Institut National

Polytechnique de Lorraine

Ecole Nationale Superieure de Geologie

Ecole doctorale RP2E

SIMULATIONS STOCHASTIQUES
DE FACI
`
ES PAR LA METHODE DES
MEMBERSHIP FUNCTIONS
TH
`
ESE
presentee et soutenue publiquement le 29 octobre 2004
pour lobtention du
Doctorat de lInstitut National Polytechnique de Lorraine
Specialite Geosciences
par
Laurent LABAT
Composition du jury
Presidente : Mary FORD
Directeur : Jean-Laurent MALLET
Rapporteurs : Jean BORGOMANO
Christian RAVENNE
Examinateurs : Isabelle MORETTI
Jean-Jacques ROYER
Invite : Bertrand COUREAUD
Centre de Recherches Petrographiques et Geochimiques
Laboratoire dInfographie et dAnalyse de Donnees
Rue du Doyen Marcel Roubault - 54500 Vanduvre

i
Remerciements
Mes plus sinc`eres remerciements vont `a :
Jean-Laurent Mallet, directeur de ma th`ese, qui ma ouvert les portes de
son laboratoire au sein du projet de recherche Gocad, et pour son esprit
inventif, jamais au repos, toujours ` a la ut de nouvelles voies `a explorer.
Bertrand Coureaud et Laurent Escare, de la direction de la recherche de
Gaz De France qui mont accueilli dans leur equipe et qui ont encadre mes
travaux, et plus generalement `a toute la direction exploration production
pour les discussions que nous avons pu avoir.
Jean Borgomano et Christian Ravenne pour avoir accepte detre rapporteurs
de ce travail de th`ese malgre leur charge de travail. Je remercie egalement
Mary Ford, Isabelle Moretti, Jean-Jacques Royer pour leur participation ` a
ce jury de th`ese.
La dream team : Sophie, David, Fran cois, Laurent, Thomas avec qui jai
partage mes journees de travail mais aussi les soirees plus festives, ainsi que
le sport necessaire pour eliminer tout ces exc`es,
Merci aussi ` a Richard pour mavoir accueilli dans son bureau, et mavoir
devoile tous les secrets de Jumeaux et +,
Merci a Christian, J-C, Pimu et toute lequipe du labo de Nancy, pour tous
les conseils, les discussions et les grandes theories que nous avons pu echa-
fauder, souvent autour dun cafe... Nous ne sommes pas encore parvenus `a
decouvrir la face cachee du monde, mais nous y parviendrons...cest certain.
Un grand merci en particulier a M. Cugurno, toujours l` a quand il faut, et
toujours prete a donner un coup de main avec le sourire.
Enn, une pensee pour ma famille pour tous les encouragements quils ont
pu me donner tout au long de ces annees, et un grand merci a Karine, ma
femme, pour toute sa patience, et son soutien de tous les instants durant
ces annees entre Paris et Nancy.
ii
iii
Resume
Un reservoir petrolier est un syst`eme physique complexe dont on souhaite es-
timer au mieux les heterogeneites, `a partir dun ensemble de donnees heterog`enes.
Cela peut etre realise soit de fa con deterministe (generation dun seul et unique
mod`ele du sous-sol, integrant au mieux lensemble des donnees), soit en utilisant
des methodes de simulations geostatistiques : le but de ces methodes nest pas
dobtenir un mod`ele unique du sous-sol, mais un ensemble de mod`eles du sous-sol
equiprobables et representatifs des heterogeneites supposees dans le reservoir.
Ce travail de th`ese a pour but de proposer une nouvelle methodologie de ge-
neration de mod`eles equiprobables, en integrant un large eventail de donnees.
Dans une premi`ere partie, les methodes de simulations stochastiques de faci`es
couramment utilisees sont decrites. Ensuite, apr`es avoir deni la notion de mem-
bership function et eectue quelques rappels sur linterpolateur DSI, lintegration
de dierents types de donnees (donnees de puits, cartes et courbes de propor-
tions, donnees sismiques, anisotropie) dans la methode proposee est detaillee.
Cela permet de mettre en evidence la diversite des donnees pouvant etre prises
en compte dans cette methode. La partie suivante est dediee `a la problematique
de linterpolation de probabilites de faci`es ayant pour but la generation dun cube
de proportions. Dierentes methodes dinitialisation et dinterpolation des pro-
prietes y sont abordees successivement et les resultats sont compares. Dans la
derni`ere partie, trois methodes permettant de generer des simulations stochas-
tiques de faci`es `a partir du cube de proportions sont proposees et les resultats
obtenus avec ces dierentes methodes presentes.
iv
v
Abstract
An oil reservoir is a complex physical system whose challenge is to estimate
as best as possible the heterogeneities from a set of heterogeneous available data.
This estimation can be carried out using a deterministic approach (accounting
for all available data integrated into a unique model) or geostatistical simulation
methods : these methods do not aim at providing a single model of the under-
ground, but rather to generate a large set of alternative, equiprobable models
representing the heterogeneities expected into the reservoir.
The main goal of this work is to propose a new method for generating al-
ternative and equiprobable models, accounting for a large set of data. The rst
part is a review of commonly used geostatistical methods. In a second part, the
theory of membership functions is introduced, and the integration of several data
types (well logs, proportion map and curve, seismic data, anisotropy) into the DSI
interpolator is detailed, and demonstrate the ability of the DSI Interpolator to
integrate a large set of constraints. The next part discusses the specic problem
of the interpolation of facies occurrence probabilities, and presents dierent ways
to compute a proportion cube(computing an initial solution, using a multigrid
algorithm or using the DSI algorithm). The last part presents three alternative
methods to generate stochastic models from a proportion cube, and the results
obtained are discussed.
vi
TABLE DES MATI
`
ERES vii
Table des mati`eres
I Simulations stochastiques 3
1 Les methodes de simulations stochastiques de faci`es 5
1.1 Cadre general des simulations stochastiques . . . . . . . . . . . . 6
1.1.1 Principe des simulations stochastiques . . . . . . . . . . . 7
1.1.2 Classication des methodes de simulation stochastique . . 7
1.2 Les methodes basees objet . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Les methodes pixel . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.2 Principe des simulations sequentielles . . . . . . . . . . . 11
1.3.3 Simulations sequentielles par indicatrices . . . . . . . . . . 11
1.3.4 Simulations par gaussiennes tronquees . . . . . . . . . . . 13
1.3.5 Methode des plurigaussiennes tronquees . . . . . . . . . . 14
1.3.6 Introduction de donnees externes . . . . . . . . . . . . . . 15
1.4 Simulations geostatistiques multipoints . . . . . . . . . . . . . . . 17
1.4.1 Extraction de formes sur limage dapprentissage . . . . . . 18
1.4.2 Reconnaissance de formes . . . . . . . . . . . . . . . . . . 19
1.4.3 Reproduction de formes ou simulation . . . . . . . . . . . 19
1.4.4 Integration de donnees externes . . . . . . . . . . . . . . . 20
1.4.5 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
II Des donnees au cube de proportions 23
2 Des donnees aux contraintes 25
2.1 La membership function : denition et proprietes . . . . . . . . . . 25
2.2 Interpolation de la membership function . . . . . . . . . . . . . . 27
2.2.1 Krigeage par indicatrices . . . . . . . . . . . . . . . . . . . 28
2.2.2 Linterpolateur DSI . . . . . . . . . . . . . . . . . . . . . . 30
2.2.3 La methode DSI . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.4 Exemple de contraintes . . . . . . . . . . . . . . . . . . . . 31
2.3 Integration des donnees . . . . . . . . . . . . . . . . . . . . . . . . 33
2.3.1 Les donnees de puits . . . . . . . . . . . . . . . . . . . . . 33
viii TABLE DES MATI
`
ERES
2.3.2 Carte et courbe de proportions . . . . . . . . . . . . . . . 35
Estimation des courbes de proportions . . . . . . . . . . . 35
Mise sous forme de contrainte des courbes de proportions 37
Estimation des cartes de proportions . . . . . . . . . . . . 37
Mise sous forme de contrainte des cartes de proportions . 38
2.3.3 Les coupes geologiques . . . . . . . . . . . . . . . . . . . . 39
2.3.4 Donnees sismiques . . . . . . . . . . . . . . . . . . . . . . 39
Prise en compte des donnees sismiques . . . . . . . . . . . 40
Mise sous forme de contraintes . . . . . . . . . . . . . . . . 40
2.3.5 Probabilites de transition entre faci`es . . . . . . . . . . . . 41
Notion de probabilite de transition . . . . . . . . . . . . . 41
Estimation des probabilites de transition . . . . . . . . . . 42
Analyse des sequences de faci`es verticales par les chaines
de Markov . . . . . . . . . . . . . . . . . . . . . 43
Integration sous forme de contraintes statiques . . . . . . 45
Integration sous forme de contraintes dynamiques . . . . 46
2.4 Prise en compte de direction danisotropie . . . . . . . . . . . . . 46
2.4.1 Lapproche par masques . . . . . . . . . . . . . . . . . . . 47
Denition dun masque elliptique . . . . . . . . . . . . . . 47
Le principe . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Mise sous forme de contrainte . . . . . . . . . . . . . . . . 48
Les resultats obtenus . . . . . . . . . . . . . . . . . . . . . 49
2.4.2 Lapproche cellule ` a cellule . . . . . . . . . . . . . . . . . 49
Le probl`eme `a resoudre . . . . . . . . . . . . . . . . . . . . 50
Mise sous forme de contrainte . . . . . . . . . . . . . . . . 51
Resultats obtenus . . . . . . . . . . . . . . . . . . . . . . . 53
Cas detude avec un faci`es . . . . . . . . . . . . . . . . . . 53
Cas detude du delta . . . . . . . . . . . . . . . . . . . . . 54
Cas detude dun chenal . . . . . . . . . . . . . . . . . . . 56
3 Interpolation de la membership function 59
3.1 Presentation du jeu de donnees . . . . . . . . . . . . . . . . . . . 59
3.2 Interpolation par linterpolateur DSI iteratif . . . . . . . . . . . . 60
3.3 Calcul dune solution initiale . . . . . . . . . . . . . . . . . . . . . 62
3.3.1 Approche par initialisation de plans . . . . . . . . . . . . . 62
Principe de la methode . . . . . . . . . . . . . . . . . . . . 62
Resultats obtenus sur le jeu de donnees de test . . . . . . . 63
3.3.2 Approche multigrille . . . . . . . . . . . . . . . . . . . . . 64
Principe de la methode . . . . . . . . . . . . . . . . . . . . 64
Test de lecacite numerique de la methode . . . . . . . . 65
Resultats obtenus sur le jeu de donnees de test . . . . . . . 66
3.3.3 Interpolation de probabilites de faci`es et interpolateur iso-
trope . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
TABLE DES MATI
`
ERES ix
3.4 Etude de limportance de la connectivite entre les strates . . . . . 68
3.5 Utilisation dun algorithme DSI matriciel . . . . . . . . . . . . . . 73
La methode DSI . . . . . . . . . . . . . . . . . . . . . . . 73
3.5.1 Minimisation de R

() . . . . . . . . . . . . . . . . . . . 74
3.5.2 Methode des gradients conjugues . . . . . . . . . . . . . . 74
3.5.3 Ecacite de la methode . . . . . . . . . . . . . . . . . . . 75
3.6 Decomposition du domaine en blocs glissants . . . . . . . . . . . 76
3.6.1 Principe de la methode . . . . . . . . . . . . . . . . . . . . 76
3.6.2 Resultats obtenus sur le cas de test . . . . . . . . . . . . . 77
3.7 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
III Du cube de proportions aux realisations 81
4 Generer des realisations 83
4.1 Simulation ` a laide dun seul champ de probabilites . . . . . . . . 83
4.1.1 Resultats obtenus . . . . . . . . . . . . . . . . . . . . . . . 85
4.2 Simulations multi PField . . . . . . . . . . . . . . . . . . . . . 86
4.2.1 Principe de la methode . . . . . . . . . . . . . . . . . . . . 87
4.2.2 Ordre de simulation de faci`es . . . . . . . . . . . . . . . . 90
4.2.3 Resultats obtenus . . . . . . . . . . . . . . . . . . . . . . . 91
4.2.4 Contraintes dynamiques : exemple des contraintes de tran-
sition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.3 Simulations basees sur des motifs . . . . . . . . . . . . . . . . . . 93
4.3.1 Simulations basees sur les motifs . . . . . . . . . . . . . . 95
4.3.2 Resultats obtenus . . . . . . . . . . . . . . . . . . . . . . . 96
4.4 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
x TABLE DES MATI
`
ERES
TABLE DES FIGURES xi
Table des gures
1.1 Simulations stochastiques de faci`es A- Simulation par methode
pixel B- Simulation par methode objet (Dapr`es Dubrule [16]) 8
1.2 Des donnees de terrain aux indicatrices de faci`es . . . . . . . . . . 12
1.3 Principe des simulations gaussiennes tronquees (Dapr`es Dubrule
[16]) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4 Relations possibles entre 3 faci`es . . . . . . . . . . . . . . . . . . . 15
1.5 Relations possibles entre 4 faci`es . . . . . . . . . . . . . . . . . . . 15
1.6 Relations possibles entre 5 faci`es . . . . . . . . . . . . . . . . . . . 16
1.7 A - Description dun motif elementaire B - Methode dextraction
de formes : un motif parcourt limage dapprentissage et permet
lobservation des dierentes combinaisons (Dapr`es Caers [5]). . . 18
1.8 Resultats dun cas detude statistiques multipoints. (Dapr`es Caers
[5]) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1 Denition de la membership function dans lespace . . . . . 26
2.2 Donnees de puits et interpolation barycentrique . . . . . . . . . . 33
2.3 Denition des cartes et courbes de proportions (Mallet, [34]) . . . 36
2.4 Coupe geologique (A) et correspondance en terme de pseudo-puits
(B) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5 Denition des probabilites de transition . . . . . . . . . . . . . . 41
2.6 Denition dun masque elliptique . . . . . . . . . . . . . . . . . . 47
2.7 Prise en compte de lanisotropie avec la methode des masques.
Probl`emes rencontres . . . . . . . . . . . . . . . . . . . . . . . . 49
2.8 Interpolation bilineaire dune fonction (u,v) dans une cellule (
dune grille reguli`ere 2D, ayant pour vecteurs de base U
g
and V
g
. 51
2.9 Premier cas detude : A- Points de donnees imposes B- Resultat de
linterpolation sans anisotropie C- Champ de vecteurs danisotro-
pie impose D- Resultat obtenu en imposant le champ de vecteurs 54
2.10 Denition dun champ de vecteurs modelisant la geometrie dun
delta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.11 Resultat de linterpolation en appliquant les trois points de donnees
(reperes par des _ sur la gure): A- Pas danisoptropie imposee
B- Champ de vecteur W
2
impose . . . . . . . . . . . . . . . . . . 55
xii TABLE DES FIGURES
2.12 Denition dun champ de vecteurs modelisant la geometrie dun
chenal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.13 Resultat de linterpolation en appliquant les trois points de donnees
(reperes par des _ sur la gure): A- Pas danisoptropie imposee
B- Champ de vecteur W
3
impose . . . . . . . . . . . . . . . . . . 57
3.1 Presentation du jeu de donnees utilise. Les faci`es F
1
,F
2
,F
3
,F
4

sont observes aux puits . . . . . . . . . . . . . . . . . . . . . . . 60

3.2 Resultat de linterpolation de la membership function dans la
grille, apr`es 400 iterations. . . . . . . . . . . . . . . . . . . . . . . 61
3.3 Triangulation des donnees de puits dans lespace (u,v) . . . . . . 62
3.4 Resultat de linitialisation dune grille plan par plan . . . . . . . 63
3.5 Methode dinitialisation multigrille ` a deux niveaux. Les etapes nu-
merotees sur fond blanc correspondent ` a des etapes dupscaling,
les etapes numerotees sur fond gris correspondent ` a des etapes
dinterpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.6 Interpolation multigrille dune propriete scalaire, dans une grille de
2 millions de cellules. A- Mod`ele structural initial B- Initialisation
de la grille avec les valeurs associees aux horizons C- Resultat de
linterpolation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.7 Interpolation par la methode multigrille dans le volume de la mem-
bership [Link] donnees correspondent au jeu de test presente
en (3.1) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.8 Denition des voisins
i
du nud . . . . . . . . . . . . . . . . 68
3.9 Resultat de linterpolation de la membership function en fonc-
tion de la connectivite verticale des nuds : A et B- Interpolation
isotrope; C et D- Interpolation anisotrope . . . . . . . . . . . . . 69
3.10 Resultat de linterpolation de la membership function avec une
ponderation dans la contribution des voisins . . . . . . . . . . . . 71
3.11 Details de linterpolation de la membership function dans la
grille : trois sections W adjacentes sont presentees. Dans la bande
superieure, linterpolation est eectuee plan par plan. Dans la bande
inferieure, la connectivite verticale est ponderee . . . . . . . . . . 72
3.12 Etapes de linterpolation par blocs de la membership function
dans la grille . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.13 Resultat de linterpolation de la membership function par blocs
(10 blocs ont ete utilises dans cet exemple) . . . . . . . . . . . . 78
4.1 Membership function cumulee (; ) associee `a la membership
function () et ` a la liste ordonnee des faci`es F
1
,F
2
, ,F
n
.
Cette fonction peut etre utilisee pour construire un simulateur ` a
partir dun champ de probabilites P() (Dapr`es Mallet, [34]) . . 84
TABLE DES FIGURES xiii
4.2 Valeur de la membership function pour les 4 faci`es consideres A-
Faci`es 1 B- Faci`es 2 C- Faci`es 3 D- Faci`es 4 . . . . . . . . . . . . . 85
4.3 Champ de probabilite utilise pour eectuer la simulation . . . . . 86
4.4 Resultat de la simulation . . . . . . . . . . . . . . . . . . . . . . . 87
4.5 Principe de la methode multi PField . . . . . . . . . . . . . . . 88
4.6 Application de la methodeMulti PFielddans un cas 2D - Exemple
de realisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.7 Exemple de realisations des champs de probabilites associes aux
faci`es F
1
(A), F
2
(B) et F
3
(C). . . . . . . . . . . . . . . . . . . . 91
4.8 Resultat de la simulation pour le jeu de test, avec la methode
multi-PField . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.9 Relations possibles entre 3 faci`es . . . . . . . . . . . . . . . . . . . 94
4.10 Methode de simulation par motifs. A - Motifs utilises B - Resultats
de la simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
0 TABLE DES FIGURES
TABLE DES FIGURES 1
Introduction
Un reservoir petrolier est un syst`eme physique invisible et complexe que lon
souhaite connatre au mieux ` a partir des informations obtenues par les geologues
et les geophysiciens. Certaines donnees fournissent une connaissance directe du
sous-sol, localisee aux zones o` u des forages ont ete eectues. Linformation ob-
tenue est une information ` a haute resolution verticale, mais sur un volume tr`es
limite de roches au voisinage des puits. De plus, le co ut des forages etant eleve,
peu de puits sont en general disponibles sur les champs.
Dautres informations plus extensives peuvent egalement etre disponibles,
comme des donnees de sismique reexion. Ces donnees acquises lors de cam-
pagnes sismiques couvrent une partie ou la totalite du champ, en deux ou trois
dimensions, mais presentent une faible resolution verticale. Le caract`ere extensif
de ces donnees fait quelles sont neanmoins tr`es utilisees pour caracteriser les
reservoirs petroliers. Dautres donnees qualitatives, telles que la connaissance du
contexte geologique de la zone, du bloc voisin ou dun champ analogue, peuvent
venir completer leventail de donnees disponibles pour apprehender un reservoir.
Le but de ce travail de th`ese est de proposer une methodologie permettant
dintegrer lensemble des donnees disponibles dans une representation en faci`es
du sous-sol.
Lapproche deterministe consiste `a construire un seul mod`ele du sous-sol, syn-
thetisant au mieux lensemble des informations disponibles, mais cette approche
se rev`ele insusante dans le cas de reservoirs complexes. De plus, plusieurs mo-
d`eles peuvent neanmoins respecter lensemble des donnees. Les geostatistiques
fournissent un autre type dapproche, dont le but nest pas dobtenir un mo-
d`ele unique du sous-sol, mais un ensemble de mod`eles du sous-sol equiprobables
et representatifs des heterogeneites des reservoirs. Les methodes de simulations
stochastiques fournissent aussi une estimation des incertitudes associees aux re-
sultats, et ces incertitudes sont un facteur clef pour les prises de decision quant
`a lexploitation dun champ.
Le chapitre 1 de ce memoire expose les methodes couramment utilisees pour
2 TABLE DES FIGURES
eectuer des simulations geostatistiques de variables categoriques, telles que les
faci`es. Les chapitres 2 `a 4 constituent le cur du travail de th`ese : le chapitre 2
presente une methodologie basee sur linterpolateur DSI permettant lintegration
de donnees de nature, de resolution et dechantillonnage variables au sein dun
meme mod`ele. Le chapitre 3 expose dierentes methodes dinterpolation envisa-
gees dans le cadre de linterpolation de probabilites de faci`es, pour obtenir sur la
zone detude un cube de probabilites doccurence de faci`es. Le chapitre 4 presente
trois methodes originales permettant de generer des simulations stochastiques de
faci`es `a partir du cube de probabilites.
3
Premi`ere partie
Simulations stochastiques
5
Chapitre 1
Les methodes de simulations
stochastiques de faci`es
Nous adopterons, dans tout ce memoire, une denition relativement large du
terme faci`es, cest-`a-dire que lon designera sous le terme generique faci`es une
variable discr`ete representant labsence ou la presence dun environnement geo-
logique, dune lithologie ou dun type de roches.
Au cours du processus dexploration, les donnees acquises sont de nature, de
resolution et de qualite variables. On peut par exemple citer les donnees de puits
acquises lors de forages (carottes, diagraphies,...), qui permettent dobtenir une
image tr`es precise du sous-sol, mais ces donnees sont ponctuelles, localisees le
long de la trajectoire des puits. Les informations issues de ces donnees de puits
peuvent etre de natures diverses : leur analyse permet dextraire des donnees re-
latives `a la nature des faci`es geologiques, mais aussi des donnees relatives aux
proprietes petrophysiques de la roche. Apr`es interpretation, on dispose alors de
donnees de faci`es. Ces donnees sont precises, ables, mais sont extremement lo-
calisees dans lespace. Il est donc necessaire de completer la connaissance de la
zone par dautres techniques plus extensives.
Par exemple, letude dun domaine peut etre amelioree par les informations
fournies par une campagne de sismique reexion. La technique consiste `a eec-
tuer des vibrations en un point du sous-sol (i.e. point source), et detudier la
reponse `a ces vibrations en dierents points de la zone (i.e. recepteurs). Le si-
gnal vibratoire emis par la source se reechissant sur les dierentes interfaces en
fonction de langle dincidence, il est alors possible dimager le sous-sol en me-
surant les temps de reponse (i.e. le temps necessaire au signal pour parcourir la
distance source/recepteur) et les amplitudes re cues sur les dierents recepteurs.
Linformation amplitude sismique necessite detre traitee pour etre reliee aux
proprietes petrophysiques des roches qui sont interpretes en terme de faci`es. On
obtiendra alors une cartographie en temps de la zone. Il est alors necessaire de
6 CHAPITRE 1. LES M

ETHODES DE SIMULATIONS STOCHASTIQUES DE FACI

`
ES
convertir cette informationtemps en informationprofondeur. Cette operation
(communement appelee conversion temps/profondeur) se realise soit en realisant
une hypoth`ese sur la nature des couches (methode directe de conversion), soit par
un processus iteratif. Dans les deux cas, les donnees issues de cette conversion
sont entachees dincertitudes, et ne peuvent pas etre consideree aussi ables que
les donnees de puits par exemple.
Un autre type de donnees que lon peut utiliser lors dune etude est la connais-
sance du contexte regional. Ce type dinformations provient de letude du bassin
ou de champs analogues et apporte des informations sur la forme des structures
et la nature des roches les constituant. Cette information est une information `a
grande echelle, mais nest absolument pas une information ponctuelle : elle nest
donc pas aussi precise dans lespace quune donnee observee au puits.
On ne peut alors que constater que les quelques types de donnees presentees
ici sont de natures et de precisions tr`es dierentes. Le processus qui consiste `a
estimer la nature dun sous-sol en integrant lensemble des donnees disponibles
doit donc etre susamment exible pour prendre en compte des donnees acquises
`a dierentes echelles (temps et espace), mais aussi des donnees de qualites dif-
ferentes, et dont la abilite est variable.
La modelisation du sous-sol peut etre eectuee soit de mani`ere deterministe
(en utilisant des methodes dinterpolation), soit de mani`ere stochastique (en
utilisant des methodes de simulation). Alors que les methodes dinterpolation
conduisent ` a une solution unique, les methodes de simulation ont pour but de
generer une innite de mod`eles equiprobables et representatifs de lheterogeneite
du sous-sol.
Dans cette partie, nous allons nous attacher ` a decrire les methodes les plus
couramment utilisees pour eectuer les simulations stochastiques.
1.1 Cadre general des simulations stochastiques
Le but des simulations stochastiques est de fournir un moyen de generer un
grand nombre de realisations equiprobables, alternatives qui respectent les hete-
rogeneites observees `a partir des donnees disponibles, et supposees dans le milieu
reel.
Les simulations stochastiques permettent dintroduire dierents types dincer-
titudes dans le processus de prediction dun syst`eme complexe. Dans un premier
temps, nous presenterons le principe des simulations stochastiques, les dierents
types, et nous detaillerons ensuite les methodes les plus utilisees.
1.1. CADRE G

EN

ERAL DES SIMULATIONS STOCHASTIQUES 7

1.1.1 Principe des simulations stochastiques
Les simulations stochastiques sont denies comme suit (Journel [28], Chiles
[8]) : considerons la distribution sur une zone detude dune propriete z(u), u
etant un point de lespace detude. On appelerasimulation stochastique de la va-
riable z(u)le processus de generation de mod`eles haute denition z

1
(u),z

2
(u), ,
alternatifs et equiprobables de la distribution spatiale de z(u) sur le domaine
detude .
La simulation stochastique est dite conditionnee aux points u

si lensemble
des simulations eectuees (i.e. les realisations) z

i
honore les points de donnees
u

:
z

i
(u

) = z(u

) i,
Il est important de noter que les simulations stochastiques conditionnelles
di`erent des methodes dinterpolation par le fait quelles ne conduisent pas ` a la
construction dun seul et unique mod`ele, estime au mieux, mais ` a une multitude
de mod`eles equiproblables, honorant lensemble de donnees et ayant des proprietes
statistiques analogues.
1.1.2 Classication des methodes de simulation stochas-
tique
Les methodes de simulation stochastiques sont generalement classees en deux
ou trois types. Par exemple, Chiles et al. [8] proposent de classer les dierentes
methodes de simulation en fonction de la nature de la variable ` a simuler :
Simulation dune variable continue : une variable est dite continue si elle
poss`ede un histogramme continu et une continuite spatiale. Il sagit par
exemple de proprietes petrophysiques dune roche, de lepaisseur dune couche,
ou de la vitesse de propagation dune onde.
Simulation dune variable categorique : une variable categorique est une va-
riable discr`ete correspondant generalement `a des elements de classication,
comme par exemple les faci`es. Le resultat des simulations est un ensemble
de partitions de lespace, dans chacune desquelles la valeur de la variable
simulee est constante.
Simulation dobjets : un objet est une forme geometrique, prealablement
capturee dans le domaine detude `a simuler. On peut par exemple simuler
des chenaux, que lon modelise generalement par une forme sinusodale, ou
des fractures, representees par un disque ou un segment de dimension et
dorientation donnees.
Generalement, les simulations de variables continues et categoriques sont re-
groupees au sein dune meme classe, et lon ne distingue alors plus que deux
8 CHAPITRE 1. LES M

ETHODES DE SIMULATIONS STOCHASTIQUES DE FACI

`
ES
A B
Fig. 1.1 Simulations stochastiques de faci`es A- Simulation par methode pixel
B- Simulation par methode objet (Dapr`es Dubrule [16])
familles de simulations :
Les methodes pixel, correspondant ` a la simulation des variables continues
ou categoriques (gure (1.1-A)),
Les methodes basees objets (gure (1.1-B)).
Ces deux grands types de simulation vont etre brievement presentee dans ce
qui suit.
1.2 Les methodes basees objet
Les methodes basees objet (aussi appelees methodes booleennes) utilisent
des formes de corps sedimentaires predenies (comme par exemple des chenaux),
decrites sous une forme parametrique. Les algorithmes associes aux methodes
objets gen`erent des distributions spatiales dobjets geometriques dont les realisa-
tions sont obtenues par la superposition de formes geometriques simples, comme
des disques, des ellipses, des sinusodes,. . .
Ces methodes sattachent ` a :
estimer, en fonction des donnees ou danalogues, des param`etres quantitatifs
sur la geometrie (tels que les dimensions, les orientations) et lagencement
des corps sedimentaires (tels que la densite de presence, les relations entre
les dierents corps) ;
1.3. LES M

ETHODES PIXEL 9
construire des mod`eles du sous-sol rendant compte de ces param`etres et des
donnees disponibles. Les donnees de conditionnement etant souvent limitees
en terme de qualite et de quantite, il est possible denvisager une innite
de mod`eles pouvant leur correspondre.
En pratique, les methodes objets ne sont applicables que dans le cas de si-
mulation dobjets geologiques ayant une forme bien denie (comme des chenaux
par exemple). Dans le cas denvironnements de depots uvio-deltaiques o` u les
reservoirs principaux se situent dans les chenaux sableux, ces mod`eles peuvent
produire des images tr`es realistes de larchitecture du reservoir. En revanche, ces
methodes ne permettent pas de prendre facilement en compte des variations in-
ternes de lithologie, car seule la geometrie du corps est simulee.
Les methodes basees objet sattachent donc ` a simuler la distribution des corps
sedimentaires dans la zone detude. Lopez [33] propose une approche combinant
des methodes stochastiques et deterministes `a lechelle des temps geologiques
pour simuler la formation de corps reservoirs chenalises. Pour simuler les proprie-
tes petrographiques, les methodes de simulation basees objet sont generalement
couplees `a des methodes pixel: Viseur [60] propose une methode originale de
simulation de proprietes petrophysiques dans les environnements chenalisants. La
methode proposee consiste `a simuler dans un premier temps les chenaux par une
methode proche des simulations objet(on positionne dans lespace des chenaux,
denis comme des objets parametriques), puis ` a eectuer dans chacun des che-
naux la simulation des proprietes petrophysiques par une methode pixel.
1.3 Les methodes pixel
1.3.1 Introduction
Les methodes pixel constituent la grande majorite des methodes stochas-
tiques utilisees actuellement dans le domaine petrolier. Contrairement aux me-
thodes booleennes pour lesquelles on sinteresse `a la distribution des corps se-
dimentaires en temps quobjet, ces methodes apprehendent lespace comme un
ensemble de points, ces points servant de support aux proprietees observees ou
modelisees.
De mani`ere generale, la simulation stochastique dune propriete eectuee `a
laide dune approche pixel peut se decomposer en deux phases :
Une premi`ere etape qui consiste `a etudier la variabilite spatiale de la pro-
priete que lon cherche `a caracteriser. Dans les cas les plus classiques, il sagit
de la determination dun variogramme experimental, qui va permettre de
10 CHAPITRE 1. LES M

ETHODES DE SIMULATIONS STOCHASTIQUES DE FACI

`
ES
quantier dun point de vue statistique le degre de correlation des donnees
en fonction de la distance qui les separe. Le variogramme est une donnee
essentielle pour caracteriser la forme des corps que lon cherche ` a modeliser.
Par denition, pour une fonction aleatoire Z(u), le variogramme (h) peut
etre exprime ainsi :
(h) = E
_
(Z(u) Z(u +h))
2
2
_
(1.1)
h etant un vecteur separant les points u et (u + h). Il mesure donc lecart
quadratique des valeurs de la fonction Z(u) entre les points u et (u +h).
La seconde etape est la simulation conditionnee aux donnees (i.e. qui va
respecter au mieux la valeur de la propriete aux points de donnees consi-
deres).
Les applications des methodes pixel sont nombreuses. On peut citer par
exemple Murray [48], Dimitrakopoulos [11]. Les methodes de simulation stochas-
tiques pixel sont aussi adaptees `a la modelisation conjointe de proprietes en
un meme point. Il est toutefois necessaire de disposer de susament de points
dechantillonage pour caracteriser correctement la variabilite spatiale de la ou des
proprietes modelisees, ainsi que les relations entre les dierentes proprietes.
De plus, comme nous venons de le voir, les simulations seectuent sur un
support geometrique qui doit etre determine. Ainsi, en choisissant de mani`ere
adequate le support, il est possible deectuer les simulations dans un cadre chro-
nostratigraphique, en prenant en compte lorganisation sequentielle des faci`es
([59], [62]).
Les methodes de simulations geostatistiques les plus couramment utilisees en
approche pixel sont les methodes de simulation gaussienne sequentielle (SGS)
(cf. Journel [28], Deutch et al. [10]), de simulation par indicatrices (SIS) (cf. Jour-
nel [28], Journel et al. [30], Goovaerts [21]), la methode des gaussiennes tronquees
(cf. Matheron [44]) ou la methode des plurigaussiennes tronquees (cf. Loch et
al. [32]). Plus recemment, des methodes basees sur les geostatistiques multipoints
ont ete proposees par Caers [5] et Strebelle et al. [55].
Nous allons nous attacher ` a decrire rapidement le principe des methodes les
plus classiques. Dans un premier temps, nous nous interesserons `a la methode
SGS, qui permet de simuler des variables continues, et nous verrons comment
cette methode a pu etre adaptee pour simuler des variables categoriques. Nous
verrons ensuite les methodes des gaussiennes tronquees et les geostatistiques mul-
1.3. LES M

ETHODES PIXEL 11
tipoints.
1.3.2 Principe des simulations sequentielles
Les deux methodes SIS et SGS sont basees sur lapproche sequentielle de la
simulation decrite par Journel et Alabert [29], ainsi que Gomez-Hernandez et
Srivastava [20].
Le principe general de lalgorithme des simulations sequentielles condition-
nelles est le suivant :
1. Denir un chemin aleatoire passant par lensemble des nuds u
j
de la
grille de simulation (i.e. le support)
2. Attribuer une valeur de la variable aleatoire simulee Z(u
1
), au premier nud
u
1
de la grille, en prenant en compte les (n) donnees conditionnelles dans
un voisinage de u
1
. Cette valeur est calculee par krigeage, de la mani`ere
suivante :
estimation de la valeur krigee Z
k
(u
1
) et de lerreur destimation
2
es
(u
1
)
en prenant en compte les points de donnees presents dans le voisinage
de u
1
.
tirage par la methode de Monte Carlo dune valeur simulee Z(u
1
) dans
la distribution normale ^(Z
k
(u
1
),
es
(u
1
)).
3. Ajouter la valeur Z(u
1
) `a la liste des donnees de conditionnement.
4. Attribuer une valeur de la variable aleatoire simulee, au second nud sur
le chemin aleatoire utilise pour parcourir la grille, en prenant en compte les
(n + 1) donnees conditionnelles, comme ` a letape 2.
5. Repeter cette operation jusqu` a ce que tous les nuds soient simules.
La methode des simulations sequentielles par indicatrices, qui permet deec-
tuer des simulations de variables categoriques, est detaillee ci-dessous.
1.3.3 Simulations sequentielles par indicatrices
La methode des simulations sequentielles par indicatrices (SIS) (cf. Journel
[28], Goovaerts [21]) est la methode pixel la plus populaire pour simuler des
variables discr`etes. Elle est basee sur la notion dindicatrice.
Lindicatrice est denie comme suit : considerons un ensemble de forages ef-
fectues dans un reservoir. Une etude des carottes extraites du puits peut conduire
`a lidentication de dierents faci`es le long des puits. Si lon rep`ere chacun des
faci`es par une valeur enti`ere , lobservation de la carotte est alors traduite en une
serie de valeurs correspondantes aux faci`es observes (gure (1.2-B)). Il est alors
possible de denir, pour chacun des faci`es , l indicatrice I

(gure (1.2-C)) qui

12 CHAPITRE 1. LES M

ETHODES DE SIMULATIONS STOCHASTIQUES DE FACI

`
ES
A - Observation
B - Facis
C - Indicatrices I
k

I
1
I
4
I
3
I
2
I
5
F
1
F
2
F
3
F
4
F
5
0
1
Fig. 1.2 Des donnees de terrain aux indicatrices de faci`es
caracterise labsence ou la presence du faci`es considere le long de la trajectoire
du puits (reperee par la position u) :
I

(u) = I(u,F

) =
_
1, si u appartient au faci`es F

considere
0 sinon
On appelle I

(u) lindicatrice du faci`es `a la position u.

Une fois les indicatrices de chacun des faci`es determinees, le variogramme ex-
perimental de chacune dentre elles est calcule, et un mod`ele de variogramme est
ajuste `a chacun des variogrammes experimentaux. Rappelons que le variogramme
des indicatrices est la fonction qui mesure la probabilite que les faci`es observes
en deux nuds soient dierents, en fonction de la distance qui les separe. Il
est evident que plus la distance augmente, plus cette probabilite augmente. Ge-
neralement, les mod`eles de variogramme spherique et exponentiel sont utilises
pour modeliser les indicatrices, le mod`ele gaussien etant peu adapte `a ce type de
variables. Les mod`eles de variogrammes selectionnes et leurs param`etres caracte-
risent les structures spatiales des faci`es modelises.
Une fois cette etape realisee, la simulation par indicatrices est generalement
eectuee en utilisant lalgorithme de simulation sequentielle par indicatrices, pro-
pose par Journel [28].
1.3. LES M

ETHODES PIXEL 13
Les simulations sequentielles par indicatrices sont lapplication des simulations
gaussiennes sequentielles (SGS) aux variables discr`etes. La principale dierence
apparat dans letape de krigeage : lors de la simulation par indicatrices, la va-
riable krigee correspond la probabilite que la valeur 1 soit attribuee `a lindicatrice.
Le principe reste le meme, seules les variables krigees sont dierentes.
Communement, on suppose que la portee du variogramme de lindicatrice
correspond ` a la taille des corps modelises. Cette supposition est discutable car le
meme variogramme doit modeliser `a la fois la structure spatiale du faci`es considere
(et donc la taille des corps), mais aussi la structure spatiale dunon faci`es, cest-
`a-dire de lensemble des points o` u le faci`es nest pas simule.
Un exemple dapplication de la methode des simulations sequentielles par
indicatrices `a un depot duranium est proposee par Journel et Isaaks dans [31].
1.3.4 Simulations par gaussiennes tronquees
Surface
tronquer
A - Champ gaussien et
troncatures
B- Carte de facis
Facis 1
Facis 2
Facis 3
F
3
F
2
F
1
Fig. 1.3 Principe des simulations gaussiennes tronquees (Dapr`es Dubrule [16])
La methode des gaussiennes tronquees, decrite par Matheron [43] ,Galli [19],
Downd [12], Allard [1] sappuye comme precedemment sur la denition dindica-
trices de faci`es. Lalgorithme correspondant ` a cette methode peut etre decompose
en deux etapes :
une premi`ere etape consiste `a generer un champ aleatoire gaussien (gure
(1.3-A)).
dans un deuxi`eme temps, des valeurs de coupure (appellees couramment
cut-os) sont appliquees sur cette variable continue, et permettent de
14 CHAPITRE 1. LES M

ETHODES DE SIMULATIONS STOCHASTIQUES DE FACI

`
ES
denir ainsi les dierents faci`es (gure (1.3-B)). Les valeurs de coupure
sont prealablement determinees en fonction des proportions globales des
dierents faci`es sur la zone.
Cette methode a ete etendue `a plusieurs reprises pour prendre en compte des
donnees de conditionnement au niveau des puits (Freulon et De Fouquet [18]),
mais aussi pour incorporer des informations sismiques dans la simulation (Mou-
liere et al. [47]).
1.3.5 Methode des plurigaussiennes tronquees
La methode de simulation des plurigaussiennes tronquees est une methode
pour simuler des variables categoriques (comme les faci`es) dans un contexte geo-
logique. Cette methode est une extension de la methode des gaussiennes tron-
quees. Elle est basee sur la troncature de deux fonctions gaussiennes.
En pratique, la methode utilise deux fonctions aleatoires gaussiennes Z
1
(u)
et Z
2
(u), obtenues par combinaisons lineaires de deux fonctions aleatoires gaus-
siennes Y
1
(u) et Y
2
(u) :
Z
1
(u) = Y
1
(u)
Z
2
(u) = p Y
1
(u) +
_
1 p
2
Y
2
(u)
p correspond ` a un coecient de correlation entre Z
1
(u) et Z
2
(u), et permet
dintroduire un degre de liberte supplementaire dans la modelistion (cf. [32]).
Dans cette methode, quatre parametres ont une importance :
le nombre de faci`es
les relations spatiales entre les faci`es
les valeurs de coupures appliquees `a Z
1
(u) et Z
2
(u)
la determination de la covariance de chaque gausienne, en fonction de celle
des indicatrices.
Les relations entre les dierents faci`es peuvent etre obtenues experimenta-
lement, par exemple ` a partir dobservations. Lagencement nal des dierentes
relations sera un diagramme de faci`es dans lespace deni par les deux gaussiennes
Z
1
(u) et Z
2
(u). Ainsi, en considerant trois faci`es, il y a deux agencements pos-
sibles, qui sont presentes sur la gure (1.4). Les gures (1.5) et (1.6) presentent
les agencements possibles avec quatre et cinq faci`es. Les valeurs de coupure sont
calculees en fonction de la proportion des dierents faci`es, ainsi que du coecient
de correlation p entre les deux gaussiennes Z
1
(u) et Z
2
(u). Le calcul des valeurs
de coupures ainsi que des param`etres des gaussiennes Z
1
(u) et Z
2
(u) est explicite
1.3. LES M

ETHODES PIXEL 15
F
1
F
3
F
2
F
1
F
3
F
2
Fig. 1.4 Relations possibles entre 3 faci`es
F
1
F
3
F
2
F
4
F
1 F
3
F
2
F
4
F
1
F
3
F
2
F
4
F
1
F
2
F
4
F
3
Fig. 1.5 Relations possibles entre 4 faci`es
par Dowd et al. ([13]), Pardo-Iguzquiza et al. ([50]).
La methode des plurigaussiennes tronquees apparait donc comme une exten-
sion de la methode des gaussiennes tronquees, permettant un libre agencement
des faci`es.
1.3.6 Introduction de donnees externes
Nous venons de decrire trois methodes permettant deectuer des simulations
pixel. Ces methodes sappuyent sur des donnees de conditionnement de type
puits. Nous allons voir comment il est possible dintroduire dans ces methodes
une source de donnees externe pour contraindre les simulations.
Prenons lexemple des donnees sismiques, et supposons quil existe en tout
point de la zone detude une relation entre un attribut sismique et la presence
ou labsence dun faci`es. Cela revient `a contraindre la simulation dune variable
discr`ete (i.e. la presence ou labsence dun faci`es) par une variable continue (i.e.
16 CHAPITRE 1. LES M

ETHODES DE SIMULATIONS STOCHASTIQUES DE FACI

`
ES
F
1
F
3
F
2
F
4
F
1 F
4
F
3
F
5
F
1
F
3
F
2
F
5
F
1
F
2
F
4
F
3
F
5
F
4
F
5
F
2
F
1
F
3
F
2
F
4
F
1
F
4
F
3
F
5
F
5
F
2
Fig. 1.6 Relations possibles entre 5 faci`es
lattribut sismique).
Deux approches sont possibles pour realiser cela :
La premi`ere approche consiste `a calculer ` a partir de la sismique la proba-
bilite de presence dun faci`es en tout point de la zone detude, et dutiliser
ensuite cette probabilite en tant que contrainte dans la simulation (Beucher
et al. [3]).
Une autre approche possible consiste `a realiser une simulation conjointe du
faci`es et limpedance acoustique, en sassurant que cela est compatible avec
les donnees sismiques. (Grijalba et al. [22], Hegstad et al.[26], Fichtl and al.
[17])
Nous nous interesserons plus particuli`erement `a la premi`ere methode, `a savoir
comment contraindre la simulation ` a partir dun champ de probabilites donne
(dans le cas present, issu de la sismique).
Par exemple, la methodologie proposee par Doyen et al. [15] pour realiser une
simulation contrainte par un attribut sismique peut se decomposer ainsi :
1. calculer dans un premier temps un diagramme de calibration des faci`es
observes aux puits en fonction des valeurs de lattribut sismique, et deduire
de ce diagramme les probabilites conditionnelles dapparition des dierents
faci`es en fonction de la valeur de lattribut sismique.
1.4. SIMULATIONS G

EOSTATISTIQUES MULTIPOINTS 17
2. determiner les probabilites de presence et dabsence du faci`es en tout point
du support, en se basant sur la valeur de lattribut sismique et sur les pro-
babilites conditionnelles precedemment calculees. Doyen propose dutiliser
cette donnee comme une fonction de vraisemblance, comme cela peut etre
fait avec des variables continues.
3. eectuer une simulation SIS dans la grille. Au cours de la simulation, dans
chacune des cellules de la grille, la probabilite de presence / absence des
dierents faci`es est calculee, en se basant sur les faci`es observes aux puits
(donnees de conditionnement) et sur les cellules precedemment simulees. On
peut donc considerer que la simulation SIS fournit en tout point de la grille
une valeur de probabilites a priori, basee sur les informations recueillies aux
puits et les correlations spatiales quantiees par le variogramme.
Deux types dinformations sont alors disponibles pour determiner au mieux
la probabilite de presence ou dabsence du faci`es : la probabilite a priori
fournie par la simulation SIS, et la fonction de vraisemblance estimee `a
partir de la sismique.
4. combiner les deux fonctions de probabilites (probabilite a priori et fonction
de vraisemblance), en utilisant le theor`eme de Bayes qui, applique `a notre
cas, dit que la probabilite a posteriori est le produit de la probabilite a
priori et de la fonction de vraisemblance.
5. generer une realisation, par le meme principe que la SIS, en utilisant dans le
processus de simulation les probabilites a posteriori precedemment calculees
1.4 Simulations geostatistiques multipoints
Les methodes classiques de geostatistiques (SGS, SIS, krigeage,...) sappuient
toutes sur le concept de variogramme, qui permet de mesurer la continuite geo-
logique entre deux points de lespace. On parle alors de statistique bipoint, les
points de lespace etant consideres deux `a deux, dans la denition meme du
concept de variogramme (cf. equation (1.1)).
Une nouvelle methode proposee par Journel et Caers [5] permet lutilisa-
tion de statistiques multipoints (cest-` a-dire de mesures entre plusieurs points de
lespace). Dans cette methode, les statistiques multipoints sont etablies sur des
images dapprentissage, et vont permettre dentrainer un reseau de neurones. Les
images dapprentissage correspondent ` a des donnees fournies par le geologue ou
le geophysicien, et peuvent etre de natures diverses : cartes de lithofaci`es, coupes,
image dun analogue,...Elles permettent de decrire la relation statistique non plus
entre deux points de lespace, mais entre plusieurs points de lespace consideres
simultanement. Ces relations entre des points de lespace determinees au cours
de lapprentissage vont ensuite etre utilisees au cours du processus de simulation
18 CHAPITRE 1. LES M

ETHODES DE SIMULATIONS STOCHASTIQUES DE FACI

`
ES
pour generer des images solutions equiprobables.
Le principe de la methode de simulation multipoints est detaille ci-dessous. Il
se deroule en trois etapes :
extraction de formes sur limage dapprentissage,
reconnaissance de formes,
reproduction de formes ou simulation.
1.4.1 Extraction de formes sur limage dapprentissage
Limage dapprentissage est scannee point par point en utilisant un motif
geometrique choisi par lutilisateur appelemasque(cf. Strebelle [54]). Le masque
na pas forcement de lien avec la ou les formes geologiques ` a simuler.
Guardiano et Srivastava [23] puis Wang [63] ont montre que les masques de
forme isotrope sont bien adaptes `a la reproduction de formes geologiques com-
plexes (comme les chenaux).
Argile Sable
Cellule estimer
Cellule du voisinage
A B
Fig. 1.7 A - Description dun motif elementaire B - Methode dextraction de
formes : un motif parcourt limage dapprentissage et permet lobservation des
dierentes combinaisons (Dapr`es Caers [5]).
1.4. SIMULATIONS G

EOSTATISTIQUES MULTIPOINTS 19
Supposons que lon souhaite etudier la propriete faci`es. Au fur et `a mesure
du parcours de limage dapprentissage par le masque, les dierentes combinaisons
de faci`es rencontrees sont enregistrees, et vont servir de donnees dentranement
`a un reseau de neurones.
Dans la pratique, le processus est realise par une methode multigrille, cest-
`a-dire que le processus va etre realise `a dierentes echelles.
1.4.2 Reconnaissance de formes
Letape de reconnaissance de formes passe par lestimation dun mod`ele de
probabilite local, en fonction du voisinage. Cette etape est analogue au krigeage
par indicatrices des statistiques bipoints.
La methode retenue par Caers pour eectuer cette etape de reconnaissance de
forme utilise des reseaux neuronaux (Bishop [4]), et permet dobtenir une relation
non lineaire entre la cellule `a estimer et un voisinage donne.
Pour chacun des masques consideres, un reseau neuronal est utilise et est en-
trane sur limage dapprentissage pour memoriser la relation entre la cellule ` a
estimer et le voisinage donne par le masque (gure (1.7-A)).
1.4.3 Reproduction de formes ou simulation
Letape de reconnaissance de formes a permis dentraner des reseaux neuro-
naux; ces derniers peuvent donc maintenant etre utilises dans des processus de
simulation (conditionnee aux puits ou non) pour generer des images solutions
equiprobables et representatives des statistiques multipoints etablies au cours des
etapes precedentes.
Dierents motifs peuvent etre utilises pour caracteriser plusieurs echelles dob-
servation sur les images dapprentissage. Ces dierentes echelles vont etre utilisees
dans letape de reproduction de formes au cours de simulations multigrille(Tran
[57], Strebelle [54]) : une echelle dobservation est representee par une grille. Si lon
a n echelles dobservation, on realisera n simulations. On simule dabord la grille
la plus grossi`ere (motif de plus grande echelle). Les resultats de cette simulation
sont places dans une grille de niveau inferieur (i.e. plus ne que la precedente) et
utilisees comme donnees de conditionnement pour la simulation suivante.
Chaque simulation se deroule en deux etapes :
une solution aleatoire est proposee. Cette solution respecte uniquement les
20 CHAPITRE 1. LES M

ETHODES DE SIMULATIONS STOCHASTIQUES DE FACI

`
ES
donnees de conditionnement que sont les puits.
en suivant un trajet aleatoire, toutes les cellules de la grille consideree sont
visitees. Les cellules sont traitees les unes apr`es les autres : dans un premier
temps, un nouveau faci`es est propose sur la cellule consideree. Dans un
second temps, ce faci`es nouvellement propose est accepte ou refuse selon un
crit`ere de selection. Le crit`ere de Metropolis-Hastings [45, 25] utilise ici est
base sur les probabilites obtenues par les reseaux neuronaux.
Cette etape est caracteristique des geostatistiques multipoints, et ninter-
vient pas dans les methodes de simulations classiques des statistiques bi-
points.
1.4.4 Integration de donnees externes
La methode presentee ci-dessus prend uniquement en compte les informations
presentes dans limage dapprentissage. Il est tout de meme possible de prendre
en compte, dans la methode multipoints, des donnees externes. Arpat [2] propose
une methodologie pour integrer des donnees indirectes (`a dierentes echelles).
1.4.5 Exemple
Les resultats presentes gure (1.8) sont issus dun cas synthetique propose
par Caers [5]. Ils illustrent le realisme des structures obtenues par la methode
de simulation multipoints. Dans ce cas detude, le reservoir reel (que lon sou-
haite obtenir comme resultat de la simulation) est connu et sert de reference pour
evaluer les resultats de la simulation. Il est presente en gure (1.8-A-1). Limage
dapprentissage (1.8-A-2) a ete utilisee pour entraner le reseau de neurones, et
les donnees de conditionnement correspondent ` a deux puits (gure (1.8-A-3)).
Une premi`ere serie de simulations a ete eectuee en labsence de donnees
externes. Les resultats sont presentes gure (1.8-B-1), la gure (1.8-B-2) cor-
respondant ` a une moyenne de 25 realisations. On constate que les donnees de
conditionnement sont bien respectees, mais que larchitecture interne du reser-
voir nest pas vraiment comparable avec la structure du reservoir reel, meme si
on peut distinguer la forme de chenaux..
Une seconde serie de simulations prend en compte la sismique associee `a
limage dapprentissage (gure 1.8-C-1), ainsi que la sismique du reservoir reel.
Les resultats obtenus sont beaucoup plus proches du reservoir reel, et montrent
donc limportance des donnees externes pour contraindre les simulations.
Il est important de rappeler que cette methode sappuie sur des statistiques
multipoints, et non plus sur des statistiques bipoints comme les methodes clas-
siques. A priori, cela permet de capturer plus de relations entre les dierents
1.5. CONCLUSIONS 21
points de donnees. Cependant, rien nassure que les variations enregistrees lors de
letape dapprentissage de formes correspondent aux formes representatives de
limage dapprentissage. Lincertitude aerente `a la determination dun mod`ele
de variogramme dans les statistiques bipoints a son analogue dans les statistiques
multipoints : la determination de la forme du masque qui va etre utilise lors de
lapprentissage, ainsi que les param`etres du reseau de neurones.
Cette methode semble tout de meme bien adaptee `a la modelisation des objets
geologiques comme les chenaux meandriformes ou en tresse, objets continus dont
laxe nest pas rectiligne (et qui ne peuvent donc pas etre decrits correctement
par des statistiques bipoints) et permet de modeliser correctement les cort`eges de
depots (depots de levee, crevasse play) que lon peut rencontrer ` a proximite des
chenaux.
Neanmoins, le choix de limage dapprentissage est determinant quant aux
resultats obtenus, et il est en general delicat de fournir une image dapprentis-
sage ayant la meme echelle : en eet, comme on peut le constater sur lexemple
presente, limage dapprentissage ne decrit pas la forme dun chenal isole, mais
decrit la zone modelisee dans sa totalite, et `a la meme echelle. Il est dautant plus
dicile de fournir une image tridimensionnelle du domaine.
1.5 Conclusions
Nous venons de decrire les methodes de simulation les plus couramment utili-
sees. Ces methodes permettent lintegration de deux ou trois types dinformations,
mais ne peuvent pas prendre directement en compte des directions danisotropies,
des probabilites de transition entre les faci`es.
Toutefois, la majorite des methodes sappuyent sur une estimation de la corre-
lation spatiale des donnees, que la methode soit basee sur des statistiques bipoints
(correlation mesuree par un variogramme) ou multipoints (correlation etudiee sur
une image dapprentissage).
Nous allons proposer une nouvelle methode basee sur linterpolateur DSI (cf.
Mallet [37]) qui permet dintegrer au sein dun meme mod`ele un grand nombre de
types de donnees, `a dierentes echelles. De plus, pour reeter au mieux la realite,
ces donnees pourront etre ponderees pour tenir compte du degre de conance
quon leur accorde.
22 CHAPITRE 1. LES M

ETHODES DE SIMULATIONS STOCHASTIQUES DE FACI

`
ES
A-1 Rservoir rel A-2 Image dapprentissage A-3 Donnes de conditionnement
B-1 Rsultats des simulations multipoints B-2 Moyenne de 25 simulations
C-1 Sismique associe limage
dapprentissage
C-2 Moyenne de 25 simulations
(en intgrant la sismique)
Fig. 1.8 Resultats dun cas detude statistiques multipoints. (Dapr`es Caers [5])
23
Deuxi`eme partie
Des donnees au cube de
proportions
25
Chapitre 2
Des donnees aux contraintes
La connaissance des reservoirs petroliers, et plus generalement du sous-sol, se
fait ` a partir de deux types de mesures :
des donnees directes mais ponctuelles, comme les donnees de puits (carottes,
diagraphies,...).
des donnees indirectes, extensives, comme les donnees sismiques.
A partir de ces donnees, des interpretations sont realisees (interpretation sis-
mique, stratigraphique,...). Il existe alors un ensemble de donnees, de mesures,
dinterpretations, dinformations a priori qui decrivent la nature du sous-sol ` a
estimer. Lensemble de ces elements doivent etre integres pour construire un mo-
d`ele realiste du sous-sol.
Pour cela, nous allons proposer dans cette partie une methode permettant la
prise en compte de ces dierents types de donnees sous la forme de contraintes
en utilisant linterpolateur Discrete Smooth Interpolation (DSI) (Mallet [36]). Le
but est de construire un mod`ele coherent du sous-sol, integrant au mieux toutes
les informations disponibles.
Dans un premier temps, nous proposerons un formalisme mathematique adapte
`a la denition de probabilites de faci`es, par le biais de la notion de membership
function. Nous verrons ensuite `a travers plusieurs exemples comment traduire
les donnees en contraintes. Pour terminer, nous aborderons les probl`emes relatifs
`a linterpolation de la membership function.
2.1 La membership function : denition et pro-
prietes
La notion de Membership Function a ete denie par Mallet et Shtuka [39] en
1997. Il sagit dun vecteur de probabilite dappartenance ` a un lithofaci`es.
26 CHAPITRE 2. DES DONN

EES AUX CONTRAINTES

Grille curvilinaire / Facis F
Facis F
Facis F
Facis F
4
3
2
1
()
() P( F )
() P( F )
() P( F )
1
n

n
= =
.

.

.
.

.

.
.

.

.
.

.

.

Fig. 2.1 Denition de la membership function dans lespace

Soient lensemble des nuds dune grille curvilineaire ( couvrant le domaine
geologique etudie et T = F
1
,F
2
, ,F
n
la partition de en faci`es. Comme
presente sur la gure (2.1), pour chaque nud de , on denit une fonction
vectorielle de probabilite () =
1
(),
2
(), ,
n
()
t
avec n composantes
o` u

() est la probabilite du nud situe `a la position dappartenir au faci`es

F

() = IP( F

) 0 (2.1)
La fonction vectorielle () est appelee membership function attachee au
nud , et denit donc la probabilite du nud dappartenir ` a chacun des
faci`es F
i
de lensemble T. Si lon consid`ere n faci`es, alors la membership function
est une application de dans [0,1]
n
.


() =

1
()
.
.
.

()
.
.
.

n
()

IP( F
1
)
.
.
.
IP( F

)
.
.
.
IP( F
n
)

(2.2)
2.2. INTERPOLATION DE LA MEMBERSHIP FUNCTION 27
La valeur de la membership function (
i
) est connue a priori uniquement
sur le sous-domaine des nuds
i
de la grille o` u les faci`es ont ete echantillonnes.
Pour tous les autres nuds, la valeur de la membership function doit etre
estimee de telle sorte que la fonction respecte les points dechantillonnage et
quelle soit analogue ` a une distribution de probabilite : chaque composante doit
donc appartenir ` a lintervalle [0,1] et la somme des composantes de doit etre
egale ` a 1 pour que soit analogue ` a une distribution de probabilites.

() [0,1] , (2.3)
n

=1

() = 1 (2.4)
Les deux relations (2.3) et (2.4) seront appelees par la suite les contraintes
intrins`eques de probabilite de la membership function.
De par sa denition, la notion de membership function est proche de la notion
dindicatrices de faci`es presentee section (1.3.3), et denie comme suit :
I(u,F

) =
_
1, si u appartient au faci`es F

considere
0 sinon
(2.5)
avec I(u,F

) lindicatrice du faci`es F

`a la position u.
En dautres termes, ` a chaque point u o` u lon observe le faci`es F

, lindicatrice
I(u,F

) prend la valeur 1, equivalente `a une probabilite de 100%, et la valeur 0

`a lensemble des autres nuds o` u le faci`es F

na pas ete observe.

La relation entre la membership function et les indicatrices de faci`es peut etre
etablie ainsi :

() = EI(u,F

) , (2.6)
E(z) denissant lesperance mathematique (i.e. la moyenne arithmetique) de
la variable z.
2.2 Interpolation de la membership function
La valeur de la membership function netant connue quaux nuds
i
de
la grille o` u les faci`es ont ete renseignes, il est necessaire de lestimer en tout
autre nud de la grille. Pour eectuer cette estimation, une premi`ere approche
consiste `a utiliser une methode de krigeage par indicatrices pour interpoler ou
extrapoler dans tout le domaine detude linformation disponible aux nuds ren-
seignes. Une autre approche consiste ` a utiliser un interpolateur respectant les
contraintes intrins`eques (2.3) et (2.4).
28 CHAPITRE 2. DES DONN

EES AUX CONTRAINTES

2.2.1 Krigeage par indicatrices
La premi`ere approche pour interpoler la membership function dans len-
semble du domaine consiste `a utiliser une methode de krigeage par indicatrices
(cf. [28]).
La methode de krigeage par indicatrices est une adaptation aux variables bi-
naires des methodes de krigeages classiques que nous allons brievement rappeler.
Le krigeage classique se realise en 3 etapes :
Il est necessaire de determiner dans un premier temps les correlations spa-
tiales au sein des donnees. Cela est generalement realise en construisant un
semi-variogramme experimental `a partir des points de donnees. Cet outil
permet de quantier (dun point de vue statistique) la distance ` a partir
de laquelle les points de donnees sont consideres comme correles ou non
correles entre eux. Un mod`ele de variogramme est ensuite ajuste sur le
variogramme experimental. Ce mod`ele prend en compte `a la fois la posi-
tion relative des points de donnees entre eux et les caracteristiques propres
de la regionalisation (presence danisotropie par exemple), et quantie par
lintermediaire dune variance destimation la precision de lestimation. Le
mod`ele de correlation spatiale des donnees est donc maintenant etabli.
Letape suivante consiste ` a determiner le support geometrique sur lequel le
krigeage sera eectue. On peut prendre comme support une grille reguli`ere
tridimensionnelle rectilineaire ou curvilineaire. Lestimation sera alors eec-
tuee cellule par cellule, en prenant en compte les points de donnees presents
dans le voisinage de chaque cellule (voisinage dont la forme et la taille ont
ete prealablement determines par lutilisateur).
Chaque point ` a estimer est calcule en eectuant une moyenne ponderee des
dierents points de donnees, le poids de chacune des donnees etant lie `a
la correlation spatiale sous-jacente precedemment etablie. Pour le krigeage
ordinaire (cf. Journel [28], Chiles et al. [8]), on obtient alors un syst`eme
lineaire dequations aux inconnues
i
:

i
0
=
n

j=1

j
.
ji
+ i = 1,...,n
n

i=1

j
= 1
(2.7)
avec le param`etre de Lagrange,
ij
les valeurs du semi-variogramme entre
les dierentes paires (i,j) de points dechantillonnage o` u la membership
2.2. INTERPOLATION DE LA MEMBERSHIP FUNCTION 29
function est connue,
i
0
la valeur du semi-variogramme entre le i
i` eme
point
dechantillonnage et la position ` a estimer,
j
le poids associe `a la i
j` eme
valeur
dechantillonnage, et n le nombre dechantillons presents dans le voisinage
et consideres pour lestimation.
Il est alors possible de montrer que le krigeage est un estimateur lineaire
sans biais (i.e. estimateur dont lesperance mathematique de lerreur des-
timation est nulle [27]), dont la solution est la suivante :
z

(u
0
) =
n

i=1

i
.z(u
i
) (2.8)
o` u z

(u
0
) est la valeur estimee au point u
0
, z(u
i
) la valeur observee au
point u
i
et
i
le poids associe `a la i
i` eme
valeur, n le nombre de points dans
le voisinage considere.
Le krigeage est une technique dinterpolation largement repandue dans le do-
maine de la geomodelisation, qui sav`ere etre tr`es ecace, et qui permet dobtenir
lerreur destimation lors du calcul de la solution. Il est tout de meme important
de noter que la qualite de lestimation et sa precision ne sont pas des proprietes
inherentes aux donnees, mais reposent enti`erement sur le mod`ele variographique
utilise et sur la position des points dechantillonnage. Par consequence, le mod`ele
de variogramme doit etre le plus adequat et coherent possible avec les donnees
qui ont ete observees.
Le krigeage par indicatrices est une technique analogue ` a la precedente, mais
appliquee `a une variable prenant les valeurs binaires 0,1, comme les indica-
trices de faci`es. Une implementation du krigeage par indicatrices est proposee
par Deutch et Journel [10].
Cependant, par suite de la linearite de lequation (2.8), il est possible de ren-
contrer des cas o` u lestimation via un krigeage par indicatices conduit ` a des valeurs
negatives, ou ` a des valeurs superieures `a 1 (cf. [8]). En terme de probabilite, une
telle estimation na pas de sens. Dans la pratique, il est tout de meme possible
de faire en sorte que lestimation seectue dans lintervalle [0,1] en utilisant une
correction a posteriori (cf. [64]). Par exemple, de fa con heuristique, Isaaks et
Srivastava [27] puis Deutch et Journel [10] proposent de remplacer toute valeur
negative par 0, et toute valeur superieure `a 1 par 1. Malheureusement, on peut
montrer quune telle pratique peut aboutir ` a loppose de la solution optimale.
Une autre approche dinterpolation basee sur linterpolateur DSI (cf. [37]) ne
soure pas de ce type de probl`eme. Nous allons presenter cette methode dans la
partie suivante.
30 CHAPITRE 2. DES DONN

EES AUX CONTRAINTES

2.2.2 Linterpolateur DSI
Lalgorithme Discrete Smooth Interpolation (DSI) a ete propose par Mallet
[36]. Il sagit dun algorithme permettant linterpolation dune fonction scalaire
ou vectorielle dun mod`ele discret /
n
(,N,,() dans une grille rectilineaire
ou curvilineaire ((,N), avec :
est lensemble des nuds du graphe G(,N) approximant la topologie de
lobjet, chacun de ces nuds etant identie par son numero :
= 1,2, ,, ,M
N est une application de dans un sous ensemble de telle que
_
N()
_

_
peut etre joint en au plus s() etapes depuis
_
En pratique, s()=1 pour minimiser la complexite du probl`eme.
Le sous-ensemble N() est appele voisinage de et contient le nud
et les nuds avoisinants.
() est une fonction vectorielle avec n composantes, denie dans :


() =

1
()
.
.
.

()
.
.
.

n
()

.
.
.
n
.
.
.

Lensemble des (n M) valeurs

() : , = 1, ,n est dispose
en n matrices colonnes

: = 1, ,n de taille M et en une matrice

colonne globale de taille (n M) :

(1)
.
.
.

()
.
.
.
(M)

.
.
.
M
.
.
.

; =

1
.
.
.

.
.
.

.
.
.
(n M)
.
.
.

Les contraintes c C ont la forme generale suivante :

c (

respectee

c
()

() b
c
(2.9)
o` u represente lun des operateurs suivants :
2.2. INTERPOLATION DE LA MEMBERSHIP FUNCTION 31
, = , >
Les (n.M) coecients A

c
() : , = 1, ,n sont repartis dans une
matrice colonne (n.M) A
c
de telle sorte que lon puisse ecrire lequation
(2.9) sous la forme matricielle equivalente suivante :
c (

respectee A
t
c
b
c
(2.10)
2.2.3 La methode DSI
La methode DSI (cf. [37]) consiste ` a resoudre au sens des moindres carres
lensemble des equations lineaires correspondant ` a lensemble ( des contraintes de
type egalite, tout en respectant les contraintes de type inegalite. En pratique, cela
revient ` a chercher pour solution une matrice minimisant une forme quadratique
non negative.
2.2.4 Exemple de contraintes
Comme nous venons de le voir, la methode DSI permet la prise en compte
dun ensemble de contraintes (. Interessons-nous `a deux types de contraintes
speciques de la membership function. La membership function est analogue
`a une distribution de probabilite, et doit donc respecter les deux contraintes
intrins`eques de probabilite (2.3) et (2.4) rappelees ci-dessous :

(2.3)

() [0,1] ,
(2.4)
n

=1

() = 1
Il est possible de montrer que les deux relations (2.3) et (2.4) denissent trois
types de contraintes, qui peuvent etre integrees `a lensemble des contraintes (.
Examinons tout dabord les contraintes de type (2.3); il est facile de verier
quelles peuvent secrire sous la forme equivalente suivante :
_
C
0
= C
0
(,)
_
:

() > 0

=1
A

C
0
()

() > b
C
0
_
C
1
= C
1
(,)
_
:

() < 1

=1
A

C
1
()

() > b
C
1
avec:
32 CHAPITRE 2. DES DONN

EES AUX CONTRAINTES

C
0
() = 1
A

C
0
() = 0 ,= et ,=
b
C
0
= 0

C
1
() = 1
A

C
1
() = 0 ,= et ,=
b
C
1
= 1
Examinons maintenant la contrainte (2.4); il est egalement facile de verier
quelle peut secrire sous la forme equivalente suivante :
_
C = C

()
_
:
n

=1

() = 1

=1
A

C
()

() = b
C

avec :

C
() = 1
A

C
() = 0 ,= ,
b
C
= 1
Nous avons donc montre que les deux contraintes intrins`eques de probabilite
(2.3) et (2.4) peuvent etre decomposees sous la forme de trois types de contraintes
C
0
, C
1
et C

, dont les coecients ont ete explicites precedemment. Ainsi, les

contraintes intrins`eques de probabilite feront partie integrante du processus din-
terpolation, et les resultats obtenus lors de linterpolation ne souriront pas des
memes inconvenients que ceux que lon peut observer avec le krigeage.
2.3. INT

EGRATION DES DONN

EES 33
2.3 Integration des donnees
Apr`es avoir decrit de facon generale linterpolateur DSI et les contraintes de
probabilites intrins`eques associees `a la membership function, attachons nous ` a de-
crire les donnees mises `a la disposition du geostatisticien pour eectuer une etude
(cf. [9]), et etudions comment ces donnees vont etre integrees dans lestimation
du cube de proportions.
2.3.1 Les donnees de puits
Les donnees de puits (carottes, cuttings, diagraphies) sont des observations
directes du sous-sol et sont donc utilisees comme contraintes fortes dans lesti-
mation du cube de proportions.
A partir des donnees de puits, deux types dinformations seront exploitees :
Les faci`es geologiques observes et/ou determines le long de la trajectoire du
puits : il sagit de la principale information extraite des puits et utilisable
pour contraindre linterpolation de la membership function.
La succession des faci`es le long de la trajectoire au puits : linterpretation de
ces successions permet de determiner des sequences stratigraphiques pre-
ponderantes (succession de faci`es dans un ordre predetermine). Ce type
dinformation permet alors detablir des r`egles de transition de faci`es, qui
pourront etre prises en compte dans la construction du mod`ele du sous-sol.
u
v
w
a
1
a
2

a
3

a
4

a
5

a
6

a
7

a
8

X
Cellule C
i
Fig. 2.2 Donnees de puits et interpolation barycentrique
34 CHAPITRE 2. DES DONN

EES AUX CONTRAINTES

Interessons-nous au lien qui existe entre les faci`es observes ou interpretes le
long du puits et les valeurs de la membership function .
Pour chaque echantillon de puits observe, et dont la position correspond par-
faitement ` a un nud du support dinterpolation, on renseigne la valeur de de
telle facon que :

() =
_
1, si le faci`es est rencontre au nud
0 sinon
Par exemple, dans un contexte avec trois faci`es, au nud o` u le faci`es dindex
2 a ete observe, la membership function () prendra la valeur suivante :
() =

1
()

2
()

3
()

0
1
0

Dans le cas o` u lechantillon du puits ne se trouve pas exactement sur un nud

de la grille support de linterpolation de la membership function , on eectue
une interpolation barycentrique dont le principe est explique dans ce qui suit.
Tout point u (cf. gure (2.2)) situe `a linterieur dune cellule (
i
de la grille
peut toujours sexprimer sous forme dune combinaison lineaire de la position des
sommets u(
1
i
), ,u(
8
i
) de (
i
:
u =
8

j=1
(
j
i
[u) u(
j
i
)
Les coecients (
j
i
[u) sont appeles coordonnees barycentriques de u par
rapport aux sommets
1
i
, ,
8
i
de (
i
et toute propriete (u) peut etre appro-
chee lineairement de la meme mani`ere en fonction des valeurs de la membership
function
1
aux sommets de (
i
:
() =
8

j=1
(
j
i
[u) (u
j
i
)
Si u est un point dechantillonnage o` u (u) est connue, alors lequation ci-
dessus peut etre interpretee comme une contrainte (C) imposee aux valeurs de
aux sommets de (
i
:
1. par souci de simplicite, on adopte la convention decriture suivante :
() (u())
2.3. INT

EGRATION DES DONN

EES 35

n=1
A

C
()

() = b
C
avec :

C
(u
j
i
) = (
j
i
[u) = 1, ,n
A

C
() = 0 ,
1
i
, ,
8
i

b
C
= (u)
La contribution dun echantillon observe ou interprete sur le puits sera donc
repartie sur les sommets de la cellule lenglobant.
Dans le cas o` u plusieurs points de donnees se trouvent localises dans la meme
cellule, il est envisageable de calculer la contribution de chacun de ces points de
donnees aux sommets de la cellule, et dinstaller autant de contraintes quil y a
de points de donnees consideres. Une autre approche possible consiste `a utiliser
les methodes classiques dupscaling [8].
2.3.2 Carte et courbe de proportions
Les courbes de proportions verticales sont des outils simples permettant de de-
crire levolution verticale des lithofaci`es. Initialement developpees par les geosta-
tisticiens pour prendre en compte la non-stationarite verticale des heterogeneites
lors des simulations, elles sont actuellement couramment utilisees dans lindus-
trie petroli`ere, aussi bien par les geostatisticiens que par les geologues lors de
leurs interpretations. Nous nutiliserons dans cette etude que laspect quantitatif
des courbes de proportion. Elle peuvent aussi etre utilisees pour un aspect plus
qualitatif, permettant daider ` a la determination de sequences stratigraphiques,
detudier levolution laterale et verticale des faci`es, et `a la determination des se-
quences dordre eleve (cf. [61]).
Estimation des courbes de proportions
Les courbes de proportions sont estimees le long des puits : elles representent la
proportion des dierents lithofaci`es en fonction de la profondeur. Elles permettent
donc de modeliser levolution verticale des faci`es, et peuvent etre utilisees pour
contraindre lestimation des probababilites de faci`es.
Considerons une grille stratigraphique ( de taille (n
u
n
v
n
w
) servant de
support ` a linterpolation de la membership function (cf. gure (2.3)). Soient
36 CHAPITRE 2. DES DONN

EES AUX CONTRAINTES

v
w
0
1
w
u
v
w
u

w

uv
(u,v)
p

(w)
p

(u,v)
Fig. 2.3 Denition des cartes et courbes de proportions (Mallet, [34])
lensemble des nuds de la grille (, et
w
le sous-ensemble de contenant les
nuds appartenant au plan w de la grille (.
Soit F

(w) lensemble des nuds de tel que :

F

(w) =
_

w
: le faci`es est observe au nud
_
F

(w) correspond donc ` a lensemble des nuds appartenant au plan w de la

grille ( o` u le faci`es a ete observe.
Il est alors possible de denir la proportion p

(w) du faci`es F

dans le plan w
ainsi :
p

(w) =
[F

(w)[
[
w
[
o` u [A[ designe le cardinal de lensemble A.
2.3. INT

EGRATION DES DONN

EES 37
La courbe de proportions est lexpression de la proportion de chacun des faci`es
et pour lensemble des plans w de la grille, et peut donc etre exprimee ainsi :
w 1, ,n
w
, : p

(w) =
[F

(w)[
[
w
[
On peut verier facilement que les proportions de faci`es ainsi denies res-
pectent bien les deux relations suivantes :

(w) [0,1] w ,

(w) = 1 w
Il est aussi possible destimer les cartes de proportions par dautres methodes :
Wen et al. [65] propose de les estimer ` a partir des donnees de production.
Mise sous forme de contrainte des courbes de proportions
Si lon exprime la valeur de la courbe de proportions en fonction de la mem-
bership function dans la grille (, pour un plan w et pour le faci`es , on obtient :
p

(w) =
1
[
w
[
.

()
Il est possible de montrer que la contrainte exprimee ci-dessus peut etre ex-
primee sous la forme equivalente suivante :
_
C = C(w,)
_
: p

(w) =
1
[
w
[
.

()

=1
A

C
()

() = b
C
avec les coecients A
C
et b
C
denis ainsi :

C
() =
1
|
w
|

w
A

C
() = 0 ,= et ,
w
b
C
= p

(w)
Estimation des cartes de proportions
De mani`ere analogue ` a une courbe de proportions, on peut denir une carte
de proportions de la facon suivante :
Soit W
u,v
lensemble des nuds de tels que appartient ` a la colonne (u,v)
de la grille ( et soit F

(u,v) lensemble des nuds de tel que :

F

(u,v) =
_
W
uv
: le faci`es est observe au nud
_
38 CHAPITRE 2. DES DONN

EES AUX CONTRAINTES

F

(u,v) correspond donc ` a lensemble des nuds appartenant ` a la colonne de

coordonnees (u,v) de la grille ( o` u le faci`es a ete observe.
Comme precedemment, la proportion p

(u,v) de faci`es F

dans la colonne
(u,v) peut etre denie ainsi :
p

(u,v) =
[F

(u,v)[
[W
u,v
[
La carte de proportions correspond ` a lexpression de la proportion p

(u,v) pour
lensemble des colonnes de coordonnees (u,v) de la grille ( , et pour lensemble
des faci`es .
u 1, ,n
u
, v 1, ,n
v
, : p

(u,v) =
[F

(u,v)[
[W
u,v
[
Il est alors possible de verier que la denition de la carte des proportions
ainsi denie verie la propriete suivante :

(u,v) [0,1] u, u,

(u,v) = 1 w
Mise sous forme de contrainte des cartes de proportions
La carte de proportions peut etre exprimee en fonction de la membership
function dans la grille (, pour une colonne de coordonnees (u,v) et pour le
faci`es ainsi :
p

(u,v) =
1
[
u,v
[
.

u,v

()
Comme pour les courbes de proportions, il est possible de montrer que la
contrainte exprimee ci-dessus peut etre exprimee sous la forme equivalente sui-
vante :
_
C = C(u,v,)
_
: p

(u,v) =
1
[
u,v
[
.

u,v

()

=1
A

C
()

() = b
C
avec les coecients A
C
et b
C
denis ainsi :

C
() =
1
|
u,v
|

u,v
A

C
() = 0 ,= et ,
u,v
b
C
= p

(u,v)
2.3. INT

EGRATION DES DONN

EES 39
v
w
v
A B
Fig. 2.4 Coupe geologique (A) et correspondance en terme de pseudo-puits (B)
2.3.3 Les coupes geologiques
Une coupe geologique est le resultat de linterpretation par les geologues des
dierentes donnees dont ils disposent. En terme de contraintes, une coupe geo-
logique correspond ` a un ensemble de nuds de la grille stratigraphique pour
lesquels les lithofaci`es ont ete observes ou proposes en tant quinterpretation par
le geologue. Dans le cas le plus simple, la coupe geologique correspond ` a une sec-
tion verticale de la grille stratigraphique. Dans les cas les plus complexes, cette
coupe correspond ` a une section oblique de la grille (. Dans lensemble des cellules
intersectees par la coupe, on dispose donc dune information supplementaire sur
la nature du lithofaci`es observe.
Il est alors possible de considerer la coupe geologique comme une succession de
puits virtuels (pseudo-puits), lensemble de ces puits decrivant la coupe geologique
(cf. gure (2.4)). Comme pour les informations issues des puits, ces donnees sont
de type binaire (faci`es observe/faci`es non observe) et peuvent etre transcrites de
mani`ere simple en terme de probabilite de faci`es, en utilisant la notion de mem-
bership function. Ainsi, pour chacun des nuds du maillage constituant la coupe,
on se situe alors dans le meme cadre que precedemment.
Neanmoins, il est important de noter que les informations issues de la coupe
geologique (observation dun aeurement, coupe interpretee) ne doivent pas etre
considerees comme une donnee aussi able que les donnees de puits. Pour prendre
en compte cette dierence de conance dans les donnees, on associera `a chaque
type de donnees un poids lie `a son indice de conance.
2.3.4 Donnees sismiques
Les donnees sismiques sont couramment utilisees pour contraindre les simula-
tions geostatistiques. Par exemple, on peut citer Mao et al. [40], Chambers et al.
40 CHAPITRE 2. DES DONN

EES AUX CONTRAINTES

[7]. Tjolsen cf. [56]) a montre limportance des donnees sismiques pour ameliorer
la modelisation des faci`es.
Prise en compte des donnees sismiques
Le calcul des attributs sismiques conduit ` a la realisation de cartes ou de cubes
dattributs. Ces attributs peuvent alors etre regroupes en m classes en utilisant
des methodes de classication (cf. [49, 14]), comme lanalyse en composantes prin-
cipales, ou la methode des nuees dynamiques (cf. [52]). Chacune des m classes
peut alors etre consideree comme unsismo-faci`es, qui peut etre deni comme le
regroupement delements ayant des caracteristiques communes du point de vue
des attributs sismiques.
Une fois les sismo-faci`es G
1
,G
2
, ,G
m
determines, chaque nud
de la grille, est classe dans un sismo-faci`es. Si lon suppose que les sismo-faci`es
peuvent etre correles `a la geologie, il est alors possible destimer les probabilites
conditionnelles dassociation entre les faci`es geologiques et sismo-faci`es.
IP(F

[G
i
) =
_
probabilite de se situer dans le faci`es geologique F

quand on se situe dans le sismo-faci`es G

i
Ces probabilites conditionnelles IP(F

[G
i
) dappartenance ` a un faci`es geolo-
gique F

connaissant le sismofaci`es G
i
peuvent etre utilisees dans lelaboration
de constraintes DSI :
1
[G
i
[

G
i

() = IP(F

[G
i
) (2.11)
Mise sous forme de contraintes
Il est possible de montrer que la contrainte (2.11) exprimee ci-dessus peut etre
exprimee sous la forme equivalente suivante :
_
C
sism.
= C
sism.
(,)
_
:
1
[G
i
[

G
i

() = IP(F

[G
i
)

=1
A

C
sism.
()

() = b
C
sism.
avec les coecients A
C
sism.
et b
C
sism.
egaux ` a :

C
sism.
() =
1
|G
i
|
G
i
A

C
sism.
() = 0 ,= et , G
i
b
C
sism.
= IP(F

[G
i
)
2.3. INT

EGRATION DES DONN

EES 41
2.3.5 Probabilites de transition entre faci`es
Nous avons vu precedemment que letude des faci`es aux puits permet dex-
traire des informations essentielles relatives ` a la nature des faci`es observes ou
interpretes aux puits, mais aussi des informations sur les successions verticales
des faci`es dans la zone etudiee. Nous allons voir dans la suite comment traduire
les successions de faci`es en probabilite de transition entre faci`es. Nous propose-
rons dierentes methodes permettant destimer les probabilites de transition, et
de les integrer dans la construction dun mod`ele du sous-sol.
Notion de probabilite de transition
h

h
F (h)

F
F

Fig. 2.5 Denition des probabilites de transition

Comme indique sur la gure (2.5), pour un vecteur donne h, soit h le
nud du graphe ((,N), sous reserve dexistance, qui peut etre atteint depuis
en une etape egale ` a un deplacement de longueur h, et soit F

(h) lensemble des

nuds tels que h appartienne ` a F

:
F

(h) =
_
: h F

_
F

(h) correspond donc ` a lensemble des nuds de joignables par un de-

placement de longueur h depuis le nud , et o` u le faci`es F

a ete observe ou
interprete.
42 CHAPITRE 2. DES DONN

EES AUX CONTRAINTES

De mani`ere analogue, (h) peut etre deni comme lensemble des nuds tels
que h appartienne ` a :
(h) =
_
: h
_
(h) denit lensemble des nuds accessibles depuis le nud par un depla-
cement de longueur h, quelque soit le faci`es observe au nud h.
On peut noter que la relation suivante est veriee :
(h) =
_

(h)
On peut aussi caracteriser la position des faci`es F

par rapport ` a tout autre

faci`es F

. Pour cela, il est possible de denir T

(h) tel que :

T

(h) =
[F

(h) F

[
[ (h) F

[
si [(h) F

[ ,= 0 (2.12)
Par denition, T

(h) est appele la probabilite de transition du faci`es F

vers
le faci`es F

en un deplacement de longueur h. Il est facile de verier que les

valeurs des probabilites de transition ainsi denies ne peuvent prendre que des
valeurs dans lintervalle [0,1] et respectent la propriete suivante :
:

(h) = 1 (2.13)
On peut noter que lexpression de la probabilite de transition T

(h) ainsi
denie est analogue ` a la denition de la covariance croisee entre les indicatrices
des faci`es F

et F

telle quelle est denie par Matheron [42].

Estimation des probabilites de transition
Les probabilites de transition peuvent etre donnees a priori ou estimees en
utilisant dierentes techniques, selon le contexte de letude.
Une premi`ere etape essentielle pour lestimation de ces probabilites est la
determination de la matrice T de comptage des transitions verticales deduites
des observations le long de la trajectoire des puits. Si n faci`es ont ete observes
dans la zone detude, alors cette matrice est de taille n n, et determinee ainsi :
T =

T
1,1
T
1,
T
1,n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
T
,1
T
,
T
,n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
T
n,1
T
n,
T
n,n

2.3. INT

EGRATION DES DONN

EES 43
avec :
T
,
= [F

(h) F

[
Ainsi, la valeur T
,
correspond au nombre de transitions observees entre les
faci`es et le long des trajectoires verticales des puits.
On notera par la suite C

la somme de la colonne de la matrice T , et S le

nombre total de transitions :
C

=
n

=1
T
,
= 1, ,n
S =
n

=1
n

=1
T
,
Si cette matrice est representative de la zone detude, il est alors possible
dutiliser la matrice de comptage des transitions T pour estimer les probabilites
de transition T
,
comme suit :
: T
,

T
,

T
,
En pratique, si les probabilites sont donnees a priori, on denira rarement
des probabilites de transition entre faci`es (bien que cela soit possible), mais on
raisonnera plut ot en terme de transitions possibles/transitions impossibles. Par
exemple, si lon souhaite que les faci`es F

et F

ne partagent pas de fronti`ere

commune, alors la probabilite de transition T
,
(h) doit etre egale ` a 0 quand h
est egal ` a un pas sur la grille ( :
T

(1) = 0
Dautres techniques permettent de deduire, `a partir de la matrice de comptage
des transitions T , des sequences de faci`es preponderantes. Ces methodes vont etre
decrites par la suite.
Analyse des sequences de faci`es verticales par les chaines de Markov
De nombreuses contributions existent dans le domaine de la determination
des sequences preponderantes de faci`es par lanalyse de la matrice de comptage
des transitions aux puits. On peut citer Selley [53], Carr [6] et Harper [24].
Hanqiu Xu et A. J. Maccarthy [66] proposent egalement une methode detude
des transitions verticales de faci`es, en utilisant les chanes de Markov. Il sagit
44 CHAPITRE 2. DES DONN

EES AUX CONTRAINTES

dune analyse statistique, permettant de detecter des sequences de faci`es prepon-
derantes dans les successions sedimentaires. Lapproche repose sur lintegration au
sein dun meme algorithme des methodes de Gingerich-Harper, Powers-Easterling
[51] et Selley-Turk [53, 58].
Le principe de base de ces methodes est le meme, et peut etre decompose en
cinq etapes :
1. Calculer une matrice de probabilites de transition T

, comme decrit dans

la section precedente,
2. Construire une matrice E de quasi-independance des essais, denie comme
suit :
E
,
=
C

S C

3. En deduire une matrice de dierence D

,
denie comme suit :
D
,
= T
,
E
,
4. Tester le caract`ere aleatoire de la succession des faci`es (par exemple en
utilisant un test du Khi-deux dans la methode de Gingerich-Harper),
5. Construire un diagramme de relations entre les dierents faci`es, base sur
les valeurs positives de la matrice des dierences D
,
.
Les approches de Gingerich-Harper, Powers-Easterling et Selley-Turk dierent
essentiellement par la methode employee pour tester la caract`ere aleatoire de la
succession de faci`es.
Ces approches semblent interessantes pour lanalyse de la matrice de comp-
tage des transitions, et peuvent etre utilisees pour la determination des sequences
preponderantes de faci`es, sous reserve, bien s ur, que la matrice de comptage soit
representative de la zone etudiee.
Il est important de noter que quelque soit la methode choisie pour estimer
les valeurs des probabilites de transition, la forme de la trajectoire du puits est
`a prendre en consideration. Ainsi, dans le cas dun puits vertical, les probabilites
calculees seront considerees comme des probabilites de transition verticales entre
les faci`es. En revanche, dans le cas dun puits devie, il faudra soit choisir un
support destimation adapte `a la trajectoire du puits, et attribuer les probabilites
de transition de faci`es le long de la trajectoire du puits et non pas verticalement.
Il sera donc important de verier la coherence entre la trajectoire du puits et le
support destimation choisi.
2.3. INT

EGRATION DES DONN

EES 45
Integration sous forme de contraintes statiques
Un premi`ere approche pour integrer dans le cube de proportions les contraintes
de probabilite de transition entre les dierents faci`es a ete proposee par Mallet
et Shtuka [35].
Supposons que h ,= 0 est donne, et que :

(h) nest pas vide

(h) F

nest pas vide

(2.14)
Partant du principe que pour h susament petit, il est possible destimer

() et

( h) dans lespace (h) ainsi :

(h) :

()
[(h) F

[
[(h)[

( h)
[F

(h)[
[(h)[
(2.15)
En prenant en compte les hypoth`eses decrites en (2.14), et en supposant que
les faci`es sont bien disjoints, les relations suivantes sont toujours veriees :

[F

(h) F

[ = [F

(h)
_

[
= [F

(h) [
= [F

(h)[ (2.16)
=

[F

(h) F

[
[(h) F

[

[(h) F

[
[(h)[
=
[F

(h)[
[(h)[
(2.17)
il est alors possible, en combinant les equations (2.12), (2.15) et (2.17), de
deduire que :

(h)

() =

( h) (2.18)
De plus, la contrainte (2.18) exprimee ci-dessus peut aussi etre exprimee sous
la forme equivalente suivante :
_
C
trans.
= C
trans.
(,,h)
_
:

(h)

() =

( h)

=1
A

C
trans.
()

() = b
C
trans.
46 CHAPITRE 2. DES DONN

EES AUX CONTRAINTES

avec les coecients A
C
trans.
et b
C
trans.
egaux ` a :

C
trans.
() = T
,
(h)
A

C
trans.
() = 1 si = h
A

C
trans.
() = 0 dans tous les autres cas
b
C
trans.
= 0
Il est donc possible decrire la contrainte de transitions de probabilites de
mani`ere globale, cest-` a-dire qui sapplique ` a lensemble de la grille. Neanmoins, il
est important de noter quune telle contrainte va simplement donner une solution
o` u les probabilites de transition seront respectees en moyenne sur lensemble de
la grille, et nassure en aucun cas le strict respect de ces transitions.
Integration sous forme de contraintes dynamiques
Une autre approche pour les contraintes de transition entre les dierents faci`es
peut etre envisagee. Si lon consid`ere les faci`es `a simuler successivement, une
contrainte de transition peut se resumer dans la phrase suivante : Si le faci`es
est observe ou simule au nud , alors la probabilite que lon observe au
nud h le faci`es est egale ` a T
,
. En dautres termes, si les faci`es sont
simules successivement, il est possible dimposer au fur et `a mesure du processus
de simulation, les contraintes de transition dans le voisinage des nuds simules.
Nous retiendrons cette denition de la probabilite de transition et nous verrons
au paragraphe (4.2.4) limplementation dune telle contrainte, en application de
la methode de simulation Multi P-Field..
2.4 Prise en compte de direction danisotropie
Les contraintes presentees precedemment permettent la prise en compte de
donnees geologiques ponctuelles. Dans la nature, la distribution des faci`es nest
pas isotrope, et les modes de depots sedimentaires font que lon observe genera-
lement des anisotropies fortes au sein des depots.
Dun point de vue theorique, les methodes de krigeage classiques ne per-
mettent pas de prendre en compte des directions danisotropie variables au sein
de la meme grille de simulation. Toutefois, dun point de vue pratique et an
dassurer une certaine coherence des resultats obtenus, il est possible deectuer
un krigeage par voisinage glissant, et ainsi de prendre en compte dierentes di-
rections danisotropie. On pourra choisir une direction danisotropie par fenetre.
Lapproche presentee ici est basee sur une utilisation originale de linterpola-
teur DSI et sav`ere dierente des methodes classiques.
2.4. PRISE EN COMPTE DE DIRECTION DANISOTROPIE 47
Comme nous allons le voir ci-dessous, deux solutions ont ete envisagees pour
prendre en compte lanisotropie dans lestimation de la membership function .
La premi`ere, appelee approche par masque, consiste ` a modier le voisinage pris
en consideration lors de linterpolation de la membership function. La seconde,
appelee approche cellule `a cellule prend en compte localement les directions
danisotropie au niveau de chacune des cellules.
2.4.1 Lapproche par masques
Lapproche la plus simple consiste ` a considerer les directions danisotropie
comme des directions preferentielles lors de linterpolation. Nous avons choisi de
presenter lexemple dun masque de forme elliptique, mais dun point de vue theo-
rique, la forme de ce masque est libre.
Denition dun masque elliptique
V
1
V
2
u
v
Fig. 2.6 Denition dun masque elliptique
Par souci de simplicite, considerons le cas o` u la grille est bidimensionnelle dans
le plan (u,v). Etant donnes un nud de coordonnees (x,y) et un vecteur
V
1
() correspondant ` a la direction principale du vecteur danisotropie au nud
, on peut etablir lequation de lellipse centree sur , ayant pour axe principal
V
1
et pour axe orthogonal le vecteur V
2
:
(x,y) = a x
2
+ b y
2
+ 2c xy
Les valeurs des coecients a, b et c sont egales `a :
A =
_
a c
c b
_
=
1
L
2
V
1
V
t
1
+
1
l
2
V
2
V
t
2
48 CHAPITRE 2. DES DONN

EES AUX CONTRAINTES

o` u l et L representent les longueurs respectives des axes V
1
et V
2
de lellipse.
Pour trouver lensemble des nuds presents dans le masque, il sut alors de
rechercher lensemble des nuds du voisinage de tel que :
(x,y) < 1 = Le nud de coordonnees (x,y) est dans le masque
On notera par la suite W() = W
1
(), ,W
n
() lensemble des voisins du
nud qui satisfont la condition precedente.
Le principe
A chaque nud de la grille consideree, on associe un vecteur V ()
correspondant ` a la direction danisotropie au nud .
Imposer une direction danisotropie lors de linterpolation de la membership
function est analogue ` a diriger les lignes disovaleurs de le long des vecteurs
danisotropie V . En dautres termes, cela revient ` a denir des fenetres W() dans
lesquelles on va specier que la valeur de () va etre aussi proche que possible
de la moyenne des nuds presents dans le voisinage W() .
Pour chaque composante de la membership function et pour chaque nud
, il est alors possible decrire :

() =
1
[W()[ 1

W()
=

() (2.19)
Mise sous forme de contrainte
Lequation (2.19) peut aussi etre ecrite sous la forme suivante :

()
1
[W()[ 1

W()
=

() = 0 (2.20)
Cette forme etant proche de la forme canonique des contraintes DSI, il est
alors possible decrire lequation (2.20) sous une formulation equivalente :
_
C
aniso.
= C
aniso.
(,)
_
:

()
1
[W()[ 1

W()
=

() = 0

=1
A

C
aniso.
()

() = b
C
aniso.
Avec les coecients A

C
aniso.
et b
C
aniso.
egaux ` a :
2.4. PRISE EN COMPTE DE DIRECTION DANISOTROPIE 49

C
aniso.
() = 1
A

C
aniso.
() =
1
|W()|1
W(), ,=
A

C
aniso.
() = 0 , ,=
b
C
aniso.
= 0
Les resultats obtenus
`
Champ de vecteurs
danisotropie
Masque
Fig. 2.7 Prise en compte de lanisotropie avec la methode des masques. Pro-
bl`emes rencontres
La prise en compte de lanisotropie par la methode des masques decrite ci-
dessus peut conduire `a des resultats mediocres : en eet, si le masque est choisi
de taille susament importante pour englober un certain nombre de nuds, il y
a recoupement entre les dierents masques dans la grille, qui ne sont pas neces-
sairement compatibles (cf. gure (2.7)). Si lon reduit la taille du masque, alors
leet de la contrainte sestompe, le nombre de nuds englobes dans le masque
se reduisant. Cette methode peut neanmoins etre utilisee lorsque les variations
de lanisotropie au sein de la zone detude sont de faible amplitude et tr`es lentes.
2.4.2 Lapproche cellule `a cellule
La seconde approche proposee consiste `a raisonner cellule par cellule.
50 CHAPITRE 2. DES DONN

EES AUX CONTRAINTES

Le probl`eme `a resoudre
Pour des soucis de clarte et de simplicite, le probl`eme sera traite dans un cas
bidimensionnel. Le meme raisonnement peut etre conduit dans le cas tridimen-
sionnel.
Soit une fonction vectorielle (u,v), denie dans un plan 2D, que nous cher-
chons `a interpoler. La fonction (u,v) est supposee etre echantillonnee aux nuds

ij
dune grille reguli`ere bidimensionnelle denie de telle sorte que :

ij
= u
i
U
g
+ v
j
V
g
avec :
_
u
i
= i i = 0,1,2,
v
j
= j j = 0,1,2,
(2.21)
Dans cette denition de
ij
, les vecteurs U
g
et V
g
representent les vecteurs de-
nissant les pas elementaires de la grille et ne sont pas necessairement egaux,
et/ou orthogonaux.
Nous noterons par la suite (
ij
) (u
i
,v
j
) la valeur de la fonction (u,v) au
nud
ij
. Les valeurs (
ij
) ainsi denies pourront etre calculees par linterpo-
lateur DSI, en prenant en compte lensemble des contraintes imposees et relatives
`a . Nous allons chercher ` a etablir une contrainte permettant la prise en compte
de lanisotropie.
Nous supposons quun champ de vecteurs W(u,v) correspondant ` a la direction
danisotropie a ete deni en tout nud (u,v) de la grille.
W(u,v) = W
u
(u,v) U
g
+ W
v
(u,v) V
g
(2.22)
De plus, les composantes (W
u
,W
v
) du champ de vecteurs W(u,v) sont supposees
etre connues en tout point du domaine detude.
Imposer une direction danisotropie dans linterpolation de est equivalent
`a imposer que les equipotentielles de la propriete soient orientees le long du
champ de vecteurs W(u,v). Cela est analogue ` a imposer quen tout point de
la zone detude, le gradient de (u,v) soit orthogonal au vecteur danisotropie
W(u,v) :
W(u,v) grad(u,v) = 0 (u,v) (2.23)
Il est alors possible de montrer (cf. [38]) que, quelle que soit la base (U
g
,V
g
)
choisie, le produit scalaire ci-dessus peut etre exprime en fonction de (u,v), des
composantes covariantes et des composantes contravariantes du vecteur W(u,v)
dans la base (U
g
,V
g
) :
(u,v)
u
W
u
(u,v) +
(u,v)
v
W
v
(u,v) = 0 (u,v) (2.24)
2.4. PRISE EN COMPTE DE DIRECTION DANISOTROPIE 51
avec (u,v)/u et (u,v)/v les composantes covariantes du vecteur W(u,v)
dans la base (U
g
,V
g
), W
u
(u,v) et W
v
(u,v) les composantes contravariantes.
Il est important de noter que si cette contrainte est parfaitement respectee, alors,
en tout point (u,v) appartenant ` a une cellule, la fonction (u,v) est constante
dans la direction W(u,v).
Mise sous forme de contrainte
.
Fig. 2.8 Interpolation bilineaire dune fonction (u,v) dans une cellule ( dune
grille reguli`ere 2D, ayant pour vecteurs de base U
g
and V
g
.
Soit (u,v) un point dune cellule de la grille 2D denie precedemment (cf. gure
(2.8)). Pour simplier la formulation, nous considererons seulement la cellule dont
le coin inferieur gauche se situe `a lorigine du rep`ere (u,v). Par la suite, nous
supposerons que (u,v) peut etre representee par une interpolation bilineaire de
ses valeurs aux nuds correspondant aux quatre coins de la cellule :
(u,v) = (0,0) (1 u) (1 v)
+ (1,0) u (1 v)
+ (0,1) (1 u) v
+ (1,1) u v
(2.25)
Les derivees de (u,v) selon u et v peuvent etre exprimees ainsi :
(u,v)/u = (0,0) (v 1)
+ (1,0) (1 v)
+ (0,1) v
+ (1,1) v
(2.26)
52 CHAPITRE 2. DES DONN

EES AUX CONTRAINTES

et
(u,v)/v = (0,0) (u 1)
+ (1,0) u
+ (0,1) (1 u)
+ (1,1) u
(2.27)
Evaluees au centre la cellule (, les derivees de (u,v) ont pour valeurs :

(
1
2
,
1
2
)/u = (
1
2
) (0,0) + (
1
2
) (1,0) + (
1
2
) (0,1) + (
1
2
) (1,1)
(
1
2
,
1
2
)/v = (
1
2
) (0,0) + (
1
2
) (1,0) + (
1
2
) (0,1) + (
1
2
) (1,1)
(2.28)
Il est alors possible dexprimer la contrainte danisotropie au centre de la
cellule ( ainsi :
(
1
2
) (0,0) + (
1
2
) (1,0) + (
1
2
) (0,1) + (
1
2
) (1,1) W
u
(
1
2
,
1
2
)
+ (
1
2
) (0,0) + (
1
2
) (1,0) + (
1
2
) (0,1) + (
1
2
) (1,1) W
v
(
1
2
,
1
2
)
= 0
(2.29)
Lequation (2.29) peut aussi secrire, en multipliant les deux termes par 2 :
(1) (0,0) + (+1) (1,0) + (1) (0,1) + (+1) (1,1) W
u
(
1
2
,
1
2
)
+ (1) (0,0) + (1) (1,0) + (+1) (0,1) + (+1) (1,1) W
v
(
1
2
,
1
2
)
= 0
(2.30)
En posant (W
u
c
,W
v
c
) les valeurs des deux composantes contravariantes du
vecteur W(u,v), dans la base (U
g
,V
g
), et evaluees au centre de la cellule ( :
W(
1
2
,
1
2
) = W
u
c
U
g
+ W
v
c
V
g
(2.31)
il est alors possible decrire la contrainte sous la forme suivante :
(0,0) (W
u
c
W
v
c
)
+ (1,0) ( W
u
c
W
v
c
)
+ (0,1) (W
u
c
+ W
v
c
)
+ (1,1) ( W
u
c
+ W
v
c
) = 0
(2.32)
2.4. PRISE EN COMPTE DE DIRECTION DANISOTROPIE 53
En considerant la numerotation des nuds de la cellule ( representee sur la
gure (2.8), et si lon exprime les coecients A
c
() et b
c
pour chacun de ces
nuds ainsi :

A
c
(
00
) = W
u
c
W
v
c
A
c
(
10
) = W
u
c
W
v
c
A
c
(
01
) = W
u
c
+ W
v
c
A
c
(
11
) = W
u
c
+ W
v
c
A
c
() = 0 dans les autres cas
b
c
= 0
(2.33)
alors, la contrainte danisotropie peut etre ecrite sous la forme canonique des
contraintes DSI, dont les coecients ont ete exprimes ci-dessus.
Resultats obtenus
Plusieurs cas pratiques ont ete testes pour etudier la abilite de la contrainte.
Trois dentres eux sont presentes ci-dessous.
Cas detude avec un faci`es
Le premier test est presente sur la gure (2.9). Il consiste ` a xer trois nuds
de la grille bidimensionnelle:
deux nuds o` u la propriete a une valeur de 0,
un nud au centre, o` u prend une valeur de 1.
La gure (2.9-B) presente le resultat obtenu lors de linterpolation en labsence
de toute contrainte des trois points de donnees. Linterpolation est eectuee de
mani`ere isotrope. Dans le cas present, la convergence de l interpolateur na pas
ete totalement atteinte.
La gure (2.9-C) montre le champ de vecteurs danisotropie W
1
impose pour
contraindre linterpolation de la propriete . Lexpression du champ W
1
est la
suivante :
W
1
(u,v) = W
u
1
(u,v) U
g
+ W
v
1
(u,v) V
g
avec :

W
u
1
(u,v) = 1
W
v
1
(u,v) = 0
Le resultat de linterpolation de la propriete en imposant le champ de vec-
teurs W
1
est presente sur la gure (2.9-D). Cette gure montre que les lignes
disovaleurs sont bien parall`eles au champ de vecteur W
1
impose, comme at-
tendu. La repartition spatiale de la propriete est bien dierente sur les gures
54 CHAPITRE 2. DES DONN

EES AUX CONTRAINTES

A B
C D
=1
=0
Fig. 2.9 Premier cas detude : A- Points de donnees imposes B- Resultat de
linterpolation sans anisotropie C- Champ de vecteurs danisotropie impose D-
Resultat obtenu en imposant le champ de vecteurs
(2.9-B) et (2.9-D).
Cas detude du delta
Pour tester la contrainte proposee ici dans le contexte dun environnement
deltaique, nous proposons de denir un champ de vecteur danisotropie W
2
re-
presente sur la gure (2.10) modelisant la geometrie dun delta et dont les com-
posantes peuvent etre exprimees sous la forme suivante :
W
2
(u,v)

W
u
2
= 1
W
v
2
=

0 si u < 0
+1 si u > 0 et v > 0
1 si u > 0 et v < 0
(2.34)
2.4. PRISE EN COMPTE DE DIRECTION DANISOTROPIE 55
Grille
v
u
W
2
(u,v)
Fig. 2.10 Denition dun champ de vecteurs modelisant la geometrie dun delta
A B
Fig. 2.11 Resultat de linterpolation en appliquant les trois points de donnees
(reperes par des _ sur la gure): A- Pas danisoptropie imposee B- Champ de
vecteur W
2
impose
Trois points de donnees o` u la valeur de est connue, sont imposes comme
contrainte. La gure (2.11-A) presente les resultats obtenus par une interpolation
sans contrainte danisotropie, et la gure (2.11-B) presente les resultats obtenus
en imposant le champ de vecteur presente sur la gure (2.10).
On constate comme dans le precedent cas detude que les lignes disovaleurs
de la propriete sont bien tangentes au champ de vecteurs impose. Cela verie
bien lanisotropie que lon a impose.
56 CHAPITRE 2. DES DONN

EES AUX CONTRAINTES

Grille
Fig. 2.12 Denition dun champ de vecteurs modelisant la geometrie dun che-
nal
Cas detude dun chenal
Les chenaux sont un exemple representatif des domaines geologiques o` u lon
constate une variation rapide des directions danisotropie. Nous proposons donc
de tester la methode proposee ci-dessus dans un contexte dun environnement
chenalisant.
Le champ de vecteurs danisotropie W
3
modelisant lenvironnement chenali-
sant est celui propose sur la gure (2.12) et dont les composantes sont denies
comme suit :
W
3
(u,v)

W
u
3
=
1

2
cos() + a(u,v) sin()
W
v
3
=
1

2
sin() a(u,v) cos()
(2.35)
avec :
a(u,v) =
m A

cos(
m

u cos() + v sin()) (2.36)

o` u m est le nombre de meandres par unite de longueur dans la direction D(), et
A lamplitude des meandres dans la direction orthogonale ` a D().
On constate sur la gure (2.13-B) que les isovaleurs de la propriete sont bien
tangentes aux champs de vecteurs W
3
, et cela correspond ` a ce que lon pouvait
attendre de la contrainte danisotropie.
Nous avons donc propose deux implementations possibles pour la contrainte
danisotropie. La premi`ere, basee sur la denition de masques, sav`ere netre ap-
2.4. PRISE EN COMPTE DE DIRECTION DANISOTROPIE 57
A B
Fig. 2.13 Resultat de linterpolation en appliquant les trois points de donnees
(reperes par des _ sur la gure): A- Pas danisoptropie imposee B- Champ de
vecteur W
3
impose
plicable que dans le cas o` u lanisotropie varie lentement au sein de la zone detude
et est assez homog`ene. La seconde approche est basee sur une denition locale
de lanisotropie, et ne soure donc pas des probl`emes que lon a pu evoquer pour
lapproche par masques. Dans le cas present, nous avons suppose quen chacun des
nuds, est deni un vecteur V correspondant ` a la direction danisotropie. Il est
aussi possible de ne denir ce vecteur quen certains nuds de la grille detude, et
de calculer la valeur du vecteur V en tout autre point de la grille par interpolation.
Conclusions
Au cours de ce chapitre, nous avons detaille la mise sous la forme de contraintes
de dierents types de donnees les plus utilisees dans lindustrie. Dautres contraintes
peuvent etre creees de mani`ere analogue ` a ce que nous avons presente, et etre
prises en compte lors de lestimation du cube de proportions. Par exemple, Mas-
sonnat [41] propose de calculer un cube de proportions en prenant en compte la
bathymetrie. Ce type de donnees pourrait etre integre dans notre methodologie
en tant que contrainte.
De plus, chacune de ces contraintes peut etre ponderee en fonction du degre
de conance que lutilisateur lui donne.
Cette methodologie permet donc dintegrer au sein dun meme mod`ele et de
58 CHAPITRE 2. DES DONN

EES AUX CONTRAINTES

mani`ere exible des donnees de natures diverses, en tenant compte de leur degre
de conance.
Nous allons voir dans le chapitre suivant les methodes dinterpolation que
nous pouvons utiliser pour integrer au sein dun meme cube de proportions les
contraintes que nous avons denies dans ce chapitre.
59
Chapitre 3
Interpolation de la membership
function
Dans le chapitre precedent, nous nous sommes attaches `a decrire un certain
nombre de contraintes qui peuvent etre utilisees dans la methodologie proposee.
Interessons-nous maintenant `a la phase dinterpolation de la membership func-
tion. Nous allons voir par la suite que dans certains cas, lalgorithme iteratif de
DSI classiquement utilise nest pas susamment ecace, et nous proposerons des
ameliorations pour rendre la convergence de linterpolateur plus rapide.
3.1 Presentation du jeu de donnees
Pour illustrer les dierentes methodes proposees, nous allons utiliser tout au
long de ce chapitre le jeu de donnees presente gure (3.1). Ce jeu de donnees est
constitue de :
une grille stratigraphique faillee, composee de plus de 300000 cellules (81
81 51). Cette grille servira de support aux interpolateurs ainsi quaux
methodes de simulation
un ensemble de 43 puits, echantillonnes `a la meme echelle que la grille
stratigraphique, et repartis de mani`ere relativement homog`ene sur la grille.
un ensemble de faci`es interpretes et echantillonnes le long de la trajectoire
des puits. Sur lensemble de la grille, nous denombrons 4 faci`es dierents.
les indicatrices de faci`es I

(u) associees aux faci`es presentes ci-dessus, ren-

seignees aux puits.
la membership function initialisee aux puits ` a partir des indicatrices de
faci`es I

(u) (cf. equation (2.6)).

Nous pourrons ainsi comparer les resultats obtenus par les dierentes me-
thodes. Sur toutes les images presentant des resultats sur ce jeu de donnees au
cours du chapitre, seule une seule composante de la membership function sera
60 CHAPITRE 3. INTERPOLATION DE LA MEMBERSHIP FUNCTION
F
1
F
2
F
3
F
4
Fig. 3.1 Presentation du jeu de donnees utilise. Les faci`es F
1
,F
2
,F
3
,F
4
sont
observes aux puits
presentee. Nous aurions pu faire de meme avec nimporte quelle autre compo-
sante, les conclusions etant les memes.
3.2 Interpolation par linterpolateur DSI itera-
tif
Nous allons etudier linterpolation de la membership function dans le jeu
de donnees presente en (3.1).
Une solution initiale, correspondant ` a lisoprobabilite doccurence de chaque
faci`es a permis dinitialiser la grille. La gure (3.2) presente le resultat obtenu lors
de linterpolation de la propriete dans la grille, apr`es 400 iterations (3minutes
20sec sur la station de travail utilisee - PIII 1Ghz 512Mo).
Elle montre que linterpolation ne sest eectuee quautour des points de don-
3.2. INTERPOLATION PAR LINTERPOLATEUR DSI IT

ERATIF 61
0 1
Fig. 3.2 Resultat de linterpolation de la membership function dans la grille,
apr`es 400 iterations.
nees. Il faudra de nombreuses iterations avant de reussir `a initialiser en utilisant
cette methode dinterpolation sur lensemble de la grille. Par ailleurs, aura loin
des puits une valeur moyenne correspondant ` a lequiprobabilite.
Comme pour tout algorithme dinterpolation iteratif, partir dune solution ini-
tiale convenablement choisie permet daccelerer la convergence de linterpolateur.
Nous allons donc proposer par la suite des methodes pour calculer de mani`ere
rapide une solution initiale. Nous verrons aussi comment une autre implementa-
tion de linterpolateur DSI, basee sur un algorithme de gradient conjugue, permet
doptimiser les temps de calculs.
62 CHAPITRE 3. INTERPOLATION DE LA MEMBERSHIP FUNCTION
3.3 Calcul dune solution initiale
La solution initiale doit respecter le maximum des donnees dont on dispose,
donner un resultat le plus realiste possible, et etre rapide `a generer. En eet, elle
servira de base ` a la simulation des faci`es. Une mauvaise estimation de la solution
initiale peut conduire ` a des realisations non coherentes avec les contraintes im-
posees.
Plusieurs approches ont ete envisagees pour estimer au mieux et le plus ra-
pidement possible la solution initiale. Trois dentre elles seront decrites ici, avec
leurs avantages et leurs inconvenients.
3.3.1 Approche par initialisation de plans
Principe de la methode
La premi`ere methode envisagee pour calculer une solution initiale consiste ` a
raisonner plan par plan horizontaux (` a w constant) dans la grille utilisee, et `a
initialiser chacun des plans independamment, en utilisant uniquement les donnees
observees aux puits.
T

u
v
w
v
u
2
1
3
Fig. 3.3 Triangulation des donnees de puits dans lespace (u,v)
Comme illustre sur la gure (3.3), lapproche consiste ` a travailler dans cha-
cun des plans (u,v) de la grille consideree, et `a trianguler les donnees de puits
observees dans ce plan.
3.3. CALCUL DUNE SOLUTION INITIALE 63
Considerons un triangle T ayant pour sommets les nuds
1
T
,
2
T
et
3
T
(cor-
respondant ` a trois points de donnees du plan (u,v) considere). On cherche `a
determiner la valeur de la propriete au nud de coordonnees barycentriques
(
i
T
[) dans T. Par interpolation barycentrique, la valeur de la propriete
au nud secrit :
() =
3

j=1
(
i
T
[) (
i
T
)
On peut ainsi evaluer, plan par plan, la valeur de la propriete en tout
nud du maillage `a linterieur de lenveloppe convexe des points de donnees.
Pour lensemble des cellules exterieures `a lenveloppe convexe, on utilise une me-
thode classique dextrapolation.
Resultats obtenus sur le jeu de donnees de test
0 1
Fig. 3.4 Resultat de linitialisation dune grille plan par plan
64 CHAPITRE 3. INTERPOLATION DE LA MEMBERSHIP FUNCTION
Cette methode dinitialisation est tr`es rapide (8 secondes sur la machine de
travail - PIII 1Ghz, 512Mo), mais conduit ` a des solutions initiales non satisfai-
santes : seules les donnees ponctuelles (comme les donnees de puits) sont utilisees
dans cette methode, et le resultat obtenu (cf. gure (3.4)) est extremement geo-
metrique, et donc peu realiste. Les donnees globales (comme par exemple la
proportion globale des dierents faci`es) ne sont pas prises en compte. On peut
envisager de combiner cette methode avec lapproche par interpolation directe :
on gen`ere dans un premier temps une solution initiale par initialisation de plans,
puis on applique linterpolateur decrit precedemment pour prendre en compte
lensemble des contraintes. Les resultats obtenus par la combinaison des deux
methodes respectent les contraintes imposees, mais les temps de calcul demeurent
encore trop longs pour que la methode soit acceptable.
3.3.2 Approche multigrille
Principe de la methode
De fa con succincte, le principe general des algorithmes multigrille est de de-
composer lespace en domaines elementaires, de taille inferieure `a la grille dori-
gine, dans lesquels vont etre eectues les calculs. Dans le cas present, la methode
choisie consiste `a construire des grilles embotees (une grille ne est embotee dans
une grille grossi`ere, cette grille grossi`ere dans une grille plus grossi`ere et ainsi de
suite).
Considerons lapplication dun algorithme multigrille sur la grille presentee
dans le coin superieur gauche de la gure (3.5). Il sagit dun processus multi-
grille ` a deux niveaux. Les etapes 1 et 2 consistent ` a construire des grilles plus
grossi`eres que la grille initiale, et ` a transferer les donnees presentes dans la grille
initiale dans ces grilles grossi`eres. Ensuite, une interpolation est eectuee dans la
grille grossi`ere (etape 3). Les resultats sont ensuite transferes dans une grille plus
ne (etape 4), et vont servir de base ` a linterpolation dans cette grille (etape 5).
Ainsi, linterpolateur convergera plus rapidement, etant donne que lalgorithme
dinterpolation demarrera dune solution initiale realiste. De la meme mani`ere, les
resultats obtenus lors de cette interpolation sont transferes dans la grille initiale
(etape 6), o` u ils servent de solution initiale pour la derni`ere interpolation (etape
7). Nous avons adapte cette methodologie pour utiliser linterpolateur DSI dans
les dierents niveaux des grilles construites, tout en prenant en compte la geome-
trie des corps (les failles introduisent des discontinuites lors de linterpolation),
mais aussi pour tranferer les contraintes dune grille `a lautre.
3.3. CALCUL DUNE SOLUTION INITIALE 65
Grille initiale
1
2
3
4
5
6
7
Fig. 3.5 Methode dinitialisation multigrille `a deux niveaux. Les etapes numero-
tees sur fond blanc correspondent ` a des etapes dupscaling, les etapes numerotees
sur fond gris correspondent ` a des etapes dinterpolation
Test de lecacite numerique de la methode
Observons les resultats dun algorithme multigrille sur un exemple. La gure
(3.6) presente les resultats obtenus dans une grille tridimensionnelle reguli`ere de
2 millions de cellules. La gure (3.6-A) presente le mod`ele utilise pour ce cas
detude : il comporte quatre failles et trois horizons. Nous allons interpoler dans
la grille une valeur scalaire, uniquement denie au niveau des horizons. Pour cela,
on associe `a chaque horizon une valeur scalaire unique (1 pour lhorizon bleu, 2
pour lhorizon jaune et 3 pour lhorizon rouge). La gure (3.6-B) presente la grille
tridimensionnelle initialisee avec les valeurs presentes sur les horizons. Le resultat
est presente sur la gure (3.6-C). Il a ete obtenu en 36 secondes sur une station
de travail (Pentium III 1Ghz, 512Mo de memoire). On peut constater sur la -
gure (3.6-C) que ce resultat obtenu tr`es rapidement est coherent avec les valeurs
presentent sur les horizons, mais aussi par rapport au modele structural impose.
On notera que chaque bloc de faille est bien interpole independamment.
En pratique, lapproche multigrille semble etre un bon compromis entre res-
pect des contraintes et temps de calcul. Neanmoins, cette methode sav`ere deli-
66 CHAPITRE 3. INTERPOLATION DE LA MEMBERSHIP FUNCTION
A
B
C
Fig. 3.6 Interpolation multigrille dune propriete scalaire, dans une grille de 2
millions de cellules. A- Mod`ele structural initial B- Initialisation de la grille avec
les valeurs associees aux horizons C- Resultat de linterpolation.
cate `a mettre en uvre en contexte faille. En eet, loperation dupscaling des
contraintes sur une grille grossi`ere faillee nest pas toujours realisable (etapes 1
et 2 sur la gure (3.5)).
Ce jeu de donnees permet uniquement de mettre en evidence la rapidite de
cet algorithme (36 secondes pour une grille de 2 millions de cellule). Appliquons
maintenant cet algorithme au jeu de donnees utilise pour la comparaison des me-
thodes.
Resultats obtenus sur le jeu de donnees de test
Observons le resultat de linterpolation sur la gure (3.7) : ces resultats sont
realistes, les donnees de puits sont correctement respectees. Neanmoins, ce resul-
tat nest pas realiste dans le cadre de linterpolation de probabilite de faci`es, pour
les raisons qui sont evoquees dans le paragraphe suivant.
3.3. CALCUL DUNE SOLUTION INITIALE 67
Fig. 3.7 Interpolation par la methode multigrille dans le volume de la member-
ship [Link] donnees correspondent au jeu de test presente en (3.1)
3.3.3 Interpolation de probabilites de faci`es et interpola-
teur isotrope
La gure (3.7) presente linterpolation de la propriete correspondant ` a une
probabilite de faci`es. Linterpolation est eectuee de facon isotrope dans le vo-
lume. Or, on sait que la plupart des structures geologiques sedimentaires sont
dues `a des modes de depots anisotropes. Le principal probl`eme de la methode
multigrille appliquee dans le cadre de la modelisation de faci`es tient au fait que
la methode est basee sur un interpolateur tridimensionnel qui ne prend pas en
compte le caract`ere stratigraphique du probl`eme. En eet, il semblerait plus rea-
liste que linitialisation dune section de la grille consideree (qui, par construction,
correspond ` a une ligne temps de stratigraphie sequentielle) soit eectuee en pre-
nant seulement en compte les faci`es observes ou interpretes sur la meme strate.
Nous allons donc maintenant etudier linuence de la connectivite entre les
strates et proposer une methode pour la prendre en compte.
68 CHAPITRE 3. INTERPOLATION DE LA MEMBERSHIP FUNCTION
3.4 Etude de limportance de la connectivite entre
les strates
Nous venons de voir que les resultats obtenus avec un interpolateur tridimen-
sionnel ne semblent pas satisfaisants pour modeliser des probabilites de faci`es,
linterpolateur ne prenant pas en compte le caract`ere stratigraphique du pro-
bl`eme.
noeud
noeuds
i
u
v
w
Fig. 3.8 Denition des voisins
i
du nud
Linterpolateur DSI dans sa forme classique est un interpolateur isotrope. Il
sappuye sur lestimation dun crit`ere de rugosite local, qui peut etre exprime au
nud (cf. Mallet [34]) de la fa con suivante :
R([) =

N()
v(,) ()

2
N() correspondant ` a lensemble des nuds du voisinage de et au nud
lui-meme.
Lors dune interpolation isotrope, les connectivites entre un nud central
et ses voisins
1
,
2
, . . . sont prises en compte avec le meme poids v(,
i
) = 1,
cest-`a-dire que chaque nud voisin apporte la meme contribution `a lestimation
de la solution. Le coecient v(,) est donc un ponderateur intervenant dans
lalgorithme DSI pour estimer le crit`ere de rugosite local, en tout nud .
Considerons un mod`ele du sous-sol, constitue dune grille curvilineaire faillee,
et dun ensemble de puits o` u des faci`es ont ete observes. Cette grille va servir de
support `a linterpolation de la membership function.
3.4. ETUDE DE LIMPORTANCE DE LA CONNECTIVIT

E ENTRE LES STRATES 69

Section 21
A
B D
C
Section 21
Fig. 3.9 Resultat de linterpolation de la membership function en fonction
de la connectivite verticale des nuds : A et B- Interpolation isotrope; C et D-
Interpolation anisotrope
Comparons le resultat obtenu lors de linterpolation isotrope et anisotrope
dune des composantes de la membership function dans une grille curvilineaire :
Pour interpoler de mani`ere isotrope, on a :

v(,) = 1 N()
v(,) =

N(){}
v(,)
Le resultat de linterpolation isotrope sur lensemble de la grille est presente
gure (3.9-A), et une section gure (3.9-B).
Pour interpoler plan par plan (on consid`ere des plans horizontaux (u,v),
avec w constant), il est possible de modier les connectivites prises en
comptes lors de linterpolation, ensupprimantles connectivites verticales,
ce qui correspond ` a :
70 CHAPITRE 3. INTERPOLATION DE LA MEMBERSHIP FUNCTION

v(,) = 1 pour tout appartenant ` a N()

et au meme plan (u,v) que
v(,) =

N(){}
v(,)
v(,) = 0 dans tous les autres cas
Les gures (3.9-C), et (3.9-D) presentent les resultats obtenus en suppri-
mant les connectivites verticales.
Comme nous avons pu le constater precedemment, linterpolation 3D isotrope
ne semble pas conduire `a des resultats realistes pour linterpolation de proba-
bilites de faci`es. Les resultats obtenus dans le cas de linterpolation multi-2D
(et donc sans aucune connectivite verticale) semblent plus realistes en terme de
geologie, la repartition des faci`es (et donc de leurs proportions) seectuant dans
chacune des strates independamment.
Une autre possibilite consiste `a ponderer la contribution des dierents voisins
lors de linterpolation, en fonction de leur position. Considerons le cas dans lequel
toutes les connectivites sont maintenues (donc dans notre cas, un voisinage de
six nuds), mais o` u un ratio de 10 est introduit entre le poids des voisins pre-
sents dans le meme plan que le nud considere et les deux autres voisins. Les
ponderateurs valent donc :

v(,) = 1 pour tout appartenant ` a N()

et au meme plan (u,v) que
v(,) = 0.1 pour tout appartenant ` a N()
et nappartenant pas au meme plan (u,v) que
v(,) =

N(){}
v(,)
La gure (3.10) presente les resultats de linterpolation ponderee obtenus
sur le mod`ele considere. Laspect stratigraphique du probl`eme semble toujours
etre pris en compte, et le resultat semble realiste, linterpolation seectuant ma-
joritairement dans chacune des strates de la grille.
Deux solutions semblent donc convenir : linterpolation plan par plan, et lin-
terpolation avec une ponderation des voisins. Quelle solution pour linterpolation
faut-il privilegier? Sur la gure (3.11), on peut observer la probabilite de presence
dun faci`es donne dans trois niveaux adjacents de la grille. Les gures (3.11-A),
(3.11-B) et (3.11-C) sont obtenues en eectuant une interpolation plan par plan
3.4. ETUDE DE LIMPORTANCE DE LA CONNECTIVIT

E ENTRE LES STRATES 71

Section 21
A
B
Fig. 3.10 Resultat de linterpolation de la membership function avec une
ponderation dans la contribution des voisins
72 CHAPITRE 3. INTERPOLATION DE LA MEMBERSHIP FUNCTION
A - Section 29 D - Section 29
B - Section 30 E - Section 30
C - Section 31 F - Section 31
0 1
Connectivit verticale nulle Pondration verticale = 0.1
Fig. 3.11 Details de linterpolation de la membership function dans la grille :
trois sections W adjacentes sont presentees. Dans la bande superieure, linter-
polation est eectuee plan par plan. Dans la bande inferieure, la connectivite
verticale est ponderee
3.5. UTILISATION DUN ALGORITHME DSI MATRICIEL 73
(connectivite nulle pour les voisins dans la direction verticale W, donc les re-
lations entre les dierentes strates sont ignorees), alors que la connectivite a ete
ponderee pour les gures (3.11-D), (3.11-E) et (3.11-F).
Les sections w = 29 et w = 31 sont quasi semblables dans les deux cas. Il
est interessant dobserver le niveau w = 30 dans les deux interpolations. Dans la
solution o` u la contribution des voisins verticaux a ete ponderee, le resultat semble
plus realiste, car on peut supposer que la zone de haute probabilite observee sur
les niveaux w = 29 et w = 31 est aussi presente sur la section w = 30, ce que
lon observe bien sur la gure (3.11-E) (methode des contributions des voisins
verticaux ponderes). La solution o` u les contributions verticales sont ponderees
presente aussi lavantage de proposer une solution initiale dans les niveaux o` u
aucune donnee na ete observee.
Nous avons donc propose une methode pour calculer une solution initiale
dans la grille detude. Cette solution initiale permet de faire converger plus rapi-
dement linterpolateur. Nous allons voir maintenant comment peut etre amelioree
lecacite de linterpolateur DSI, en utilisant un algorithme de gradient conjugue.
3.5 Utilisation dun algorithme DSI matriciel
La methode DSI
La methode dinterpolation DSI, appliquee `a linterpolation dune fonction ,
consiste `a minimiser un crit`ere de rugosite generalisee R

() qui peut etre ecrit

`a laide de la forme quadratique suivante (cf. [34]):

() =
t
[A
2
] 2
t
Q + b
2
avec

[A
2
] =

cC

c
A
c
A
t
c
Q =

cC

c
A
c
b
c
b
2
=

cC

c
b
2
c
avec
c
correspondant ` a un ponderateur donne de la contrainte c. Les coe-
cients A
c
et b
c
sont associes `a chaque contrainte c (

, de telle sorte que lon ai

(cf. equation (2.10)) :
A
c
. b
c
Le crit`ere de rugosite generalisee R

() prend en compte ` a la fois la rugosite

de la membership function et le degre de violation des contraintes par . Par
74 CHAPITRE 3. INTERPOLATION DE LA MEMBERSHIP FUNCTION
consequent, le processus dinterpolation consiste ` a minimiser la valeur de R

().
3.5.1 Minimisation de R

()
On peut remarquer que R

() est une forme quadratique non negative dont

le minimum en fonction de correspond ` a la solution DSI recherchee. Il est donc
naturel de songer ` a utiliser une methode de gradient conjugue pour trouver une
solution minimisant R

().
Cette methode est tres ecace numeriquement, et converge en au plus n
iterations. En pratique, une solution satisfaisante est obtenue pour un nombre
diterations bien inferieur `a n.
Cette methode presente tout de meme deux inconvenients : dans son imple-
mentation classique, cette methode ne peut prendre en compte de contraintes
dures (i.e. des contraintes qui doivent imperativement etre respectees), ni de
contraintes dont la valeur du second terme b
c
varie au cours des iterations.
3.5.2 Methode des gradients conjugues
La methode des gradients conjugues est une methode numeriquement ecace
pour minimiser les fonctions quadratiques du type suivant :
q() =
1
2

T
A + b
T
+ c
Lidee de la methode est de construire progressivement des directions d
0
,d
1
, ,d
k
mutuellement conjuguees par rapport ` a la matrice A de la forme quadratique ` a
minimiser. A chaque etape k, la direction d
k
est obtenue par combinaison lineaire
du gradient q(
k
) en
k
et des directions precedentes d
0
,d
1
, ,d
k1
, les coef-
cients de la combinaison lineaire etant choisis de telle sorte que d
k
soit conjuguee
par rapport ` a toutes les directions precedentes.
En notant g
k
= q(
k
) le gradient de la fonction q en
k
, la methode prend
la forme suivante (cf. [46]) :
1. Soit
0
la solution initiale, g
0
= q(
0
) = A
0
+ b.
Poser d
0
= g
0
, k = 0.
2. ` a lteration k, on est au point
k
.
Denir
k+1
=
k
+
k
d
k
avec :

k
=
g
T
k
d
k
d
T
k
A d
k
d
k+1
= g
k+1
+
k
d
k
avec
k
=
g
T
k+1
A d
k
d
T
k
A d
k
3.5. UTILISATION DUN ALGORITHME DSI MATRICIEL 75
3. Faire k k + 1 et retourner en 2.
Les iterations sont arretees lorsque la convergence est obtenue, cest-` a-dire
que loptimum est atteint (g
k
final
= 0).
3.5.3 Ecacite de la methode
Comme dit precedemment, il est possible de montrer que la methode des gra-
dients conjugues appliquee `a une fonction quadratique converge en au plus n
iterations, la matrice A etant de taille n n. Dans les tests que nous avons pu
realiser, cette methode permet daccroitre la vitesse de convergence de linterpo-
lateur dun facteur 100.
Malheureusement, cette methode est une methode matricielle, et son ecacite
est tr`es dependante de la memoire disponible. En eet, la taille de la matrice A
est le produit du nombre de cellules de la grille consideree par le nombre de faci`es
de la membership function. Ainsi, une grille tr`es dense, ou un nombre de faci`es
tr`es eleve impactent fortement les performances de cette methode. Le tableau ci-
dessous presente quelques resultats quant aux performances obtenues avec cette
methode. Tous les cas ont ete realises `a partir dune solution initiale, prealable-
ment calculee `a partir de la methode multigrille, sur la meme station de travail
(Pentium III 1Ghz, 512Mo).
taille de la grille faci`es temps Convergence?
100000 cellules 3 12s. oui
100000 cellules 4 17s. oui
200000 cellules 4 48s. oui
800000 cellules 6 plus de 300s. non
Linterpolation de la grille avec 800.000 cellules et 6 faci`es a ete interrompue
apr`es plus de 5 minutes de calcul. La convergence netait pas atteinte.
La methode proposee conduit `a de bons resultats, mais nest pas applicable
dans le cas de grilles de taille importante. De plus, nous avons vu precedem-
ment quune interpolation isotrope dans la grille de simulation ne satisfait pas
`a la problematique de linterpolation de probabilite dapparition de faci`es. Nous
allons donc proposer une methode combinant linterpolation anisotrope pour le
realisme des resultats obtenus, et linterpolation par lintermediaire dun gradient
conjugue pour son ecacite dans les grilles de taille moyenne.
76 CHAPITRE 3. INTERPOLATION DE LA MEMBERSHIP FUNCTION
3.6 Decomposition du domaine en blocs glis-
sants
Nous avons etudie precedemment limportance et limpact de la connectivite
entre les dierentes strates, dans le cadre de linterpolation de probabilites de
faci`es. Nous venons de detailler un algorithme dinterpolation base sur la methode
des gradients conjugues. Au cours du paragraphe precedent, nous avons aussi
montre les limites de la methode des gradients conjugues (en particulier la taille
de la matrice). Neanmoins, si nous supposons que la distribution des faci`es et des
proprietes petrophysiques se fait preferentiellement selon la stratigraphie, il est
alors possible de trouver une solution aux limitations enoncees precedemment.
Nous allons en presenter le principe.
3.6.1 Principe de la methode
En prenant en compte les resultats obtenus paragraphe (3.4), et en faisant
lhypoth`ese que la repartition des faci`es se fait preferentiellement selon la strati-
graphie, il est possible de decomposer la zone detude enblocs(selon la direction
verticale w de la grille), et de proceder non plus `a une interpolation globale dans
la grille, mais ` a une interpolation dans chacun des blocs.
Supposons une grille stratigraphique ( de dimension n
u
n
v
n
w
, et un
decoupage en n
b
blocs, de taille w
k
.
La methode proposee peut se decomposer en 4 etapes :
la premi`ere etape consiste ` a decouper la grille en blocs. La taille des blocs
doit etre choisie de mani`ere `a ce que linterpolation via la technique du gra-
dient conjugue precedemment decrite soit applicable. De plus, pour assurer
la coherence globale de linterpolation de la grille, les blocs ne sont pas dis-
joints, mais sont denis de telle sorte quil y ait un recoupement entre deux
blocs successifs. (cf. gure (3.12-B)).
Ainsi, si le bloc 1 correspond aux niveaux 1 ` a w
k
de la grille principale, le
second bloc ne correspondra pas aux niveaux w
k
+1 ` a 2.w
k
, mais recoupera
le bloc precedent et correspondra aux niveaux w
k
1 ` a 2.w
k
de la grille
principale.
De fa con generale, les blocs seront denis ainsi : le bloc k correspond ` a lex-
traction des niveaux (k 1).w
k
1 ` a k.w
k
de la grille principale (cf. gure
(3.12-A)).
La seconde etape consiste `a eectuer une interpolation dans le bloc k, en
prenant en compte lensemble des contraintes imposees. De plus, comme
3.6. D

ECOMPOSITION DU DOMAINE ENBLOCS GLISSANTS 77

B - Extraction dun bloc de la
grille principale
C - Interpolation de dans le bloc
D - Transfert des rsultats de
linterpolation dans la grille principale
A - Principe de dcoupage en blocs
(k-1).w
k
k.w
k
(k+1).w
k
u,v
w
bloc k-1
bloc k
bloc k+1
Fig. 3.12 Etapes de linterpolation par blocs de la membership function dans
la grille
les blocs ne sont pas disjoints et que la simulation des blocs se fait succes-
sivement, les resultats de linterpolation du bloc k 1 servent de solution
initiale ` a linterpolation du bloc k (cf. gure (3.12-C)).
La troisi`eme etape consiste `a transferer les resultats de linterpolation ef-
fectuee dans le bloc dans la grille principale (cf. gure (3.12-D)).
Pour terminer, il est necessaire de reproduire les etapes precedentes avec le
bloc suivant
3.6.2 Resultats obtenus sur le cas de test
La gure (3.13) presente les resultats obtenus sur le cas de test par la methode
de decomposition par blocs. La grille de test a `ete decomposee en 10 blocs. Ces
resultats ont ete obtenus en 37 secondes sur la station de travail utilisee (Pentium
III 1Ghz, 512Mo). Ces resultats sont realistes, respectent bien les contraintes im-
78 CHAPITRE 3. INTERPOLATION DE LA MEMBERSHIP FUNCTION
0
1
Fig. 3.13 Resultat de linterpolation de la membership function par blocs (10
blocs ont ete utilises dans cet exemple)
posees.
Ainsi, la methode decrite ici permet ainsi dappliquer la methode des gradients
conjugues decrite precedemment, quelque soit la taille de la grille consideree.
3.7 Conclusions
Apr`es avoir decrit les donnees ainsi que leur mise sous la forme canonique
des contraintes, nous avons envisage dans ce chapitre dierentes methodes din-
terpolation pour estimer le cube de proportions. La methode proposee sav`ere
relativement souple et ecace : tout type de contrainte pouvant etre mis sous
la forme canonique des contraintes que nous avons detaillee precedemment peut
etre prise en compte dans le processus dinterpolation, et donc dans lestimation
du cube de proportions. De plus, un soin particulier a ete porte `a lecacite nu-
merique de la methode dinterpolation. Le couplage dun algorithme de gradient
conjugue et le decoupage en bloc donne de bons resultats.
3.7. CONCLUSIONS 79
Il est donc possible destimer un cube de proportions de mani`ere able et
rapide, tout en integrant un large panel de contraintes.
Nous allons maintenant proposer dierentes methodes permettant de passer
du cube de proportions (unique, con cu de mani`ere deterministe) ` a de multiples
realisations.
80 CHAPITRE 3. INTERPOLATION DE LA MEMBERSHIP FUNCTION
81
Troisi`eme partie
Du cube de proportions aux
realisations
83
Chapitre 4
Generer des realisations
Dans la partie precedente, des methodes permettant de construire de mani`ere
rapide et relative simple un cube de proportions ont ete mises en place. Une fois
lensemble des donnees integrees, un seul et unique cube de proportions est estime
par interpolation. Dans ce chapitre, les proportions correspondront aux probabi-
lites dappartenance aux dierents faci`es.
Dans cette partie, nous allons voir comment introduire le caract`ere stochas-
tique des realisations dans notre approche. Rappelons que le but des simulations
stochastiques est de fournir un moyen de generer un grand nombre de realisations
equiprobables, alternatives respectant au mieux lensemble des donnees dispo-
nibles. Nous proposons trois methodes pour realiser cela : une premi`ere approche
permet la prise en compte dun seul variogramme pour lensemble des faci`es. La
seconde approche plus originale est proposee, permettant de prendre en compte
un variogramme par faci`es simule. Pour terminer, une approche utilisant des mo-
tifs pour modeliser les relations entre faci`es est proposee.
4.1 Simulation `a laide dun seul champ de pro-
babilites
La methode de simulation avec un seul champ de probabilites est le moyen le
plus simple de generer des realisations ` a partir dun cube de probabilites dappa-
rition des faci`es. Cette methode est adaptee aux cas pour lesquels le variogramme
de chacun des faci`es est identique (lanisotropie est la meme pour tous les faci`es).
Un champ de probabilites uniformes P() est genere : il respecte le vario-
gramme et est non conditionne aux donnees. En pratique, ce champ de proba-
bilites est genere en utilisant une simulation sequentielle gaussienne non condi-
tionnee, avec une loi de distribution uniforme.
84 CHAPITRE 4. G

EN

ERER DES R

EALISATIONS
A partir du cube de proportions (), il est alors relativement simple de ge-
nerer une realisation. Nous allons en decrire le principe, mais il est necessaire de
denir pour cela la membership function cumulee.
( ; 1)
( ; 0) = 0
P()
Facis F

simul
au noeud
0 1 -1

+1 n
(, n) = 1
( ; )
+2
Fig. 4.1 Membership function cumulee (; ) associee `a la membership func-
tion () et `a la liste ordonnee des faci`es F
1
,F
2
, ,F
n
. Cette fonction peut
etre utilisee pour construire un simulateur ` a partir dun champ de probabilites
P() (Dapr`es Mallet, [34])
La membership function cumulee a ete denie par Mallet (cf. [34]). Supposons
que les faci`es puissent etre ordonnes suivant lordre F
1
,F
2
, ,F
n
et soit (; )
la membership function cumulee associee `a cette liste de faci`es et denie par :
(; ) =

0 si = 0

i=1

i
() si [1,n]
(4.1)
En eet, rappelons que la membership function est denie telle que :
n

i=1

i
() = 1
La fonction (; ) ainsi denie est analogue ` a une distribution cumulee de
probabilites. Il est alors possible de construire un simulateur ` a partir de la mem-
bership function cumulee (; ) et du champ de probabilite P().
4.1. SIMULATION
`
A LAIDE DUN SEUL CHAMP DE PROBABILIT

ES 85
Ainsi, en tout nud de la grille de simulation, il est possible de simuler un
faci`es, en comparant la valeur du champ de probabilite P() `a la membership
function cumulee (; ), comme indique sur la gure (4.1), et en attribuant le
faci`es F

correspondant tel que :

(; 1) < P() (; )
Mallet [34] a montre quune telle methode conduit bien ` a la realisation de
simulation stochastique respectant le variogramme impose.
4.1.1 Resultats obtenus
A B
C D
0
1
Fig. 4.2 Valeur de la membership function pour les 4 faci`es consideres A- Faci`es
1 B- Faci`es 2 C- Faci`es 3 D- Faci`es 4
Considerons le cas de test presente section (3.1). Le cube de proportions as-
socie `a ce cas detude est presente gure (4.2), composante par composante. Un
86 CHAPITRE 4. G

EN

ERER DES R

EALISATIONS
0 1
Fig. 4.3 Champ de probabilite utilise pour eectuer la simulation
seul et unique variogramme respectant au mieux lanisotropie des dierents fa-
ci`es a ete calcule, et le champ de probabilite P() associe est presente gure (4.3).
Une realisation obtenue en utilisant cette methode est presentee gure (4.4).
Nous venons de decrire et de mettre en application une methode permettant de
generer des realisations ` a partir dun champ de probabilite. Cette methode nuti-
lise quun seul champ de probabilite. Par consequent, les correlations spatiales
sont modelisees par lintermediaire dun seul variogramme, qui est, en pratique,
un variogramme moyen de lanisotropie de tous les faci`es. Nous verrons ci-dessous
comment remedier `a cette restriction
4.2 Simulations multi PField
Dans cette partie, nous allons proposer une methode relativement proche de
la precedente, mais permettant de prendre en compte un variogramme dierent
par faci`es. Par consequent, si n faci`es sont simules, n champs de probabilites
4.2. SIMULATIONS MULTI PFIELD 87
F
1
F
2
F
3
F
4
Fig. 4.4 Resultat de la simulation
P
1
(),P
2
(), ,P
n
() seront utilises. Cest pour cette raison que nous pro-
posons dappeler cette methode multi PField.
4.2.1 Principe de la methode
Comme precedemment, nous supposerons que la membership function a ete
calculee en tout point de la zone detude en prenant en compte lensemble des
contraintes ( disponibles, comme dans la methode decrite au paragraphe (4.1).
Nous supposerons aussi que les faci`es F
1
,F
2
, sont ordonnes, et que les va-
riogrammes

caracterisant les correlations spatiales des faci`es F

ont ete denis.

Pour generer une realisation, nous proposons dutiliser lalgorithme suivant
illustre sur la gure (4.5) :
Pour chaque faci`es F

, selon lordre choisi par lutilisateur,

1. Generer un champ de probabilite P

(), respectant le variogramme

du
faci`es F

(genere par une SGS non conditionnee, suivant une loi de dis-
tribution uniforme). Ce champ de probabilites nest pas conditionne par
88 CHAPITRE 4. G

EN

ERER DES R

EALISATIONS
A - Construire un champ de probabilit P

,
respectant le variogramme

Pas F

0 1
*
()
P

()
B - Associer les facis aux noeuds
Au noeud ,
le facis F

est simul
F

Pas F

0 1
*
()
P

()
Au noeud ,
le facis F

nest pas simul
C - Mise jour de la
Membership fonction
`
D - Installation des
contraintes et
Interpolation de la
membership function
FACIES SUIVANT
Fig. 4.5 Principe de la methode multi PField
4.2. SIMULATIONS MULTI PFIELD 89
les donnees. (gure (4.5-A)), mais a un comportement (portee, anisotropie)
compatible avec le style du faci`es F

.
2. En tout nud de la grille, comparer les valeurs de P

() et

().
Deux cas peuvent alors se presenter (gure (4.5-B)) :
Si P

() est inferieur `a (), alors assigner le faci`es F

au noeud
et mettre `a jour les valeurs de la membership function tel que decrit
ci-dessous pour prendre en compte le fait que le faci`es F

est desormais
assigne au nud :
P

() <

() =
_

() 1

() 0 ,=
Si P

() est superieur `a

(), alors mettre ` a jour la membership

function comme suit pour prendre en compte le fait que le faci`es F

ne pourra plus etre simule au nud :

P

() >

() =

() 0

()

()
_

k=

k
() ,=
Dans les deux cas ci-dessus, les nouvelles valeurs assignees aux composantes
de sont xees comme des control nodes (cf. [34]) qui ne pourront plus
etre modies par linterpolateur DSI.
3. Apr`es letape precedente, il est necessaire dappliquer lalgorithme DSI pour
propager dans le domaine d`etude les modications apportees aux com-
posantes de la fonction qui ont ete xees comme des control nodes.
En plus de ces control nodes, on peut, si necessaire, ajouter dautres
contraintes comme par exemple des contraintes de transition : un exemple
de telle contraintes sera donnee au paragraphe (4.2.4).
4. Repeter les etapes precedentes pour tous les autres faci`es, selon lordre
predetermine.
Dans cette methode, Il est important de noter que :
Les champs de probabilite P

ne prennent en compte que la variabilite

spatiale

du faci`es F

qui leur est associe;

toutes les autres contraintes (
init.
(cartes et courbes de proportion, don-
nees de puits,...) ne sont prises en compte que lors de linterpolation de la
membership function.
Dun point de vue pratique, le dernier faci`es dans lordre des faci`es correspond
au remplissage de la grille, et nest pas genere en utilisant une simulation. Par
consequent, pour un cas detude avec n faci`es, nous navons besoin de denir que
n 1 variogrammes, correspondant aux n 1 premiers faci`es simules.
90 CHAPITRE 4. G

EN

ERER DES R

EALISATIONS
4.2.2 Ordre de simulation de faci`es
Comme nous lavons dit precedemment, les faci`es sont simules sequentielle-
ment, dans un ordre choisi par lutilisateur.
Ellipsoides danisotropie
Facies 1 Facies 2 Facies 3 et 4
Fig. 4.6 Application de la methode Multi PField dans un cas 2D - Exemple
de realisation
,
Reportons nous `a la gure (4.6), o` u quatre faci`es F
1
,F
2
,F
3
,F
4
sont simules,
dans lordre F
1
, puis F
2
, puis F
3
, puis F
4
. Nous avons choisi, dans le cas de cet
exemple, deectuer la simulation dans un cadre bidimensionnel, et de denir les
ellipsoides danisotropie comme indique gure (4.6).
Les variogrammes
1
et
2
ont la meme portee, seul lorientation de laniso-
tropie est dierente. Il est possible de constater sur la realisation presentee gure
(4.6) que la structure spatiale du faci`es F
1
est correctement respecte. De meme,
on observe que lanisotropie du faci`es F
2
est bien orientee selon lellipsoide im-
pose. Par contre, dans le detail, si lon observe le faci`es F
2
, la structure spatiale
imposee nest pas parfaitement respectee, le corps du faci`es F
1
venant se super-
poser sur le faci`es F
2
. Ainsi, si lon recalcule le variogramme du faci`es F
2
, les
portees selon la direction N135 (la direction de lanisotropie) vont etre plus pe-
tites que le mod`ele impose.
Il sagit l` a dun cas extreme, non realiste, mais permettant dillustrer les rela-
tions dordre entre les faci`es. Ainsi, il apparait adequat dordonner les faci`es par
ordre decroissant de la portee de leurs variogrammes respectifs pour eectuer les
simulations.
4.2. SIMULATIONS MULTI PFIELD 91
4.2.3 Resultats obtenus
B A
C
0 1
Fig. 4.7 Exemple de realisations des champs de probabilites associes aux faci`es
F
1
(A), F
2
(B) et F
3
(C).
La methode multi PField a ete applique au jeu de donnees servant de test
(dont les donnees ont ete presentees section (3.1)). Dans le cas present, ce ne
sont plus un mais trois variogrammes (
1
,
2
et
3
) qui sont utilises pour generer
les trois champs de probabilites P
1
(), P
2
(), et P
3
(). Une realisation de ces
champs de probabilite est presentee gure (4.7).
La gure (4.8) presente une realisation obtenue par la methodemulti PField.
Dans cet exemple, la portee de tous les variogrammes
i
etant sensiblement la
meme, lordre de simulation des faci`es importe peu.
92 CHAPITRE 4. G

EN

ERER DES R

EALISATIONS
F
1
F
2
F
3
F
4
Fig. 4.8 Resultat de la simulation pour le jeu de test, avec la methode multi-
PField
4.2.4 Contraintes dynamiques : exemple des contraintes
de transition
Nous avons vu dans lalgorithme des simulations multi peldsquil etait pos-
sible dintegrer dans le processus des contraintes dynamiques avant dappliquer
lalgorithme DSI.
Le processus de simulation que nous venons de decrire est sequentiel, cest-`a-
dire quil simule les faci`es les uns apr`es les autres, dans un ordre xe au prealable.
Dans le cadre de notre methode, nous appelerons contrainte dynamique toute
contrainte dont la mise en place depend du resultat de literation precedente.
Presentons cela sur un exemple, et interessons nous `a une nouvelle approche
pour decrire les contraintes de transition. Nous avons vu section (2.3.5) une fa con
dimplementer les contraintes de transition directement au niveau de lestimation
du cube de proportions. Nous allons voir une autre approche sous la forme de
4.3. SIMULATIONS BAS

EES SUR DES MOTIFS 93

contraintes dynamiques qui nest applicable que dans le cadre de la methode
multi PField.
Supposons que lon souhaite que le voisinage du faci`es F

soit preferentiel-
lement le faci`es F

(ce qui pourrait se traduire, en terme de probabilites de

transition, par une valeur elevee pour la transition entre F

et F

). Intuitive-
ment, il revient au meme de dire : si le faci`es F

est simule au nud , alors

le voisinage du nud devra preferentiellement etre du faci`es F

. De part le
fonctionnement sequentiel de lalgorithme, il est possible davoir recours ` a une
telle approche. Le fait de choisir le faci`es F

au nud et dimposer les proba-

bilites de transition T
,
entre les faci`es F

et F

impliquent la mise en place de

contraintes sur les probabilites dapparition des faci`es F

sur les nuds voisins.

Ces contraintes C
trans.
(,) sont choisies de type fuzzy control node (cf. [34]),
pour trouver un optimum lors de linterpolation de la fonction respectant au
mieux lensemble des contraintes imposees.
_
C
trans.
= C
trans.
(,)
_
:
N() , > ,

()
T
,
n

k=+1
T
,k

N()
A

C
()

() = b

C
[ + 1,n]
N() correspond ` a lensemble des nuds du voisinage de , y compris le nud
; est lindex du faci`es simule au point ; > car les faci`es sont simules se-
lon un ordre predeni; T
,
est la probabilite de transition entre les faci`es F

et F

.
Dans le cadre de la contrainte du type fuzzy control node, appliquee `a une
composante de la membership function , et pour un nud N(), les
coecients A

C
sont egaux ` a :
_
A

C
() = 1 si =
A

C
() = 0 sinon
Dans le cas des contraintes de transition, le coecient b

C
, a pour valeur :
b

C
=
T
,
n

k=+1
T
,k
4.3 Simulations basees sur des motifs
Cette methode est inspiree du concept de motif propose par Loch et Galli
[32] dans la methode des plurigaussiennes tronquees, presentee section (1.3.5).
94 CHAPITRE 4. G

EN

ERER DES R

EALISATIONS
Lusage de motifs est un moyen simple et elegant dintroduire la notion de
transition binaire entre deux faci`es. En sedimentologie, les faci`es peuvent genera-
lement etre ordonnes en sequences statigraphiques. Un tel ordonnancement des
faci`es introduit des relations de voisinage entre les faci`es, dont certaines relations
du type le faci`es F
i
ne peut pas etre proche du faci`es F
j
. De telles relations
peuvent etre traduites en terme de transitions binairesentre les dierents faci`es,
comme nous lavons presente dans le paragraphe (1.3.5).
Le principe desmotifsconsiste `a modeliser les relations possibles/impossibles
entre les faci`es `a travers lagencement des faci`es dans le motif. Les dierents motifs
ont ete presentes gures (1.4), (1.5), et (1.6).
A B
Fig. 4.9 Relations possibles entre 3 faci`es
Comparons les deux motifs presentes sur la gure (4.9). Ces deux motifs
peuvent etre appliques dans une simulation dans laquelle trois faci`es F
1
,F
2
,F
3

sont representes.
Le motif presente gure (4.9-A) permet des transitions du faci`es F
1
vers le
faci`es F
2
et vice versa, ainsi que des transitions du F
2
vers le faci`es F
3
et
vice versa. Dans une telle conguration, les faci`es F
1
et F
3
ne partagent
pas de fronti`ere commune. Par consequent, des transitions entre les faci`es
F
1
et F
3
ne sont pas possibles.
Le motif presente gure (4.9-B) permet toutes les transitions possibles entre
les trois faci`es F
1
,F
2
,F
3
car chaque faci`es partage une fronti`ere commune
avec les deux autres.
La position dans le motif de chaque fronti`ere est calculee en fonction de la
proportion de chaque faci`es. En eet, laire de chacun des faci`es dans le motif
4.3. SIMULATIONS BAS

EES SUR DES MOTIFS 95

est proportionnelle ` a la proportion du faci`es considere. Si nous denissons les
motifs dans un espace 1 1, alors laire de lespace occupe par le faci`es F

dans
le motif est egale ` a la probabilite dapparition d faci`es F

dans le domaine detude.

Par exemple, si nous calculons la position de chaque fronti`ere dans le motif
(4.9-B) pour un nud , et correspondant ` a la valeur de la membership function :
() =

1
()

2
()

3
()

avec :
n

i=1

i
() = 1
on obtient :

Aire du faci`es F
1
: A
x
() =
1
()
Aire du faci`es F
2
: (1 A
y
() . (1 A
x
()) =
2
()
Aire du faci`es F
3
: (1 A
x
()) . A
y
() =
3
()
o` u A
x
() et A
y
() sont les coordonnees du point A dans le motif.
On a alors la relation suivante entre les coordonnees A
x
() et A
y
() du point
A() et les composantes de () qui a pour solution :

A
x
() =
1
()
A
y
() =

3
()
1
1
()
Connaissant (), on peut donc positionner le point A() dans le motif pre-
sente sur la gure (4.9-B).
4.3.1 Simulations basees sur les motifs
Un fois le motif choisi (en fonction du nombre de faci`es `a simuler et des rela-
tions entre faci`es), le meme motif doit etre utilise dans toute la grille de simulation.
Supposons la membership function renseignee en tout point de la grille de
simulation, et que lutilisateur a selectionne un motif compatible avec les donnees
(le meme nombre de faci`es doit etre present dans le cube de probabilites et dans
le motif).
La simulation pourra alors etre eectuee en utilisant la methode suivante :
Construire deux champs de probabilites P
1
() et P
2
() selon une loi uni-
forme, un pour chaque axe du motif (ces champs de probabilites sont
96 CHAPITRE 4. G

EN

ERER DES R

EALISATIONS
non conditionnes aux donnees, et generes dans lintervalle [0,1]). Les deux
champs seront generes en utilisant le meme variogramme. On obtiendra
alors deux variables, variant de fa con continue sur lintervalle [0,1].
Calculer en chaque nud de la grille de simulation les coordonnees du
point A() dans le motif selectionne.
Pour chaque nud de la grille, associer au nud considere le faci`es present
aux coordonnees (P
1
(),P
2
()) dans le motif selectionne.
Cette methode suppose aussi que les champs de probabilite utilises, ainsi que
le cube de proportions varient de facon continue par morceaux sur la zone detude.
4.3.2 Resultats obtenus
Considerons le cas de test, et appliquons la methode decrite ci-dessus. Cet
exemple contient 4 faci`es, et nous allons comparer les resultats obtenus avec les
deux motifs presentes gures (4.10-1-A) et (4.10-2-A).
Deux realisations obtenues avec cette methode sont presentees gures (4.10-1-
B) et (4.10-2-B) : la realisation (4.10-1-B) a ete obtenue en utilisant le motif de la
gure (4.10-1-A), et la realisation (4.10-2-B) avec le motif de la gure (4.10-2-A).
On peut noter les transitions entre les dierents faci`es sur ces deux realisations :
le motif de la gure (4.10-1-A) permet des transitions entre les faci`es F
1
et
F
2
, entre les faci`es F
2
et F
3
et F
3
et F
4
. Les faci`es F
1
et F
3
netant pas
voisins dans le motif, ils ne doivent pas partager de fronti`ere commune dans
la realisation, sauf si la probabilite du faci`es F
2
est nulle en certains points.
Il est de meme pour les faci`es F
1
et F
4
, ainsi que pour les faci`es F
2
et F
4
le motif de la gure (4.10-1-A) permet des transitions entre les faci`es F
1
et
les trois autres faci`es, et restreint les transitions entre les faci`es F
2
et F
4
.
Il est possible de verier sur les realisations (4.10-1-B) et (4.10-2-B) que les
transitions imposees par les motifs sont parfaitement respectees. Par exemple,
aucune transition entre les faci`es F
1
et F
4
ne sont observees sur la realisation
(4.10-1-B).
Ainsi, meme si la methode proposee ne permet la prise en compte que dun
seul variogramme pour lensemble des faci`es, le contexte geologique est mod`elise
par le choix du motif.
4.4 Conclusions
Dans cette partie, nous venons de presenter trois methodes dierentes per-
mettant de generer des realisations ` a partir du cube de proportions. La premi`ere
4.4. CONCLUSIONS 97
1 - A 2 - A
1 - B 2 - B
F
1
F
2
F
3
F
4 F
1
F
2
F
3
F
4
Fig. 4.10 Methode de simulation par motifs. A - Motifs utilises B - Resultats
de la simulation
approche est relativement simple, et peut etre appliquee dans un contexte o` u
lanisotropie des dierents faci`es consideree peut etre modelisee `a travers un seul
et unique variogramme. Dans le cas contraire, la methode multi-PField propo-
see permet la prise en compte dune anisotropie propre ` a chacun des facies, et
son fonctionnement sequentiel permet lintroduction de contraintesdynamiques.
Enn, la troisi`eme methode proposee est basee sur la description des transitions
entre les dierents faci`es `a travers le choix de lagencement des faci`es dans un
motif.
Neanmoins, toutes ces methodes ont un caract`ere commun : les contraintes
relatives aux donnees sont toujours integrees au sein du cube de proportions,
alors que le caract`ere stochastique est introduit par lintermediaire de champs de
probabilites.
98 CHAPITRE 4. G

EN

ERER DES R

EALISATIONS
4.4. CONCLUSIONS 99
Conclusions et perspectives
Les objectifs de ce travail etaient de proposer une methode de simulation geo-
statistique permettant de generer rapidement un ensemble de realisations, tout
en integrant des donnees de nature, de resolution et dechantillonnage variables.
Pour repondre ` a ces deux objectifs, une methodologie a ete mise au point et
se compose de deux etapes :
la premi`ere etape consiste `a integrer au sein dun meme mod`ele du sous-sol
lensemble des donnees disponibles. La construction de ce mod`ele utilise la
notion de membership function, denie aux points de donnees puis interpo-
lee sur toute la zone detude. Parmi les dierentes methodes dinterpolation
envisagees, linterpolateur DSI a ete retenu pour la facilite `a integrer dans
linterpolation contrainte les dierents types de donnees. Plusieurs types
de donnees ont ete traduites sous forme de contraintes directement in-
tegrables dans la methodologie proposee. La liste des donnees presentees
nest pas exhaustive, et il est possible de construire sur le meme principe
des contraintes correspondantes ` a dautres types dinformations.
Le chapitre (3) etudie dierentes implementations et ameliorations possibles
de linterpolateur DSI, dans le cadre particulier de linterpolation de pro-
babilites de faci`es. Les limites de limplementation iterative sont abordees,
puis plusieurs methodes permettant destimer une solution initiale sont pro-
posees : approche plan par plan, approche multigrille. Une autre alternative,
basee sur un algorithme de gradients conjugues, est aussi proposee.
Ainsi, une methodologie pour construire un mod`ele du sous-sol en y in-
tegrant les donnees disponibles est proposee. Ce mod`ele est obtenu par
interpolation contrainte de la membership function. Il estime en tout point
de la zone detude les probabilites doccurence des dierents faci`es.
La seconde etape consiste `a generer, `a partir du cube de probabilites, un
ensemble de realisations. Pour cela, trois approches sont proposees, selon le
contexte de letude : si la variabilite spatiale de lensemble des faci`es peut
etre modelisee par un seul et unique variogramme, la methode utilisant un
100 CHAPITRE 4. G

EN

ERER DES R

EALISATIONS
seul champ de probabilites est applicable. Dans le cas contraire, lapproche
multi PField permet de simuler selon un ordre choisi par lutilisateur les
faci`es, en prenant en compte la variabilite spatiale de chacun des faci`es.
Pour terminer, une derni`ere approche, basee sur des motifs representant les
transitions possibles/impossibles entre les dierents faci`es, est proposee.
Lensemble de ces travaux permet donc de proposer une nouvelle methodologie
compl`ete pour generer des realisations ` a partir dun large eventail de donnees.
Dans ces travaux, nous avons presente dierents types de donnees : donnees de
puits, cartes et courbes de proportions, donnees issues de la sismique, anisotropie.
Comme nous lavons dit precedemment, cette liste nest pas exhaustive, et il est
possible denvisager dintegrer dautres donnees dans cette methode.
BIBLIOGRAPHIE 101
Bibliographie
[1] D. Allard and Heresim Group. On the connectivity of two Random
Set Models : The Truncated Gaussian and the Boolean, pages 467478.
Geostatistics-Troia. Kluwer, Dordrecht, Holland, Editions A. Soares edition,
1992.
[2] B. G. Arpat, J. Caers, and A. Hass. Characterization of West-Africa Subma-
rine Channel Reservoirs: A Neural Network Based Approach to Integration
of Seismic Data. SPE Annual Conference and Exhibition, New Orleans,
paper 71345, SPE edition, 2001.
[3] H. Beucher, F. Fournier, B. Doligez, and J. Rozanski. Using 3D seismic-
derivated information in lithofacies simulations. A case study, pages 621
632. SPE Annual Conference and Exhibition, Houston, paper 56736, SPE
edition, 1999.
[4] C. M. Bishop. Neural Networks for Pattern Recognition. Oxford University
Press, 1995.
[5] J. Caers. Geostatistical reservoir modeling using statistical patterm recog-
nition. Journal of Petroleum Science and Engineering, 29:177188, 2001.
[6] T.R. Carr. Log-linear models, markov chains and cyclic sedimentation. Jour-
nal of Sedimentology Petrology, 52(3):4761, 1982.
[7] R. Chambers, M. Zinger, and M. Kelly. Constraining geostatistical reser-
voir descriptions with 3D seismic data to reduce uncertainty, pages 143157.
Stochastic Modeling and Geostatistics - AAPG Publications, Tulsa. Kluwer
Academic Publishers, J.M. Yarus and R.L. Chambers edition, 1999.
[8] J. P. Chil`es and P. Delner. Geostatistics : Modeling Spatial Uncertainties.
Wiley Series in Probability and Statistics. John Wiley & Sons, Inc., 1999.
[9] C. Dally and G.W. Verly. Geostatistics and Data Integration, pages 94107.
Geostatistics for the next century - Montreal. Kluwer Academic Publishers,
Dordrecht, roussos Dimitrakopoulos, Editor edition, 1993.
[10] C. V. Deutsch and A. G. Journel. GSLIB: Geostatistical Software Library
and Users Guide, volume 2
nd
Edition. Oxford University Press, New York,
1998.
[11] R. Dimitrakapoulos and M. Dagbert. Sequential Modelling of relative indica-
tor variables : Dealing with multiple lithology types, pages 413424. Geosta-
102 BIBLIOGRAPHIE
tistics Troia92. Kluwer Academic Publishers, Dordrecht, Soares A. edition,
1993.
[12] P. A. Dowd. A review of recent developments in geostatistics. Computer
and Geosciences, 7:14811500, 1987.
[13] P.A. Dowd, E. Pardo-Iguzquiza, and C. Xu. Plurigau : a computer program
for simulating spatial facies using truncated plurigaussian method. Compu-
ters and Geosciences, 29:123141, 2003.
[14] P. Doyen, T. Guidish, and M. de Buyl. Seismic Discrimination of lithology in
sand/shale reservoir - A Bayesian approach. SEG Annual Meeting, Dallas,
SEG edition, 1989.
[15] P. M. Doyen, D. E. Psaila, and S. Strandenes. Bayesian sequential indicator
simulation of channel sands for 3D seismic data in the Oseberg eld, Norwe-
gian North Sea. SPE Annual Conference and Exhibition, paper 28382, SPE
edition, 1994.
[16] O. Dubrule. Geostatistics for Seismic Data Integration in Earth Models.
Distinguished Instructor Short Course ; sponsored by SEG-EAGE, 2003.
[17] P. Fichtl, F. Fournier, and J.J. Royer. Cosimulations of lithofacies and asso-
ciated reservoir properties using well and seismic data. SPE Annual Confe-
rence and Exhibition, San Antonio, paper 38680, SPE edition, 1997.
[18] X. Freulonand C. De Fouquet. Conditioning a Gaussian model with inequa-
lities, pages 201212. Geostatistics Troia92. Kluwer Academic Publishers,
Dordrecht, Soares A. edition, 1993.
[19] A. Galli, D. Guerillot, and C. Ravenne et le groupe Heresim. Combining
geology, geostatistics and multiphase ow for 3D reservoir studies, pages 11
19. Proceedings of the 2
nd
European Conference on the Mathematics of Oil
Recovery, Editions Technip, Paris edition, 1990.
[20] J. J. Gomez-Hernandez and R. M. Srivastava. ISIM3D: An ANSI-C three
dimensional multiple indicator conditional simulation program. Computers
and Geosciences , 61, p 395-440, 1990.
[21] P. Goovaerts. Geostatistics for Natural Resources Evaluation. Oxford Uni-
versity Press, New York, 1997.
[22] A. Grijalba-Cuenca, C. Torres-Verdin, and P. van der Made. Geostatistical
inversion of 3D seismic data to extrapolate wireline petrophysical variables
laterally away from the well. 2000 SPE ATCE, Dallas, TX, Oct.1-4., paper
63823, 2000.
[23] F. Guardiano and M. Srivastava. Multivariate geostatistics : beyond bivariate
moments, pages 133144. Geostatistics-Troia. Kluwer, Dordrecht, Holland,
Editions A. Soares edition, 1992.
[24] C.W. Jr. Harper. Improved methods of facies sequence analysis, in Facies
Models, volume 1, pages 1113. Geological Association of Canada, Toronto,
2
nd
edition, R.G. Walker edition, 1984.
BIBLIOGRAPHIE 103
[25] W. K. Hastings. Monte Carlo sampling methods using markov chain and
their applications. In Biometrika, 57(1):97109, 1970.
[26] B. K. Hegstad and H. Omre. Uncertainty in production forecasts based on
well observations, seismic data, and production history. SPE Journal, Dec.,
pages 409424, 2001.
[27] E. H. Isaaks and R. M. Strivastava. An introduction to Applied Geostatistics.
Oxford University Press, New-York, 1989.
[28] A. G. Journel. Fundamentals of Geostatistics in Five Lessons. Short course
presented at the 28
th
International Geological Congress, Washington D.C.,
American Geophysical Union, 1989.
[29] A. G. Journel and F. Alabert. Non-Gaussian data expansion in the earth
sciences. Terra Nova, 1, p 123-134, 1989.
[30] A.G. Journel and F.G. Alabert. Focusing on spatial connectivity of extreme-
valued attributes : stochastic indicator models of reservoir heterogeneities,
pages 621632. SPE Annual Conference and Exhibition, Houston, paper
18324, SPE edition, 1988.
[31] A.G. Journel and E. Isaaks. Conditional indicator simulation : Application
to a Saskatchewan uranium deposit. Math Geology, 16:685718, 1984.
[32] G. Le Loch and A. Galli. Truncated Plurigaussian Method: Theoretical
and Practical Points of View, pages 211222. Geostatistics Wollongong 96 -
Proceedings of the Fifth International Geostatistics Congress, Wollongong,
Australia, September 1996. Kluwer Academic Publishers, Baa E. Y. and
Schoeld N. A. edition, 1999.
[33] S. Lopez. Modelisation stochastique et generique de reservoirs petroliers
chenalises et meandriformes. Th`ese, Paris, 2003.
[34] J. L. Mallet. Geomodeling. Oxford Press, 2002.
[35] J. L. Mallet and A. Shtuka. A Transition Probability DSI Constraint. 20
th
Gocad Meeting - Proceedings, Nancy, 1999.
[36] J.L. Mallet. Discrete Smooth Interpolation. ACM Transactions n Graphics,
8(2):121144, 1989.
[37] J.L. Mallet. Discrete Smooth Interpolation in Geometric Modeling.
Computer-Aided Design, 24(4):177191, 1992.
[38] J.L. Mallet and R. Cognot L. Labat. Taking non constant anisotropy into
account with DSI. 23
rd
Gocad Meeting - Proceedings, Nancy, 2003.
[39] J.L. Mallet and A. Shtuka. Stratigraphic Inversion Integrating Wells, Seismic
and Sedimentology Data. 67
th
Annual International Soc. of Expl. Geoph.,
pages 16321635, 1997.
[40] S. Mao and A.G. Journel. Conditional 3D simulation of lithofacies with 2D
seismic data. Computers and Geosciences, 25:845862, 1999.
104 BIBLIOGRAPHIE
[41] G. Massonat. Breaking of a Paradigm: Geology Can Provide 3D Complex
Probability Fields for Stochastic Facies Modelling. Conference of the Society
of Petroleum Engineers, Houston, paper 56652, 1999.
[42] G. Matheron. Random Sets and Integral Geometry. Wiley, New York, 1975.
[43] G. Matheron, H. Beucher, C. de Fouquet, and A. Galli. Conditional simu-
lation of the geometry of uvio-deltaic reservoirs. 62
nd
Conference of the
Society of Petroleum Engineers, paper 16753, 1987.
[44] G. Matheron, H. Beucher, C. De Fouquet, A. Galli, and C. Ravenne. Si-
mulation Conditionnelle ` a Trois Faci`es dans une Falaise de la Formation du
Brent. Sciences de la Terre, Serie Inf. Geol., Nancy, 28:213249, 1988.
[45] N. Metropolis, A. W. Rosenbluth, M. N. Rosenbluth, A. H. Teller, and E. Tel-
ler. Equations of state calculations by fast computing machines. Journal of
Chemical Physics, 21:10871091, 1953.
[46] M. Minoux. Programmation mathematique - theorie et algorithme - tome 1.
Collection Technique et Scientique des Telecommunications. Dunod, 1983.
[47] D. Mouliere, H. Beucher, L.Y. Hu, F. Fournier, P. Terdich, F. Melchiori, and
G. Gri. Integration of seismic derivated information for stochastic reser-
voir modeling using Truncated Gaussian approach, pages 374385. Geosta-
tistics Wollongong 96 - Proceedings of the Fifth International Geostatistics
Congress, Wollongong, Australia, September 1996. Kluwer Academic Publi-
shers, Dordrecht, Baa E. Y. and Schoeld N. A. edition, 1997.
[48] C. Murray. Indicator simulation of petrophysical rock types, pages 399411.
Geostatistics Troia92. Kluwer Academic Publishers, Dordrecht, Soares A.
edition, 1993.
[49] K. Pairazian. Modelisation 3D des Reservoirs Petroliers dans lIntegration
des Donnees Sismiques et Geologiques: Approches Quantitatives Multiva-
riables. Th`ese I.N.P.L., Nancy, 1998.
[50] E. Pardo-Iguzquiza and P.A. Dowd. Extension of, and algorithms for, plu-
rigaussian simulation. Application of Computers and Opertions Research in
the Mineral Industry., pages 757768. APCOM Symposium society for Mi-
ning, Metallurgy and Exploration Inc. Litleton, Co, USA, 2002.
[51] D.W. Powers and R.G. Easterling. Improved methodology for using embed-
ded Markov chains to describe cyclical sediments. Journal of Sedimentary
Petrology, 52:913923, 1982.
[52] G. Saporta. Probabilites Analyse des donnees et Statistiques. Editions Tech-
nip, 1990.
[53] R.C. Selley. Studies of sequence in sediments using a simple mathematical
device. Quaterly Journal of the Geological Society of London, 125:557581,
1970.
[54] S. Strebelle. Sequential simulation drawing structures from training images.
Ph.D. Dissertation, Stanford University, Stanford, CA, 2000.
BIBLIOGRAPHIE 105
[55] S. Strebelle, A.G. Journel, and J. Caers. Data integration with multiple-
point geostatistics. Third IMA Conference on Modeling Permeable Rocks,
March 27-29, Cambridge, 2001.
[56] C. Tjolsen, G. Johnsen, G. Halvorsen, A. Ryseth, and E. Damsleth. Seismic
data can improve the stochastic facies modeling signicantly, pages 373380.
SPE Annual Conference and Exhibition, Dallas, TX, paper 30567, SPE edi-
tion, 1995.
[57] T. Tran. Improving variogram reproduction on dense simulation grids. Com-
puters and Geosciences, 20:11611168, 1994.
[58] G. Turk. Transition analysis of structural sequences: Discussion. Geological
Society of American Bulletin, 90(10):989991, 1979.
[59] P. R. Vail, R. M. Mitchum, and S. Thompson. Seismic stratigraphy and
global changes of sea-level. American Association of Petroleum Geologists,
Memoir, 26:6381, 1977.
[60] S. Viseur. Simulation stochastique basee-objet de chenaux. Th`ese I.N.P.L.,
Nancy, 2001.
[61] B. Volpi, B. Galli, and C. Ravenne. Vertical Proportion Curves: a quali-
tative and quantitative tool for reservoir characterization. Memorias del I
Congresso Latinoamericano de Sedimentologia, Tomo 1, Soc. Venezolana de
Ge ol., 1997.
[62] J. Walther. Einleitung in die Geologie als Historische Wissenschaft, vo-
lume 3. Fischer Verlag, 1977.
[63] L. Wang. Modeling complex reservoir geometries with multipoint statistics.
Mathematical Geology, 28:895908, 1996.
[64] R. Webster and M.A. Oliver. Geostatictics for Environmental Scientists.
Wiley, New York, 2001.
[65] X. Wen, C.V. Deutch, and A.S. Cullick. Facies proportion maps from well
production data. Number 11. Stanford Center for Reservoir Forecasting,
Annual Report, 1998.
[66] H. Xu and I. A. J. Maccarthy. Markov Chain Analysis of vertical fa-
cies sequences using a computer software package(SAVFS): CourtMacsherry
Formation (Tournaisian) Southern Ireland. Computers and Geosciences,
24(2):131139, 1996.