lower, typically of the order of a few minutes.
  • the updating of the logging prediction can be done almost in real time.
  • the present invention makes it possible to predict log responses at depths not yet reached by drilling, typically at multidecametric distances in front of the bit during drilling, with a view in particular to guiding drilling to such distances from these predictions, and not only from actual measurements, as according to the prior art.

Landscapes

  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Geology (AREA)
  • Mining & Mineral Resources (AREA)
  • Geophysics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Fluid Mechanics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

L'invention concerne un procédé pour prédire une diagraphie au-delà de la profondeur du trépan de forage d'un puits. A partir d'au moins une courbe d'apprentissage de la diagraphie acquise dans un puits d'apprentissage de profondeur supérieure à celle du trépan mise en correspondance avec une courbe de la diagraphie acquise dans le puits, on construit un modèle pour prédire la diagraphie dans le puits au moyen d'une méthode d'apprentissage automatique supervisé. Pour chaque courbe d'apprentissage, on construit une courbe d'apprentissage composée formée par la portion de la courbe d'apprentissage mise en correspondance avec la courbe du puits jusqu'au trépan, et par la portion de la courbe d'apprentissage mise en correspondance avec les autres courbes d'apprentissage au-delà du trépan. On prédit les valeurs de la diagraphie dans le puits au-delà de la profondeur du trépan en appliquant le modèle aux courbes d'apprentissage composées.

Description

PROCEDE POUR PREDIRE UNE DIAGRAPHIE PENDANT LE FORAGE D’UN PUITS Domaine technique La présente invention concerne notamment le domaine du géoguidage (en anglais ‘Geosteering’) qui vise à guider les opérations de forage d’un puits dans une formation souterraine, en fonction de résultats de mesures (généralement des mesures diagraphiques et sismiques) réalisées en temps réel. Plus précisément, l’invention concerne un procédé pour prédire les valeurs d’une diagraphie dans un puits au-delà du trépan, simultanément au forage de ce puits, en vue notamment de guider le forage du puits au-delà de la profondeur du trépan de forage du puits, en fonction de la prédiction des valeurs de la diagraphie. Le géoguidage consiste à orienter en temps réel la direction d’un puits de forage, à partir d’un plan initial, déterminé à partir d’un modèle des structures de la formation souterraine construit en amont, et de mesures diagraphiques réalisées pendant le forage. Ainsi, dans le processus de forage d'un trou de forage, le géoguidage consiste à ajuster la position du trou de forage (angles d'inclinaison et d'azimut) à la volée, pour atteindre une ou plusieurs cibles géologiques. Dans le domaine de l’exploration pétrolière, l'objectif est généralement d’orienter la direction du puits vers une zone de la formation souterraine comportant des hydrocarbures. Dans les zones matures, le géoguidage peut être utilisé pour maintenir un puits de forage dans une section particulière d'un réservoir afin de minimiser les percées de gaz ou d'eau et de maximiser la production économique du puits. Le géoguidage nécessite la construction en amont d’un modèle de la formation souterraine, appelée aussi modèle géologique. Ces modèles, bien connus et largement utilisés dans l’industrie pétrolière, se doivent d'être représentatif des limites des couches géologiques ainsi que des roches constitutives de ces couches. Ce type de maquette du sous-sol est le plus souvent représenté sur un ordinateur, par un maillage ou grille, généralement tridimensionnel, chaque maille étant caractérisée par une ou plusieurs propriétés pétrophysiques (faciès, porosité, perméabilité, etc). La construction d’un tel modèle, qui doit notamment refléter la géométrie des limites de couches géologiques, nécessite au moins une interprétation d'une image sismique, obtenues à la suite d’une acquisition sismique et d’un traitement sismique. Le remplissage des mailles en valeurs nécessite aussi des techniques d’analyse à la fois de données sismiques (par exemple via une inversion stratigraphique) et de données diagraphiques (par exemple les diagraphies de rayons gamma, soniques, de densité apparente, les diagraphies électriques ou les diagraphies d'imagerie du puits). Ainsi l’obtention d’un modèle géologique est une étape très longue et nécessite l’intervention de plusieurs experts. Pendant que le trou de forage est foré conformément aux informations déduites du modèle géologique, de nouvelles informations géologiques sont recueillies au moyen d’outils diagraphiques. Généralement, une configuration classique d’outils descendus dans un puits comprend des capteurs directionnels et d'inclinaison, ainsi qu'un outil de diagraphie de radioactivité naturelle (« gamma-ray logging tool »). D'autres mesures classiques sont la densité de neutrons, la sismique prospective, les mesures de pression de fond de puits (« downhole pressure »). Les mesures réalisées pendant le forage montrent généralement quelques différences par rapport à ce qui est attendu du modèle. Le modèle géologique est alors mis à jour avec les nouvelles informations géologiques, ainsi que le plan de puits pour atteindre les cibles géologiques corrigées. Technique antérieure Les documents suivants seront cités au cours de la description : - Berg, C. R., & Newson, A. C. (2013, August). Geosteering using true stratigraphic thickness. In SPE/AAPG/SEG Unconventional Resources Technology Conference. OnePetro. - Lallier, F., Caumon, G., Borgomano, J., Viseur, S., & Antoine, C. (2009). Dynamic time warping for stochastic stratigraphic well correlation. Search and Discovery Article, 40473. - Naville, C., Serbutoviez, S., Throo, A., Vincké, O., & Cecconi, F. (2004). Seismic while drilling (SWD) techniques with downhole measurements, introduced by IFP and its partners in 1990-2000. Oil & Gas Science and Technology, 59(4), 371-403. - Sakoe, H., & Chiba, S. (1978). Dynamic programming algorithm optimization for spoken word recognition. IEEE transactions on acoustics, speech, and signal processing, 26(1), 43-49. - Song, F., & Toksoz, M. N. (2009). Model-guided Geosteering for Horizontal Drilling. Massachusetts Institute of Technology. Earth Resources Laboratory. - Wang, Z. (2017). Integrated geosteering workflow for optimal well trajectory. Doctoral dissertation, Memorial University of Newfoundland. Les méthodes de géoguidage connaissent un essor important ces dernières années. On connait notamment le document (Berg et Newson, 2013) qui décrit une méthode de géoguidage permettant de n’utiliser que des diagraphies de radioactivité naturelle (dites diagraphies de Gamma-Ray). En effet, cette méthode consiste à comparer une diagraphie de Gamma-Ray dans un puits horizontal à la diagraphie correspondante dans un puits vertical voisin (le pilote). Selon cette méthode, l'enregistrement diagraphique à partir du puits horizontal est comprimé et/ou inversé jusqu'à ce que l'enregistrement ainsi déformé puisse être mis en correspondance au mieux avec l'enregistrement dans le puits pilote. La compression est nécessaire parce que des intervalles stratigraphiques relativement petits dans le puits pilote seront traversés sur des distances beaucoup plus grandes dans le puits horizontal. L'inversion est aussi nécessaire car le forage peut couvrir un intervalle stratigraphique donné de bas en haut comme de haut en bas. Le facteur d’échelle ayant permis la mise en correspondance des deux enregistrements est directement lié à l’inclinaison du puits horizontal. Toutefois, si cette méthode ne nécessite que peu de données en entrée, cette méthode s’appuie, comme dans toute technique de géoguidage connue, sur des mesures diagraphiques réelles, mesurées à la volée, qui ne sont valables strictement que jusqu’au trépan. On connait également le document (Wang, 2017) qui concerne une méthodologie de géoguidage intégré pour déterminer une trajectoire de puits optimale, combinant des algorithmes géostatistiques, des mesures diagraphiques en cours de forage, et des méthodes de simulation de réservoir. Plus précisément l’'objectif de cette technique intégrée est d'explorer un processus de mise à jour relativement rapide pour l’exploration de champs pétroliers sans structure complexe. Il présente une procédure d'utilisation de réalisations géostatistiques pour piloter le processus de forage et optimiser la trajectoire du puits par rapport aux performances de production. Les réalisations statistiques du réservoir sont mises à jour avec les données diagraphiques en cours de forage tout au long du processus de forage. Toutefois, comme dans toutes les techniques de géoguidage connues, cette méthode s’appuie sur des mesures diagraphiques réelles, qui ne sont disponibles que jusqu’à la profondeur du trépan. On connait aussi le document (Naville et al., 2004), qui concerne la sismique en cours de forage. Cette technique permet, entre autres, d’imager devant l’outil de forage en utilisant le bruit du trépan comme source sismique. Il est donc possible grâce à cette technique de connaitre, en amont du trépan, des changements pouvant impacter le plan de puits initial. Toutefois, cette méthode présente l’inconvénient de nécessiter a minima un système d’enregistrements sismiques, d’une part des échos venant des formations géologiques devant l’outil, et d’autre part des vibrations du trépan lui-même de manière à éliminer en post- traitement la signature de cette source sismique pour affiner l’imagerie. Cette technique est donc plus lourde de mise en œuvre que des méthodes basées sur de simples diagraphies. On connait aussi le document (Song et Toksoz, 2009) qui décrit une méthode qui s’apparente à la sismique en cours de forage mais qui utilisent de vraies sources sismiques au lieu des bruits du trépan. Cette technique présente donc l’inconvénient de nécessiter à la fois des sources et capteurs sismiques sur le terrain, mais requiert également un traitement sismique qui peut être important. La présente invention permet de pallier ces inconvénients. En effet, le procédé selon l’invention vise à prédire des valeurs d’une diagraphie au-delà de la profondeur du trépan de forage d’un puits, valeurs qui peuvent être directement exploitées par des méthodes de géoguidage classiques, au lieu des valeurs réellement mesurées de la diagraphie mais jusqu’à la profondeur du trépan uniquement. Les prédictions devant le trépan peuvent permettre de repérer, à l’avance et pendant le forage, les futurs changements de lithologie (par exemple le passage de la couverture argileuse au réservoir) qui sont des informations importantes pouvant être immédiatement utilisées comme donnée d’entrée de tout procédé de géoguidage. Résumé de l’invention La présente invention concerne un procédé pour prédire, pendant le forage d’un puits dans une formation souterraine, les valeurs d’une diagraphie au-delà de la profondeur du trépan de forage dudit puits, notamment en vue de guider le forage dudit puits au-delà de la profondeur dudit trépan de forage dudit puits en fonction de ladite prédiction. Ledit procédé est caractérisé en ce qu’on réalise au moins les étapes suivantes : A. on acquiert une courbe d’apprentissage de ladite diagraphie en fonction de la profondeur dans au moins un puits d’apprentissage, au moyen d’un outil diagraphique, ladite profondeur dudit puits d’apprentissage s’étendant au-delà de la profondeur du trépan de forage dudit puits ; B. on acquiert une courbe de ladite diagraphie en fonction de la profondeur dans ledit puits, au moyen dudit outil diagraphique, ladite deuxième courbe étant acquise jusqu’à ladite profondeur du trépan de forage dudit puits ; C. pour chacune desdites courbes d’apprentissage de ladite diagraphie, on met en correspondance, jusqu’à ladite profondeur du trépan de forage dudit puits, ladite courbe d’apprentissage de ladite diagraphie acquise dans ledit puits d’apprentissage avec ladite courbe de ladite diagraphie acquise dans ledit puits, au moyen d’une méthode de recherche de similarité entre des signaux enregistrés selon des échelles différentes ; D. on construit un modèle pour prédire ladite diagraphie dans ledit puits au moyen d’une méthode d’apprentissage automatique supervisé que l’on entraine sur une base d’apprentissage comprenant lesdites courbes d’apprentissage de ladite diagraphie mises en correspondance jusqu’à ladite profondeur du trépan de forage dudit puits avec ladite courbe acquise dans ledit puits, ainsi que ladite courbe de ladite diagraphie en fonction de la profondeur dans ledit puits ; E. de manière optionnelle, si une pluralité de courbes d’apprentissage de ladite diagraphie ont été acquises, on met en correspondance lesdites courbes d’apprentissage entre elles au moyen de ladite méthode de recherche de similarité entre des signaux enregistrés selon des échelles différentes ; F. pour chacune desdites courbes d’apprentissage, on construit une courbe d’apprentissage composée de ladite diagraphie, formée d’une part par la portion de ladite courbe d’apprentissage de ladite diagraphie mise en correspondance avec ladite courbe de ladite diagraphie jusqu’à la profondeur dudit trépan, et d’autre part par la portion de ladite courbe d’apprentissage, optionnellement mise en correspondance avec lesdites autres courbes d’apprentissage lorsqu’une pluralité de courbes d’apprentissage de ladite diagraphie ont été acquises, pour les profondeurs au-delà de ladite profondeur dudit trépan ; et G. on prédit lesdites valeurs de ladite diagraphie dans ledit puits au moins au-delà de ladite profondeur dudit trépan de forage dudit puits en appliquant ledit modèle pour prédire ladite diagraphie dans ledit puits construit à l’étape D) auxdites courbes d’apprentissage composées. Selon une mise en œuvre de l’invention, ladite méthode de recherche de similarité entre des signaux enregistrés selon des échelles différentes peut être la méthode de déformation temporelle dynamique. Selon une mise en œuvre de l’invention, ladite diagraphie peut être une diagraphie de radioactivité naturelle. Selon une mise en œuvre de l’invention, ladite méthode d’apprentissage automatique supervisé peut être choisie parmi la liste suivante : la méthode de forêt aléatoire, les arbres de décision extrêmement aléatoires, et l’amplification de gradient. Selon une mise en œuvre de l’invention, on peut répéter les étapes B) à G) pour une succession de profondeurs dudit trépan de forage du puits. L’invention concerne en outre un procédé de géoguidage du forage d’un puits, dans lequel, pour chaque profondeur d’une succession de profondeurs dudit trépan de forage dudit puits : a) on prédit des valeurs d’une diagraphie au-delà de ladite profondeur du trépan de forage dudit puits au moyen du procédé pour prédire, pendant le forage d’un puits dans une formation souterraine, les valeurs d’une diagraphie au-delà de la profondeur dudit trépan de forage dudit puits tel que décrit ci-dessus ; b) on détermine une direction du forage dudit puits pour des profondeurs au-delà de la profondeur dudit trépan de forage dudit puits, en fonction au moins desdites valeurs de ladite diagraphie prédites au-delà de la profondeur du trépan de forage dudit puits. En outre, l’invention concerne un produit programme d'ordinateur téléchargeable depuis un réseau de communication et/ou enregistré sur un support lisible par ordinateur et/ou exécutable par un processeur, comprenant des instructions de code de programme pour la mise en œuvre des étapes C) à G) du procédé tel que décrit ci-dessus, lorsque ledit programme est exécuté sur un ordinateur. D'autres caractéristiques et avantages du procédé selon l'invention, apparaitront à la lecture de la description ci-après d'exemples non limitatifs de réalisation, en se référant aux figures annexées et décrites ci-après. Liste des figures La figure 1A et la figure 1B présentent des courbes de la radioactivité naturelle en fonction de la profondeur mesurées respectivement dans un puits d’apprentissage et dans un puits cible. La figure 1C illustre une mise en correspondance des évènements homologues des courbes des figures 1A et 1B détectés au moyen d’une méthode de recherche de similarité entre des signaux enregistrés selon des échelles différentes. La figure 1D et la figure 1E présentent la différence entre les courbes des figures 1A et 1B, respectivement avant et après mise en correspondance des évènements homologues. La figure 2A, la figure 2B et la figure 2C présentent des courbes de diagraphie de radioactivité naturelle mesurées respectivement dans un puits cible et dans deux puits d’apprentissage. La figure 3A présente une courbe de diagraphie de radioactivité naturelle prédite par le modèle selon l’invention dans le puits cible de la figure 2A, ainsi une courbe de diagraphie de radioactivité naturelle réellement mesurée dans ce puits cible. La Figure 3B présente la différence entre les deux courbes de la figure 3A. Description des modes de réalisation L’invention concerne un procédé pour prédire, pendant le forage d’un puits dans une formation souterraine, les valeurs d’une diagraphie au-delà de la profondeur du trépan de forage du puits, notamment en vue de guider le forage du puits en fonction de la prédiction. Selon l’invention et tel que cela sera décrit plus précisément ci-après, la prédiction des valeurs d’une diagraphie est réalisée pour un puits, dit par la suite « puits cible », à un instant d’avancée de l’outil de forage dans ce puits, autrement dit à une profondeur du trépan de forage du puits. L’objectif est de prédire les valeurs d’une diagraphie, qui a été mesurée jusqu’à la profondeur du trépan de forage du puits cible, au-delà de la profondeur du trépan de forage du puits cible. Comme cela sera décrit ci-après, cette prédiction est réalisée à partir d’une courbe de la diagraphie mesurée dans le puits cible jusqu’à la profondeur du trépan, et à partir d’au moins une courbe de la même diagraphie mesurée dans un autre puits de la formation souterraine, appelé par la suite « puits d’apprentissage », s’étendant au-delà de la profondeur du trépan. Ainsi, le procédé selon l’invention vise à prédire des valeurs d’une diagraphie dans un puits cible, au-delà de la profondeur du trépan, à partir de diagraphies mesurées dans des puits d’apprentissage s’étendant au-delà de la profondeur du trépan. De manière très préférée, le ou les puits d’apprentissage traversent la même formation souterraine que le puits cible. Alternativement, un puits d’apprentissage peut traverser un analogue géologique de la formation souterraine. De manière générale, une diagraphie résulte d’une mesure réalisée à l'aide d’un outil diagraphique (ou encore une sonde) se déplaçant dans un puits. Le résultat d’une mesure diagraphique est une courbe représentative des variations d’une caractéristique d'une formation géologique en fonction de la profondeur dans le puits. Parmi les diagraphies, on peut citer par exemple les diagraphies de rayons gamma, les diagraphies soniques, les diagraphies de densité apparente, les diagraphies électriques ou les diagraphies d'imagerie du puits. Selon une mise en œuvre préférée de l’invention, la diagraphie prédite peut être la diagraphie de radioactivité naturelle, dite diagraphie Gamma-Ray ou encore diagraphie GR. Les diagraphies GR mesurent la radioactivité naturelle dans les formations souterraines. Elles peuvent être utilisées pour identifier les lithologies et pour corréler les intervalles en profondeur d’un puits à un autre. Les grès et les carbonates dépourvus d’argile ont de faibles concentrations de matières radioactives et donnent de faibles réponses GR. À mesure que la teneur en argile augmente, la réponse GR augmente en raison de la concentration de matières radioactives dans les argiles. La prédiction de la réponse Gamma-ray dans un puits devant l’outil de forage peut donc permettre d’informer à l’avance des futurs changements de lithologie (par exemple le passage d’une couverture argileuse à un réservoir). Cela peut permettre de réduire les risques et les couts de forage et d’améliorer le placement du puits. A noter que le procédé selon l’invention peut s’appliquer à toute diagraphie indifféremment. La diagraphie GR est ici préférée en raison de son fort potentiel pour le géoguidage. Le procédé selon l’invention comporte au moins les étapes suivantes : 1) Acquisition d’une courbe d’apprentissage de la diagraphie dans au moins un puits d’apprentissage 2) Acquisition d’une courbe de la diagraphie dans le puits cible 3) Mise en correspondance de chaque courbe d’apprentissage avec la courbe du puits cible jusqu’à la profondeur du trépan de forage du puits cible 4) Construction d’un modèle pour prédire la diagraphie dans le puits cible 5) Mise en correspondance des courbes d’apprentissage entre elles (Option) 6) Construction d’une courbe d’apprentissage de la diagraphie composée 7) Prédiction de la diagraphie dans le puits cible au-delà de la profondeur du trépan Le procédé selon l’invention est mis en œuvre pour une profondeur du trépan de forage du puits. Selon une mise en œuvre de l’invention qui sera plus largement décrite ci-après, l’étape 1) peut être réalisée une seule fois, au préalable, et les étapes 2) à 7) du procédé peuvent être répétées au fur et à mesure du forage du puits cible, par exemple pour une succession de profondeurs du trépan de forage du puits. Selon une mise en œuvre de l’invention, dans le cas où plusieurs diagraphies sont mesurées dans le puits cible, on peut répéter, à une profondeur de trépan donnée, les étapes 1) à 7) du procédé selon l’invention pour chaque diagraphie de la pluralité de diagraphies que l’on souhaite prédire, en vue de prendre en compte la pluralité de diagraphies prédites notamment pour guider le forage du puits au-delà de la profondeur du trépan. Le procédé selon l’invention comprend des étapes mises en œuvre par des moyens informatiques (un ordinateur), notamment les étapes 3) à 7). Les moyens informatiques peuvent comprendre des moyens de traitement des données (un processeur) et des moyens de stockage de données (une mémoire), ainsi qu’une interface d’entrée et de sortie pour saisir des données et restituer les résultats du procédé. Selon un mode de réalisation de l’invention, les étapes 2) à 7) peuvent être réalisées en temps réel pendant une opération de forage, de manière à pouvoir éventuellement mettre en œuvre un géoguidage de forage de puits. Les étapes du procédé selon l’invention sont détaillées ci-après. 1) Acquisition d’une courbe d’apprentissage de la diagraphie dans au moins un puits d’apprentissage Au cours de cette étape, on acquiert une courbe d’apprentissage de la diagraphie d’intérêt en fonction de la profondeur dans au moins un puits d’apprentissage, au moyen d’un outil diagraphique. Cette acquisition peut être réalisée pendant le forage du puits d’apprentissage ou après que le puits d’apprentissage ait été foré. Selon l’invention, un puits d’apprentissage est un puits dont la profondeur s’étend au-delà de la profondeur du trépan de forage du puits cible (de préférence au-delà d’au moins 10 mètres, de manière très préférée au-delà d’au moins 20 mètres), afin de prédire la diagraphie pour des profondeurs allant au-delà de la profondeur du trépan. Il est bien clair qu’une courbe d’apprentissage acquise dans un puits d’apprentissage selon l’invention comprend des valeurs de la diagraphie pour des profondeurs allant au-delà de la profondeur du trépan du puits cible. Le procédé selon l’invention requiert au moins un puits d’apprentissage, de préférence au moins 2, de manière très préférée au moins 5. L’invention est particulièrement configurée pour être pertinente dès la phase d’exploration pétrolière, lors de laquelle peu de puits sont disponibles. Il est bien clair que la prédiction de la diagraphie sera d’autant plus fiable que le nombre de puits d’apprentissage sera grand. Il est bien clair que les courbes d’apprentissage de la diagraphie d’intérêt peuvent avoir des échelles de profondeur qui sont distinctes entre elles, mais aussi de l’échelle de profondeur de la courbe de diagraphie mesurée dans le puits cible. En effet, les couches géologiques d’une formation souterraine sont rarement planes et horizontales. De plus, l’épaisseur des couches géologiques peut varier latéralement. Ainsi, l’enregistrement d’une diagraphie correspondant à des valeurs mesurées en fonction de la profondeur, une valeur représentative d’un même évènement géologique (par exemple une limite de couches géologiques) peut ne pas être nécessairement à la même profondeur dans un puits que dans un autre. 2) Acquisition d’une courbe de la diagraphie dans le puits cible Au cours de cette étape, on acquiert une courbe de la diagraphie d’intérêt en fonction de la profondeur dans le puits cible, au moyen de l’outil diagraphique ayant été utilisé lors de l’étape 1). Il est bien clair qu’il ne s’agit pas nécessairement strictement du même outil, mais bien de tout outil apte à la mesure de cette même diagraphie. Selon l’invention, la courbe de la diagraphie est acquise jusqu’à la profondeur du trépan de forage du puits cible, sachant que l’on souhaite justement prédire la diagraphie au-delà de la profondeur du trépan. Comme discuté ci-dessus, la courbe de la diagraphie enregistrée dans le puits cible peut avoir une échelle de profondeur distincte de l’échelle de profondeur des courbes d’apprentissage. Autrement dit, une valeur représentative d’un même évènement géologique (par exemple une limite de couches géologiques) peut ne pas être nécessairement à la même profondeur dans le puits cible que dans le ou les puits d’apprentissage. 3) Mise en correspondance de chaque courbe d’apprentissage avec la courbe du puits cible jusqu’à la profondeur du trépan de forage du puits cible Au cours de cette étape, on met en correspondance chaque courbe d’apprentissage avec la courbe mesurée dans le puits cible jusqu’à la profondeur du trépan de forage du puits, au moyen d’une méthode de recherche de similarité entre des signaux enregistrés selon des échelles différentes. Plus précisément, une telle méthode de recherche de similarité entre des signaux enregistrés selon des échelles différentes vise à mettre en correspondance les évènements d’une courbe avec les évènements homologues d’une autre courbe. Autrement dit, cette étape vise à mettre en correspondance les évènements d’une courbe mesurée dans un puits d’apprentissage avec les évènements homologues de la courbe mesurée dans le puits cible, jusqu’à la profondeur du trépan de forage du puits cible. Il est bien clair qu’on obtient alors une courbe d’apprentissage dont les évènements sont mis à l’échelle de la courbe mesurée dans le puits cible. Autrement dit, la mise en correspondance est réalisée en considérant la courbe mesurée dans le puits cible comme référence. Les figures 1A à 1E illustrent le principe de cette mise en correspondance. Plus précisément, les figures 1A et 1B présentent respectivement une courbe C1 et une courbe C2 de la mesure de la radioactivité naturelle GR en fonction de la profondeur Z, la courbe C1 ayant été mesurée dans un puits d’apprentissage et la courbe C2 ayant été mesurée dans le puits cible. On peut observer que les courbes C1 et C2 présentent des évènements homologues, mais décalés le long de l’axe des abscisses. La figure 1C illustre, via des traits gris, une mise en correspondance des évènements homologues des courbes C1 et C2 détectés au moyen d’une méthode de recherche de similarité entre des signaux enregistrés selon des échelles différentes (en l’espèce la méthode de déformation temporelle dynamique décrite plus bas). On peut observer que si certains évènements homologues ont été enregistrés à des profondeurs très proches (traits gris essentiellement verticaux), d’autres évènements homologues ont été enregistrés à des profondeurs éloignées (traits gris obliques). Les figures 1D et 1E présentent la différence entre les courbes C1 et C2, respectivement avant et après mis en correspondance. On peut observer sur ces figures que la différence entre les courbes C1 et C2 est clairement moins importante après la mise en correspondance qu’avant la mise en correspondance. Plus précisément, l’écart type de la différence entre les courbes C1 et C2 passe de 16% à moins de 4% de l’amplitude maximale de la mesure de la radioactivité naturelle GR, après mise en correspondance. Selon une mise en œuvre de l’invention, on peut utiliser la méthode de Déformation Temporelle Dynamique (connue sous l’acronyme DTW pour ‘Dynamic Time Warping’ en anglais) pour réaliser la mise en correspondance. Cette méthode a été décrite pour la première fois dans le document (Sakoe et Chiba, 1978). Par soucis de de clarté, il est possible d’utiliser une simple analogie acoustique pour avoir une idée pratique de la DTW. Considérons deux chanteurs, l’un plutôt bon et l’autre plutôt médiocre. Ce dernier chante ‘faux’ et ne respecte ni le rythme (suite des intervalles de temps entre les notes chantées), ni la tonalité (hauteur absolue des notes), ni le tempo (vitesse d’exécution) de la chanson. Face à deux enregistrements de la même chanson par ces deux chanteurs, une oreille, même peu entrainée, décèlera sans peine une certaine similarité et surtout plusieurs différences entre ces enregistrements. La DTW non seulement quantifie d’une façon précise la différence entre ces enregistrements, mais surtout met automatiquement en correspondance temporelle les évènements homologues observés dans ces deux enregistrements. Il est bien clair également que cette technique, bien qu’appelée déformation temporelle dynamique, peut être appliquée à tout signal dont l’axe des abscisses est différent du temps, en l’espèce dont l’axe des abscisses correspond à la profondeur. Le document (Sakoe et Chiba, 1978) décrit la mise en œuvre originelle de la méthode DTW de la manière décrite ci-après. Soient X(i) et Y(j) deux signaux (ici temporels, mais la technique peut être appliquée à tout signal) à mettre en correspondance. On définit la fonction C(i,j) représentant la densité de cout (en anglais ‘Cost density function’) de la mise en correspondance (« warping » en anglais) pour un couple (i,j) par : ^(^, ^) = ^^^( ^(^) − ^(^ )) + ^^^( ^(^ − 1, ^ − 1) , ^(^ − 1, ^), ^(^, ^ − 1) ) sachant que les premiers éléments sont donnés par les relations : ^(1,1) = ^^^( ^(1) − ^(1 ) ) ^(1, ^) = ^^^( ^(1) − ^(^ ) ) + ^(1, ^ − 1)) ^(^, 1) = ^^^( ^(^) − ^(1 ) ) + ^(^ − 1,1)). La fonction de mise en correspondance (en anglais ‘Warping Function’) des indices i et j homologues des signaux X et Y respectivement, est définie de la manière suivante : soit N le nombre d’échantillons des signaux X et Y. On part de l’hypothèse que les couples de points (X(1), Y(1)) et (X(N), Y(N)) sont les premiers et derniers points homologues respectivement. Puis, en partant du Nème point homologue, le (N-1)ème couple de points homologues est celui dont la fonction densité de cout correspond à ^^^(^(^, ^ − 1), ^(^ − 1, ^ − 1) , ^(^ − 1, ^)), et ainsi de suite de manière récurrente. Ainsi le (i-1)ème couple de points homologues est celui qui correspond au ^^^(^(^, ^ − 1), ^(^ − 1, ^ − 1), ^(^ − 1, ^) et ainsi de suite jusqu’au premier couple de points (X(1), Y(1)). A partir de la fonction de correspondance, on détermine par exemple un signal Y mis en correspondance avec le signal X. Il est bien clair que l’on peut utiliser tout perfectionnement de cette technique. Alternativement, on peut utiliser la méthode de recherche de similarité entre des signaux enregistrés selon des échelles différentes d’écrite dans le document (Lallier et al., 2009), qui concerne une déclinaison de la méthode de DTW appliquée à la corrélation des horizons géologiques entre les puits. Cette méthode se distingue de la méthode de (Sakoe et Chiba, 1978) non seulement par le fait que les courbes considérées sont en profondeur et non en temps, mais surtout par le fait qu’elle utilise une technique stochastique de corrélations stratigraphiques de puits, le but étant de générer automatiquement plusieurs ensembles possibles de corrélations de puits tenant compte des interprétations faites le long des trajectoires de puits. En pratique, la probabilité de corrélation de chaque marqueur stratigraphique et l'intervalle identifié le long du chemin du puits est calculé à l'aide : - d’informations disponibles sur le puits interprété (par exemple la paléobathymétrie, la lithologie), - de quelques lignes de corrélation de référence provenant de limites stratigraphiques claires de premier ordre, - d’un scénario sédimentologique sur la zone étudiée, - de concepts sédimentologiques jugés applicables. En utilisant ces probabilités, plusieurs ensembles possibles de corrélations de puits sont générés de manière stochastique dans une version modifiée de l’algorithme DTW de (Sakoe et Chiba, 1978). 4) Construction d’un modèle pour prédire la diagraphie dans le puits cible Au cours de cette étape, on construit un modèle pour prédire la diagraphie dans le puits cible, au moyen d’une méthode d’apprentissage automatique supervisé (en anglais ‘Supervised Machine Learning’) que l’on entraine sur une base d’apprentissage comprenant : - la ou les courbes d’apprentissage mises en correspondance, jusqu’à ladite profondeur du trépan de forage du puits, avec la courbe de la diagraphie mesurée dans le puits cible. Ces courbes correspondent aux données d’entrée de la méthode d’apprentissage automatique supervisé lors de cette phase d’entrainement ; - la courbe mesurée dans le puits cible. Cette courbe correspond à la sortie à reproduire par la méthode d’apprentissage automatique supervisé lors de cette phase d’entrainement. Ainsi, au cours de cette étape, on entraine une méthode d’apprentissage automatique supervisé sur les courbes mesurées dans les puits d’apprentissage, après que ces courbes ont été mises en correspondance avec la courbe mesurée dans le puits cible, afin que le modèle permette de prédire les valeurs de la diagraphie dans le puits cible. On obtient ainsi un modèle pour prédire la diagraphie dans le puits cible. Il est bien clair ici qu’il s’agit ici d’un problème de régression, puisqu’on détermine des valeurs d’une variable continue (la mesure diagraphique). Selon une mise en œuvre de l’invention, on peut utiliser l’une quelconque des méthodes suivantes en tant que méthode d’apprentissage automatique supervisé : la méthode de forêt aléatoire (en anglais ‘Random Forest’), les arbres de décision extrêmement aléatoires (en anglais ‘Extremly Random Trees’), l’amplification de gradient (en anglais ‘Gradient Boosting’), la machine à vecteurs de support (en anglais ‘Support Vector Machine’), le modèle linéaire généralisé (en anglais ‘General Linearized Model’), le modèle additif généralisé (en anglais ‘Generalized Additive Model’) ou le réseau de neurones à propagation avant (en anglais ‘Feedforward Artificial Neural Network’) pour l’apprentissage profond (en anglais ‘Deep Learning’). Ces méthodes sont très simples de mise en œuvre, même pour un non expert, notamment car elles ne nécessitent que peu de paramètres : le temps de calcul maximal (typiquement quelques minutes suffisent, par exemple 200 secondes), et la répartition entre les données qui seront utilisées véritablement pour l’apprentissage et les données qui seront utilisées pour la validation de l’apprentissage (typiquement 80% et 20% respectivement). Selon une mise en œuvre préférée de l’invention, la méthode d’apprentissage automatique supervisé peut être choisie parmi la liste suivante : la méthode de forêt aléatoire, les arbres de décision extrêmement aléatoires, et l’amplification de gradient. Il s’est en effet avéré que pour un certain nombre d’exemples d’application sur lesquels le procédé selon l’invention a été mis en œuvre, les trois méthodes précitées se sont classées le plus souvent parmi les plus performantes en termes de fiabilité de la prédiction. Selon une mise en œuvre très préférée de l’invention, on peut utiliser la méthode d’amplification de gradient. En effet, il s’est avéré que pour les exemples d’application sur lesquels le procédé selon l’invention a été mis en œuvre, cette méthode était statistiquement celle qui aboutit le plus souvent aux meilleures prédictions. L’amplification de gradient utilise deux concepts, à savoir l’apprentissage automatique ensembliste (en anglais ‘Ensemble Machine Learning’) et le renforcement de l’apprentissage automatique (en anglais ‘Machine Learning Boosting’). Dans l’apprentissage automatique ensembliste les modèles d’apprentissage sont ajustés aux données individuellement ou combinés dans un ensemble. L’ensemble est une combinaison de modèles individuels simples qui créent ensemble un nouveau modèle plus puissant. Par ailleurs le renforcement de l’apprentissage automatique est une méthode particulière de création d’ensembles de la manière suivante. Tout d’abord cela commence par l’ajustement aux données d’un modèle initial (par exemple par régression linéaire ou arbre de décision). Puis le modèle suivant est construit de manière à rendre plus précise la prédiction des cas où le premier modèle fonctionne mal. La combinaison de ces deux modèles est meilleure que l’un ou l’autre des deux modèles précédents pris séparément. Ce processus dit de renforcement est répété plusieurs fois, chaque modèle successif essayant de corriger les lacunes dans les prédictions des modèles combinés précédents. Enfin, l’amplification de gradient est un type particulier de renforcement de l’apprentissage automatique. Le principe général repose sur le fait que le meilleur modèle suivant possible, lorsqu’il est combiné avec les modèles précédents, minimise l’erreur globale de prédiction. La dénomination ‘amplification de gradient’ vient du fait que les résultats cibles pour chaque cas sont définis en fonction du gradient de l’erreur par rapport à la prédiction. Plus précisément, chaque nouveau modèle fait un pas dans la direction qui minimise l’erreur de prédiction, dans l’espace des prédictions possibles pour chaque cas d’apprentissage. 5) Mise en correspondance des courbes d’apprentissage entre elles (Option) Cette étape est optionnelle et ne sera mise en œuvre que si on a acquis une pluralité de courbes d’apprentissage de la diagraphie. Au cours de cette étape optionnelle, on met en correspondance les courbes d’apprentissage entre elles, au moyen d’une méthode de recherche de similarité entre des signaux enregistrés selon des échelles différentes. Autrement dit, au cours de cette étape, si on dispose de plusieurs puits d’apprentissage et si une courbe de diagraphie a été enregistrée dans chacun de ces puits d’apprentissage, on met en correspondance les courbes enregistrées pour chacun de ces puits. En effet, chaque courbe de diagraphie a sa propre échelle, du fait que les couches géologiques ne sont pas planes, horizontales, et isométriques latéralement. Pour la mise œuvre de cette étape, on peut utiliser la technique de Déformation Temporelle Dynamique décrite ci-dessus ou encore la technique décrite dans le document (Lallier, 2009) précité pour mettre en correspondance les courbes d’apprentissage enregistrées pour chacun des puits d’apprentissage. Avantageusement, la mise en correspondance est réalisée en choisissant comme référence le puits d’apprentissage dont la distance au puits cible est la plus faible, de préférence dont la distance au puits cible est la plus faible au niveau de la profondeur du trépan de forage du puits cible. Cela permet que les courbes d’apprentissage soient mises en correspondance entre elles avec, en principe (en fonction de la stratigraphie), le moins de différence d’échelle par rapport à la courbe acquise dans le puits cible. 6) Construction d’une courbe d’apprentissage de la diagraphie composée Au cours de cette étape, pour chacune des courbes d’apprentissage, on construit une courbe d’apprentissage de la diagraphie composée, formée d’une part par la portion de la courbe d’apprentissage mise en correspondance avec la courbe jusqu’à la profondeur du trépan, et d’autre part par une portion de la courbe d’apprentissage, optionnellement mise en correspondance avec les autres courbes d’apprentissage lorsqu’une pluralité de courbes d’apprentissage de la diagraphie ont été acquises, pour les profondeurs au-delà de la profondeur du trépan. Autrement dit, pour chaque puits d’apprentissage, on construit une courbe composée, dont la partie au-dessus de la profondeur du trépan correspond à la courbe mesurée dans ce puits d’apprentissage et mise en correspondance avec la courbe mesurée dans le puits cible, et dont la partie en-dessous de la profondeur du trépan correspond : - si une seule courbe d’apprentissage de la diagraphie a été acquise : à la partie de la courbe mesurée dans ce puits d’apprentissage pour les profondeurs au-delà de la profondeur du trépan, - si plusieurs courbes d’apprentissage de la diagraphie ont été acquises : à la partie de la courbe mesurée dans ce puits d’apprentissage et mise en correspondance avec les autres courbes d’apprentissage. A l’issue de cette étape, on obtient pour chaque puits d’apprentissage une courbe d’apprentissage composée, en cohérence avec le puits cible au-dessus du trépan, et en cohérence avec les éventuels autres puits en-dessous du trépan. 7) Prédiction de la diagraphie dans le puits cible au-delà de la profondeur du trépan Au cours de cette étape, on prédit les valeurs de la diagraphie dans le puits cible, au-delà de la profondeur du trépan de forage du puits, en appliquant le modèle pour prédire la diagraphie construit à l’étape 4) aux courbes d’apprentissage composées construites à l’étape 6). Autrement dit, on applique le modèle de régression construit à l’étape 4) aux courbes d’apprentissage composées construites à l’étape 6), qui comprennent des valeurs de la diagraphie au-delà de la profondeur du trépan de forage du puits cible, de manière à prédire des valeurs de la diagraphie dans le puits cible au-delà de de la profondeur du trépan de forage du puits cible. On obtient ainsi une courbe de la diagraphie d’intérêt prédite dans le puits cible comprenant des valeurs au moins pour les profondeurs allant au-delà de la profondeur du trépan de forage du puits cible. Selon une mise en œuvre de l’invention, on peut prédire la diagraphie d’intérêt dans le puits cible au-delà de la profondeur du trépan de forage du puits cible, mais aussi pour des profondeurs en deçà de la profondeur du trépan de forage du puits cible. Cela peut permettre de vérifier la qualité du modèle construit à l’étape 4) dans la partie en deçà de la profondeur du trépan de forage du puits cible, en comparant les valeurs de la diagraphie prédite à celles de la diagraphie mesurée. Selon une mise en œuvre de l’invention, on peut prédire la diagraphie d’intérêt dans le puits cible uniquement au-delà de la profondeur du trépan de forage du puits cible. Cela permet de réduire le temps d’exécution du procédé selon l’invention, et ainsi de fournir une courbe de diagraphie prédite plus rapidement, ce qui est avantageux dans un objectif de géoguidage du forage du puits cible en temps réel. Ainsi, le procédé selon l’invention permet de prédire les valeurs d’une diagraphie dans le puits cible au moins au-delà de la profondeur du trépan de forage du puits. Le procédé peut être avantageusement mis en œuvre simultanément au forage de ce puits, en vue de guider le forage du puits au-delà de la profondeur du trépan de forage du puits, en fonction de la prédiction des valeurs de la diagraphie. En effet, les méthodes de géoguidage selon l’art antérieur utilisent des valeurs réelles de la diagraphie, mesurées jusqu’à la profondeur du trépan uniquement, alors que le procédé selon l’invention détermine des valeurs prédites de la diagraphie au-delà de la profondeur du trépan, qui peuvent donc être directement exploitées par des méthodes de géoguidage. Selon une mise en œuvre de l’invention, l’étape 1) peut être réalisée une seule fois, et les étapes 2) à 7) au fur et à mesure du forage du puits cible, par exemple pour une succession de profondeurs. Cela permet d’affiner au fur et à mesure la prédiction de la diagraphie pour les profondeurs les plus grandes dans le puits cible, au fur et à mesure que les mesures de la diagraphie réalisées dans le puits cible progressent en profondeur avec l’avancée du forage. Selon une mise en œuvre de l’invention, les étapes 2) à 7) du procédé peuvent être répétées pour une succession de profondeurs du trépan de forage du puits, par exemple tous les 10m, de préférence tous les 5m, de manière préférée tous les 1m. Alternativement, les étapes 2) à 7) du procédé peuvent être répétées pour une succession de pas de temps au cours du forage du puits cible, par exemple toutes les 60 minutes, de préférence toutes les 30 minutes, de manière préférée toutes les 10 minutes, ces durées étant prédéfinies en fonction de la vitesse d’avancement du forage du puits (typiquement entre 1,5m/heure et 15m/heure). A noter que pour les exemples d’application sur lesquels le procédé selon l’invention a été mis en œuvre, le temps d’exécution des étapes 3) à 7) a été de l’ordre de l’ordre de 3 minutes sur un processeur de type Intel(R) Xeon(R) CPU E5-1620 v3 @ 3.50GHz (Mémoire RAM 16,0 Go), ce qui est nettement en deçà de la durée d’avancée classique de l’outil de forage sur quelques mètres : la prédiction de la diagraphie peut donc se faire quasi en temps réel. L’invention concerne en outre un procédé de géoguidage du forage d’un puits, dans lequel, pour chaque profondeur d’une succession de profondeurs du trépan de forage dudit puits : a) on prédit des valeurs d’une diagraphie au-delà de la profondeur du trépan de forage dudit puits au moyen du procédé pour prédire, pendant le forage d’un puits dans une formation souterraine, les valeurs d’une diagraphie au-delà de la profondeur du trépan de forage du puits tel que décrit ci-dessus ; b) on détermine la direction du forage du puits pour des profondeurs au-delà de la profondeur du trépan de forage du puits, en fonction au moins des valeurs de la diagraphie prédites au- delà de la profondeur du trépan de forage du puits. L’homme du métier a parfaite connaissance des moyens pour réaliser l’étape b) ci-dessus puisque, dans le domaine du géoguidage, il détermine la direction du forage du puits à partir de courbes de diagraphies réellement mesurées, alors que dans le cas d’espèce, il suffit de considérer les courbes de diagraphie prédites selon l’invention en complément. Selon une mise en œuvre de l’invention, on peut appliquer, lors l’étape b), la technique décrite dans le document (Berg et Newson, 2013) déjà précité, et qui concerne une méthode de géoguidage permettant de n’utiliser que des diagraphies Gamma-ray, mais en utilisant les courbes de diagraphie prédites selon l’invention au-delà de la profondeur du trépan de forage du puits et non pas seulement les courbes de diagraphies réellement mesurées. Selon une autre mise en œuvre de l’invention, on peut alternativement appliquer la technique décrite dans le document (Wang, 2017) déjà précité, et qui concerne une méthodologie de géoguidage intégré combinant des algorithmes géostatistiques, des techniques de diagraphie en cours de forage et des méthodes de simulation de réservoir. Selon cette mise en œuvre, la méthode décrite dans le document (Wang, 2017) peut être appliquée en utilisant les courbes de diagraphie prédites selon l’invention au-delà de la profondeur du trépan de forage du puits, et non pas seulement les courbes de diagraphies réellement mesurées. Selon une mise en œuvre de l’invention, à l’étape b) on détermine au moins les angles d'inclinaison et d'azimut de la trajectoire du puits pour des profondeurs s’étendant entre 10 et 20 m au-delà de la profondeur du trépan, pour chaque profondeur du trépan de forage du puits de la succession de profondeurs du trépan de forage du puits. Exemple Les caractéristiques et avantages du procédé selon l’invention apparaitront plus clairement à la lecture de l’exemple d'application ci-après. Plus précisément, le procédé selon l’invention a été appliqué à une formation souterraine se situant dans l’offshore de l’Ouest australien, plus précisément dans le bassin du Nord Carnarvon, considéré comme le principal bassin d'hydrocarbures d'Australie. La figure 2A présente une courbe de diagraphie de radioactivité naturelle GR mesurée dans un puits cible, noté T par la suite (courbe notée T dans la figure 2A). Le puits cible traverse une colonne d'huile de 6 mètres dans les grès du groupe Barrow. Ce puits traverse en outre des sables aquifères, avec une fine colonne d'huile, des marnes et des schistes. On dispose de deux puits d’apprentissage notés Li (i=1 à 2), qui sont respectivement distants d’environ 3.5 km et 8 km du puits cible T. Les figures 2B et 2C présentent les courbes de diagraphie de radioactivité naturelle GR mesurées respectivement dans le puits L1 et dans le puits L2 (courbes notées L1 et L2 dans les figures 2B et 2C). On dispose de valeurs de radioactivé naturelle pour des profondeurs s’étendant au moins jusqu’à 3200m : 3277m pour le puits cible T, 3295m pour le puits L1, et 3200m pour le puits L2. A des fins d’illustration de la fiabilité du procédé selon l’invention, on va chercher à prédire les valeurs de la diagraphie GR pour des profondeurs s’étendant au-delà de 3100m, et on va contrôler la qualité de la prédiction au moyen de la courbe de diagraphie GR réellement mesurée dans le puits cible T pour des profondeur allant de 3100 à 3200m. Autrement dit, à des fins de validation du procédé selon l’invention, on applique le procédé selon l’invention en considérant que la profondeur du trépan de forage dans le puits cible est 3100m. Conformément à l’étape 3) décrite ci-dessus, les courbes GR des puits L1 et L2 sont mises en correspondance avec la courbe GR du puits cible T jusqu’à la profondeur de 3100m, au moyen de la méthode décrite dans le document (Sakoe et Chiba, 1978) précité. Par ailleurs, le procédé selon l’invention est mis en œuvre au moyen de la méthode d’amplification de gradient (en anglais ‘Gradient Boosting’) en tant que méthode d’apprentissage automatique supervisé. L’entrainement de cette méthode d’apprentissage automatique est réalisé sur les courbes GR des puits L1 et L2 mises en correspondance avec la courbe GR du puits cible T jusqu’à la profondeur de 3100m, ainsi que sur la courbe GR du puits cible T. On obtient ainsi un modèle pour prédire une diagraphie (ici une diagraphie GR) dans le puits cible T, conformément à l’étape 4) décrite ci-dessus. Puis, selon l’étape 5) décrite ci-dessus, les courbes GR des puits L1 et L2 sont mises en correspondance entre elles, en prenant comme référence le puits L1 qui est le puits d’apprentissage le plus proche du puits cible T. Conformément à l’étape 6) décrite ci-dessus, des courbes d’apprentissage composées sont générées pour les puits d’apprentissage L1 et L2, formées par la portion des courbes GR de ces puits jusqu’à la profondeur de 3100m après leur mise en correspondance avec le puits cible T, et par la portion des courbes GR des puits L1 et L2 au-delà de la profondeur de 3100m après leur mise en correspondance entre eux. Le modèle pour prédire une diagraphie dans le puits cible construit selon l’étape 4) est alors appliqué aux courbes d’apprentissage composées construites telles que décrit ci-dessus à l’étape 6). La figure 3A présente la courbe GRP qui est la courbe GR prédite par le modèle, ainsi que la courbe GRM qui est la courbe GR réellement mesurée, et la Figure 3B présente la différence entre ces deux courbes. On peut observer que la courbe prédite GRP est parfaitement cohérente avec la courbe réellement mesurée GRM de 3100 m à 3200 m, soit jusqu’à une profondeur de 100m au-delà de la profondeur jusqu’à laquelle le modèle a été entrainé (profondeur du trépan dans le procédé selon l’invention). En effet, dans cette gamme de profondeur, l’erreur quantifiée par l’écart-type de la différence entre courbe GR prédite par le modèle selon l’invention et la courbe GR réellement mesurée est inférieure à 2% de l’amplitude maximale de la courbe GR réellement mesurée. Au-delà de 3200m, les erreurs augmentent sensiblement, et dépassent 10% en moyenne de l’amplitude maximale de la mesure GR réelle. Ainsi, l’application du procédé selon l’invention a permis de prédire de manière fiable une diagraphie (ici une diagraphie GR) au-delà de la profondeur du trépan de forage du puits, sur une centaine de mètres. Cela est très avantageux car, pour des vitesses classiques d’avancée du forage, typiquement entre 1,5 m/heure et 15 m/heure, cela correspond à plus de 6 heures de forage pour atteindre cette limite. Or le temps de calcul du procédé selon l’invention est nettement inférieur, typiquement de l’ordre de quelques minutes. Aussi, il est possible de relancer le procédé selon l’invention au fur et mesure de l’avancée de l’outil de forage, et de mettre à jour le modèle dès que les nouvelles mesures de diagraphie sont disponibles. Ainsi l’actualisation de la prédiction de la diagraphie peut se faire quasiment en temps réel. Alternativement, il peut être suffisant de mettre à jour le modèle de prédiction d’une diagraphie et de prédire une nouvelle diagraphie au moyen de ce modèle de prédiction mis à jour de préférence au moins tous les 10 m, ou de manière très préférée tous les 5 m d’avancée de l’outil de forage dans le puits cible. Ainsi, la présente invention permet de prédire des réponses diagraphiques à des profondeurs non encore atteintes par le forage, typiquement à des distances pluridécamétriques devant le trépan pendant le forage, en vue notamment de guider le forage jusqu’à de telles distances à partir de ces prédictions, et non pas uniquement à partir des mesures réelles, comme selon l’art antérieur.

Claims

Revendications 1. Procédé pour prédire, pendant le forage d’un puits dans une formation souterraine, les valeurs d’une diagraphie au-delà de la profondeur du trépan de forage dudit puits, notamment en vue de guider le forage dudit puits au-delà de la profondeur dudit trépan de forage dudit puits en fonction de ladite prédiction, caractérisé en ce qu’on réalise au moins les étapes suivantes : A. on acquiert une courbe d’apprentissage de ladite diagraphie en fonction de la profondeur dans au moins un puits d’apprentissage, au moyen d’un outil diagraphique, ladite profondeur dudit puits d’apprentissage s’étendant au-delà de la profondeur du trépan de forage dudit puits ; B. on acquiert une courbe de ladite diagraphie en fonction de la profondeur dans ledit puits, au moyen dudit outil diagraphique, ladite deuxième courbe étant acquise jusqu’à ladite profondeur du trépan de forage dudit puits ; C. pour chacune desdites courbes d’apprentissage de ladite diagraphie, on met en correspondance, jusqu’à ladite profondeur du trépan de forage dudit puits, ladite courbe d’apprentissage de ladite diagraphie acquise dans ledit puits d’apprentissage avec ladite courbe de ladite diagraphie acquise dans ledit puits, au moyen d’une méthode de recherche de similarité entre des signaux enregistrés selon des échelles différentes ; D. on construit un modèle pour prédire ladite diagraphie dans ledit puits au moyen d’une méthode d’apprentissage automatique supervisé que l’on entraine sur une base d’apprentissage comprenant lesdites courbes d’apprentissage de ladite diagraphie mises en correspondance jusqu’à ladite profondeur du trépan de forage dudit puits avec ladite courbe acquise dans ledit puits, ainsi que ladite courbe de ladite diagraphie en fonction de la profondeur dans ledit puits ; E. de manière optionnelle, si une pluralité de courbes d’apprentissage de ladite diagraphie ont été acquises, on met en correspondance lesdites courbes d’apprentissage entre elles au moyen de ladite méthode de recherche de similarité entre des signaux enregistrés selon des échelles différentes ; F. pour chacune desdites courbes d’apprentissage, on construit une courbe d’apprentissage composée de ladite diagraphie, formée d’une part par la portion de ladite courbe d’apprentissage de ladite diagraphie mise en correspondance avec ladite courbe de ladite diagraphie jusqu’à la profondeur dudit trépan, et d’autre part par la portion de ladite courbe d’apprentissage, optionnellement mise en correspondance avec lesdites autres courbes d’apprentissage lorsqu’une pluralité de courbes d’apprentissage de ladite diagraphie ont été acquises, pour les profondeurs au-delà de ladite profondeur dudit trépan ; et G. on prédit lesdites valeurs de ladite diagraphie dans ledit puits au moins au-delà de ladite profondeur dudit trépan de forage dudit puits en appliquant ledit modèle pour prédire ladite diagraphie dans ledit puits construit à l’étape D) auxdites courbes d’apprentissage composées. 2. Procédé selon la revendication 1, dans lequel ladite méthode de recherche de similarité entre des signaux enregistrés selon des échelles différentes est la méthode de déformation temporelle dynamique. 3. Procédé selon l’une des revendications précédentes, dans lequel ladite diagraphie est une diagraphie de radioactivité naturelle. 4. Procédé selon l’une des revendications précédentes, dans lequel ladite méthode d’apprentissage automatique supervisé est choisie parmi la liste suivante : la méthode de forêt aléatoire, les arbres de décision extrêmement aléatoires, et l’amplification de gradient. 5. Procédé selon l’une des revendications précédentes, dans lequel on répète les étapes B) à G) pour une succession de profondeurs dudit trépan de forage du puits. 6. Procédé de géoguidage du forage d’un puits, dans lequel, pour chaque profondeur d’une succession de profondeurs dudit trépan de forage dudit puits : a) on prédit des valeurs d’une diagraphie au-delà de ladite profondeur du trépan de forage dudit puits au moyen du procédé pour prédire, pendant le forage d’un puits dans une formation souterraine, les valeurs d’une diagraphie au-delà de la profondeur dudit trépan de forage dudit puits selon l’une des revendications précédentes ; b) on détermine une direction du forage dudit puits pour des profondeurs au-delà de la profondeur dudit trépan de forage dudit puits, en fonction au moins desdites valeurs de ladite diagraphie prédites au-delà de la profondeur du trépan de forage dudit puits. 7. Produit programme d'ordinateur téléchargeable depuis un réseau de communication et/ou enregistré sur un support lisible par ordinateur et/ou exécutable par un processeur, comprenant des instructions de code de programme pour la mise en œuvre des étapes C) à G) du procédé selon l'une des revendications précédentes, lorsque ledit programme est exécuté sur un ordinateur.
EP23782211.9A 2022-10-10 2023-09-27 Procede pour predire une diagraphie pendant le forage d'un puits Pending EP4602249A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2210350A FR3140647A1 (fr) 2022-10-10 2022-10-10 Procédé pour prédire une diagraphie pendant le forage d’un puits
PCT/EP2023/076777 WO2024078880A1 (fr) 2022-10-10 2023-09-27 Procede pour predire une diagraphie pendant le forage d'un puits

Publications (1)

Publication Number Publication Date
EP4602249A1 true EP4602249A1 (fr) 2025-08-20

Family

ID=84361983

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23782211.9A Pending EP4602249A1 (fr) 2022-10-10 2023-09-27 Procede pour predire une diagraphie pendant le forage d'un puits

Country Status (4)

Country Link
EP (1) EP4602249A1 (fr)
CA (1) CA3266587A1 (fr)
FR (1) FR3140647A1 (fr)
WO (1) WO2024078880A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230141334A1 (en) * 2021-11-08 2023-05-11 Conocophillips Company Systems and methods of modeling geological facies for well development

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11914099B2 (en) * 2019-11-01 2024-02-27 Saudi Arabian Oil Company Automatic geological formations tops picking using dynamic time warping (DTW)
EP4237661A4 (fr) * 2020-10-30 2024-10-02 Services Pétroliers Schlumberger Synthèse par apprentissage machine de données d'évaluation de formation

Also Published As

Publication number Publication date
CA3266587A1 (fr) 2024-04-18
WO2024078880A1 (fr) 2024-04-18
FR3140647A1 (fr) 2024-04-12

Similar Documents

Publication Publication Date Title
US11209565B2 (en) High precision acoustic logging processing for compressional and shear slowness
US11112519B2 (en) Automatic slowness-frequency range determination for advanced borehole sonic data processing
FR3069929A1 (fr) Prediction en avant du trepan a l'aide de profil sismique vertical et de l'inversion globale
EP3570074A1 (fr) Procédé pour la détection d'objets géologiques dans une image
FR3085053A1 (fr) Prédiction de comportement de réservoir de pétrole à l’aide d’un modèle d’écoulement proxy domaine technique
FR3069930A1 (fr) Estimation de la vitesse d'une formation par profilage sismique vertical
EP1801617A1 (fr) Méthode pour mettre à jour un modèle géologique par des données sismiques
FR3049355A1 (fr)
CA2704141A1 (fr) Methode pour imager une zone cible du sous-sol a partir de donnees de type walkaway
FR3032532A1 (fr)
EP4430436B1 (fr) Procede pour exploiter une ressource d'une formation souterraine, au moyen d'une analyse decisionnelle multi-criteres
CN112888970B (zh) 确定声波慢度的方法和装置
FR3086779A1 (fr) Mise en correspondance avec un historique de production automatisée à l’aide de l’optimisation bayésienne
FR3075434A1 (fr) Modele de reseau neuronal recurrent pour le pompage en plusieurs etapes
FR2901887A1 (fr) Construction d'un modele d'analyse des vitesses dans les formations infra-saliferes
WO2020131082A1 (fr) Diagraphie acoustique unipolaire en temps réel utilisant une intelligence artificielle basée sur la physique
EP4602249A1 (fr) Procede pour predire une diagraphie pendant le forage d'un puits
EP2246714A2 (fr) Méthode pour modéliser un milieu hétérogène souterrain à partir de statistique multipoint
CN112835098A (zh) 风化壳岩溶储层的储能系数预测方法及装置
FR2790101A1 (fr) Methode pour la determination d'au moins une trajectoire optimale pour atteindre une cible floue situee dans un milieu a partir d'un point distant de la cible
CN116413790B (zh) 基于vsp的深度域地震剖面层位标定方法及装置
WO2022043051A1 (fr) Methode pour determiner une interpretation en electrofacies de mesures realisees dans un puits
FR3034546A1 (fr)
Zhao et al. Seismic anisotropy prediction using ML methods: A case study on an offshore carbonate oilfield
CN118131316B (zh) 地震波速度模型构建方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20250512

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)