Apprentissage machine interprétable basé sur les données pour la prédiction de la porosité et de la perméabilité des réservoirs de grès étanche

La porosité et la perméabilité sont des indicateurs cruciaux dans l’identification des réservoirs de haute qualité et des zones favorables appelées « sweet spot », ainsi que des paramètres clés lors de la prédiction et de l’évaluation du potentiel de développement des combustibles fossiles comme le pétrole et le gaz. Cependant, il est impraticable de collecter suffisamment d’échantillons de carottes sur des plans verticaux et horizontaux pour analyse en raison des exigences temporelles et de coûts associées. Les algorithmes d'apprentissage machine ont montré des capacités remarquables à prédire les propriétés pétrphysiques en capturant les relations non linéaires parmi les données de forage. Dans cette étude, afin de quantifier la sélection des courbes de forage et de réduire les données de forage redondantes, un nouvel algorithme de Permutation Importance-Set interprétable est proposé sur la base des données de forage issues de la formation Xujiahe du Trias supérieur dans le bassin du Sichuan. Les résultats indiquent qu’en raison de la compaction, la profondeur d’enfouissement est la caractéristique principale affectant les propriétés physiques des réservoirs de grès étanche. Les enregistrements acoustiques et de potentiel spontané sont critiques pour la porosité, tandis que les enregistrements de densité et de potentiel spontané sont essentiels pour la perméabilité, reflétant la diagenèse complexe causée par l’alternance répandue de sable et de boue. Des modèles de prédiction à l’échelle du bassin pour la porosité et la perméabilité ont été développés en utilisant dix algorithmes d’apprentissage machine, puis des études d’ablation ont confirmé l’efficacité de notre sélection de caractéristiques et la réduction de la complexité du modèle et du surapprentissage. Cette étude propose un modèle de prédiction concis et interprétable avec une précision et une interprétabilité supérieures pour les réservoirs de grès étanche. Type de document : Article original Citée comme : Cao, L., Jiang, F., Chen, Z., Gao, Y., Huo, L., Chen, D. Apprentissage machine interprétable basé sur les données pour la prédiction de la porosité et de la perméabilité des réservoirs de grès étanche. Advances in Geo-Energy Research, 2025, 16(1) : 21-35. https://doi.org/10.46690/ager.2025.04.04