Jumeau numérique de la géologie du puits Numérisation de la description des sédiments à l'aide de l'IA : des images de grains aux perspectives de réservoir Notre équipe a développé une nouvelle approche puissante qui utilise l'apprentissage automatique pour transformer la manière dont les géologues interagissent avec les échantillons de déblais. En combinant des images haute résolution, l'intelligence artificielle et des outils de filtrage interactifs, nous rendons possible la mesure automatique et précise de milliers de grains individuels dans chaque échantillon de déblais, fournissant des données sédimentologiques détaillées en une fraction du temps. Des déblais aux données propres Pour créer des données cohérentes, les échantillons sont traités en utilisant l'approche propriétaire de Rockwash Geodata. Les échantillons passent par un processus de lavage entièrement automatisé. Chaque échantillon est photographié sous un éclairage contrôlé. Chaque image capture des détails fins d'une zone de 43 mm par 28 mm à une résolution extrêmement élevée (4000 x 6000 pixels). Segmentation intelligente des grains (IA) La véritable avancée réside dans ce qui se passe ensuite. En utilisant un modèle de segmentation propriétaire, nous segmentons l'image—identifiant et délimitant les grains individuels. Cela nous donne une carte numérique des grains dans chaque échantillon. Nous calculons ensuite des propriétés telles que la taille des grains, la rondeur, la sphéricité et la couleur moyenne pour chaque grain. Cependant, le processus n'est pas parfait. Parfois, le modèle confond un peu de schiste ou de peinture avec un grain, ou combine plusieurs grains en un seul. C'est pourquoi nous avons développé un système de filtrage interactif qui permet aux géologues de revoir et d'affiner le résultat. Avec des curseurs et des outils visuels, les utilisateurs peuvent filtrer les grains en fonction de la couleur, de la taille, de la forme, de la luminosité et de la visibilité claire du grain au premier plan. Cela garantit que seuls les grains représentatifs sont inclus dans les ensembles de données finaux. Statistiques sédimentaires La capacité d'obtenir la taille des grains, le tri, la sphéricité et d'autres caractéristiques sur des milliers de grains permet de constituer un vaste ensemble de données pour comprendre la sédimentologie. La possibilité de filtrer la contamination par le schiste, les cavings, les additifs de forage et les grains de fond partiellement obscurcis permet d'obtenir des informations sédimentologiques propres et de haute confiance même dans des échantillons fortement contaminés. Géomécanique (module de pression de pore) Une caractéristique passionnante est la capacité d'identifier les "cavings éclatés"—fragments allongés qui peuvent indiquer des zones de haute pression de pore dans le sous-sol. Ces caractéristiques apparaissent souvent dans des formations surpressurisées où la roche se brise en raison d'une pression de pore plus élevée que le poids de la boue. La détection et la quantification automatiques de ces caractéristiques identifient des signes d'alerte précoce pour les dangers de forage et informent les modèles géomécaniques dans les puits voisins. Subdivision stratigraphique Avec la capacité d'extraire les couleurs de chaque grain, grâce à l'éclairage de haute qualité et constant, nous pouvons construire des logs stratigraphiques basés sur la couleur en vrac (majorité des grains) et la couleur de trace (quelques grains ou un seul grain dans un échantillon). Ces logs de couleur peuvent révéler des changements subtils dans la minéralogie en vrac ou de trace liés à la provenance et aux environnements de dépôt. Pourquoi c'est important Cette approche présente plusieurs grands avantages. Premièrement, elle crée une manière cohérente et reproductible de décrire les sédiments. Que vous travailliez sur un seul puits ou que vous compariez des données à travers un bassin, les mesures sont objectives et basées sur les données. Deuxièmement, elle accélère considérablement l'analyse. Au lieu d'estimer les couleurs et la composition au microscope, le système analyse des milliers de grains dans chaque échantillon, avec des centaines d'échantillons dans un puits. Troisièmement, elle ouvre de nouveaux types de données qui étaient auparavant difficiles à capturer à grande échelle. Des propriétés telles que la sphéricité, la couleur de trace ou la présence de cavings éclatés peuvent désormais être enregistrées de manière quantitative et cohérente. Applications Caractérisation des réservoirs : Les propriétés détaillées des grains aident à évaluer le tri, l'énergie de dépôt et la perméabilité potentielle. Sécurité de forage : La détection des cavings éclatés peut soutenir la prédiction en temps réel de la pression de pore. Stratigraphie et corrélation : Les logs de couleur et les statistiques des grains aident à la corrélation entre les puits et à l'identification des changements lithologiques subtils. Numérisation des déblais : Avec un mouvement croissant vers les données numériques des puits, cette méthode offre un moyen évolutif de numériser des échantillons physiques à grande échelle et d'intégrer toutes vos données dans des modèles de sous-sol. Regard vers l'avenir Nous affinons le système et élargissons ses capacités. Parlez-nous de vos problèmes spécifiques et nous développerons les outils pour extraire les statistiques dont vous avez le plus besoin !