_____________________________________________

REPUBLIQUE DU CAMEROUN
REPUBLIC OF CAMEROON
Paix – Travail - Patrie
Peace – Work – Fatherland
----------
---------------------------------------------------------------------------------------
UNIVERSITE DE NGAOUNDERE
THE UNIVERSITY OF NGAOUNDERE
----------
ECOLE DE GEOLOGIE ET D’EXPLOITATION MINIERE
SCHOOL OF GEOLOGY AND MINING ENGINEERING
----------

DEPARTEMENT DU PETROLE ET GAZ

DEPARTMENT OF PETROLEUM AND GAS ENGINEERING
Mémoire de----------
Master Recherche

Sur le thème :

MODELISATION DES EFFETS D’ARGILE ET PREDICTION DE LA

PRODUCTION PETROLIERE DU CHAMP MOUNDOULI PAR
INJECTION D’EAU A FAIBLE SALINITE.

Présenté en vue de l’obtention du diplôme de Master Recherche en génie du pétrole et

du gaz.

Spécialité : Réservoir et Production

Rédigé par : ARAMBA Jean Luc Matricule : 13A087EM

Devant le jury composé de :

Pr. ABDOUL Wahabou, Maître des conférences ; EGEM/UN Président de Jury

Dr. Ing. MAMBOU N. Luc Leroy, Chargé des cours ; EGEM/UN Examinateur.

Pr. NCHARE MOMINOU, Maître des Conférences ; EGEM/UN Rapporteur

Année académique : 2019/2020

 DEDICACE

A Dieu le père tout puissant qui m’a donné la santé, l’intelligence, la

sagesse et le courage nécessaire pour la réalisation de ce mémoire.

i
REMERCIEMENTS
L'exercice du mémoire de Master Recherche est une aventure noble mais redoutable dont il est
difficile d'anticiper l'intensité. Alors que notre faculté de remise en question est inlassablement
testée, les questions se multiplient, les réponses se raréfient. En avançant sans certitude vers
l'inconnu, on apprend alors à accepter la critique et l'échec, à accueillir la réussite avec
modestie, à défendre ses opinions avec conviction et à écouter l'autre. On se sent finalement
petit devant l'immensité de la nature qui crée à chaque instant ce que l'on n’arrive pas à
reproduire. On se voit l'envie insatiable de découvrir le monde. Finalement, alors que l'on me
donne le droit de me considérer en chercheur, je me sens désarmé devant l'infinie
connaissance que je n'aurai pas le temps d'acquérir mais heureux d'avoir accompli ce qui me
semblait impossible. Au terme de ce travail de longue haleine, je souhaite profiter du temps de
la dernière page blanche pour exprimer à ceux qui ont tant donné, la gratitude de celui qui leur
doit beaucoup, bien que je ne pourrais jamais équivaloir ce qu’ils m’ont donné à une simple
gratitude.

Un merci légendaire au Pr. ABDOUL Wahabou, par ailleurs Directeur de l’Ecole de Géologie
et d’Exploitation Minière, d‘avoir fait de moi un chercheur en acceptant mon dossier pour être
étudiant en Master Recherche dans son illustre institution. .
J'adresse mes sincères remerciements à mes encadrants de mémoire de Master Recherche,
lesquels m'ont honoré en acceptant de suivre ce travail. Vous êtes les meilleurs encadrants.
Pr. MBOWOU GBAMBIE Isaac Bertrand, vous prodiguez votre savoir qui me semble infini
avec gentillesse, pédagogie et toujours cette humilité incroyable qui vous caractérise. Je vous
remercie pour nos indénombrables conversations, les mots réconfortants. Votre humanité m'a
enrichi.
Pr. NCHARE MOMINOU, quand je venais vous soumettre mon thème de mémoire, vous
m’aviez agréablement émerveillé lorsque vous avez apporté de modifications à ce dernier. Dès
cet instant je me suis dit dans mon cœur que je suis au bon endroit au bon moment pour un
mémoire réussi. Et pour la rédaction de celui-ci, j’ai suivi vos instructions à la lettre et sans trop
faire recours à vous, car vous m’aviez tout donné au début. Aujourd’hui je suis fier de le
présenter devant vous avec une grande joie. Je vous remercie infiniment pour le savoir
partagé, les idées lumineuses, le temps consacré, pour votre soutien permanent dans les
moments les plus difficiles.

Tous mes remerciements au Dr. MAMBOU Luc Leroy, par ailleurs Chef de département de
la filière Pétrole et Gaz dont je fais partir, pour ses innombrables conseils, son implication sans

ii
précédent et sa volonté réelle de nous voir réussir dans la rédaction et la compréhension de nos
mémoires. Merci infiniment pour votre simplicité, votre gentillesse et votre sens d’humour dans
la stimulation de nos compétences. Vous nous avez enseigné l’amour de travail Dr. MAMBOU,
un merci pour cela.

Un merci particulier à M. SAMBA Prosper, pour son temps sacrifié pour moi. Malgré son
agenda chargé, il a toujours eu du temps pour m’écouter et m’apporter ses contributions à mes
préoccupations. Je vous remercie infiniment et du fond de mon cœur pour tout cela.
Je tiens également à remercier mon collègue Ingénieur réservoir Fifen KPOUNOUHO pour
sa franche collaboration, ses nombreux conseils, ses idées lumineuses et surtout pour les
données du champ Moundouli qui fait l’objet de mes recherches. C’est grâce à ces données que
je suis arrivé à bout de mon investigation.

A tous mes collègues chercheurs : MATATEYOU Joséphine Fleur, SOULEYMANOU Baba

Nana, ISHAKA Djoubairou, KOM Glwadys, BAWANE Godwe Justine, Lea Jasmine
NGONDI, KAMDEM Cyrille, KUIKEM Donald, je vous dis merci du fond du cœur pour votre
promptitude à tous mes services demandés, à votre altruisme dans le partage des informations
et simplement d’avoir été là pour moi.

Merci bien ETOUKE SINGUE Cyrille pour ton soutien indéfectible à Limbé.

Merci à tous les étudiants de ma cité pour leur soutien fraternel.

Merci particulier à Dr. CHAMGOUE, Dr. SOB, Dr. TARKWA, Dr. KEGNI, Pr. NGON
NGON, Dr. TAKOUGANG, Mr. CHO Humphrey, Mr. TIENTCHEU, pour les connaissances
transmises

Merci à tout le personnel de l’Ecole de Géologie et d’Exploitation Minière (EGEM) de

l’Université de Ngaoundéré, à tous mes camarades de classe. Chacun d'entre vous est une
raison supplémentaire pour garder de ce temps à Meiganga, un souvenir impérissable.
Papa et Maman, M. SABABA Magazan, Maman MBILI Etoundi Sandrine Epouse
SABABA, cette dernière page est un souffle finalement trop court qui ne traduira
jamais suffisamment ce que vous avez sacrifié pour faire de ma vie ce qu'elle est devenue et
l'amour que j'ai pour vous. Je suis heureux de pouvoir vous rendre un tout petit peu de ce que
vous avez consacré. Grâce à vous, je suis épanoui et heureux. Je vous dois tout. Manounou,
Yannis, Christian, Delphine et Rosette, je vous remercie d'être là, simplement aimant. Vous
avoir à mes côtés est pour moi inestimable. Je vous aime tous.

iii
Résumé
Des récents travaux, tant en laboratoire que sur les terrains, ont confirmé que l’injection d’eau
à faible salinité dans des réservoirs gréseux est une technique de récupération assistée des
hydrocarbures, qui donne des meilleurs résultats comparativement à l’injection classique d’eau.
Toutefois parmi les hypothèses émises sur des mécanismes qui concourent à cette augmentation
d’huile par LSW, l’aspect modélisation géologique des formations n’est pas encore pris en
compte.

Dans ce mémoire, nous nous penchons sur les rôles que peuvent jouer la géologie,
particulièrement la modélisation d’argile sur la récupération assistée du pétrole du champ
Moundouli par LSW.

Après modélisation par les méthodes géostatistiques du réservoir Moundouli, trois modèles
différents du réservoir en découlent en fonction de la proportion et de la distribution d’argile.
Dans chaque modèle obtenu, nous injectons d’une part de l’eau à faible salinité, et d’autre part
de l’eau de formation (haute salinité), à différents débits, en guise de récupération assistée.
Nous avons ensuite comparé les résultats obtenus.

Il en ressort que plus la proportion et distribution d’argile est grande dans un modèle, plus le
facteur de récupération du pétrole l’est aussi, notamment le cas du troisième scénario. Pour ce
dernier, la différence de facteur de récupération entre l’eau de formation et le LSW s’élève à
17% de la quantité initiale d’huile en place.

Une prédiction de la production est enfin observée et il en découle aussi que tant que la teneur
en argile est conséquente dans la formation, la récupération par LSW sera la meilleure.

Mots clés : Champ Moundouli, modélisation d’argile, injection d’eau à faible salinité, facteur
de récupération.

ii
Abstract
Recent work, both in the laboratory and in the field, have confirmed that low salinity
waterflooding into sandstone reservoirs is an enhanced oil recovery technique that gives better
results compared to conventional water injection. However, among the hypotheses put forward
on the mechanisms contributing to this increase of oil by LSW, the geological modelling aspect
of the formations has not yet been taken into account.

In this dissertation, we look at the roles that geology, particularly clay modelling, can play in
the enhanced oil recovery of the Moundouli field by LSW.

After modelling by geostatistical methods of the Moundouli reservoir, three different models
of the reservoir are derived as a function of the proportion and distribution of clay. In each
model obtained, we inject on one hand low salinity water, and on the other hand formation
water (high salinity), at different flow rates, as enhanced recovery. We then compared the
results obtained.

The results show that the greater the proportion and distribution of clay in a model, the greater
the oil recovery factor, especially in the case of the third scenario. For the latter, the difference
in recovery factor between the formation water and the LSW is 17% of the initial oil-in-place
quantity.

A production prediction is finally observed and it also follows that as long as the clay content
is consistent in the formation, the recovery by LSW will be the best.

Key words: Moundouli field, clay modelling, low salinity water flooding, recovery factor.

iii
TABLE DES MATIERES
DEDICACE ............................................................................................................................ i

REMERCIEMENTS .................................................................................................................. ii

Résumé ....................................................................................................................................... ii

Abstract ..................................................................................................................................... iii

LISTE DE FIGURES ................................................................................................................ vi

LISTE DE TABLEAUX ...........................................................................................................vii

ACRONYMES/ABREVIATIONS/SIGLES ...........................................................................viii

INTRODUCTION GENERALE................................................................................................ 1

CHAPITRE I : GENERALITES ................................................................................................ 5

Introduction ................................................................................................................................ 5

I.1- Bassin sédimentaire de Doba et champ Moundouli ......................................................... 5

I.1.1- Bassin sédimentaire de Doba .................................................................................... 5

I.1.2- Champ Moundouli..................................................................................................... 6

I.1.2.1- Localisation géographique .................................................................................. 6

I.1.2.2- Structure géologique ........................................................................................... 7

I.1.2.3- Historique du champ Moundouli ........................................................................ 9

I.2- Méthodes de récupération des hydrocarbures ................................................................ 10

I.3- Historique de l’injection d’eau à faible salinité (Low Salinity Waterflooding, LSW) .. 11

Conclusion ................................................................................................................................ 12

CHAPITRE II : MATERIELS ET METHODES .................................................................... 13

Introduction .............................................................................................................................. 13

II.1- Matériels ....................................................................................................................... 13

II.2- Méthodes ...................................................................................................................... 14

II.2.1- Génération du modèle géologique du champ Moundouli. ..................................... 14

II.2.1.1- Modélisation des faciès ................................................................................... 14

iv
 II.2.1.2- Modélisation d’argile ...................................................................................... 15

II.2.1.3- Modélisation de perméabilité .......................................................................... 19

II.2.1.4- Modélisation de porosité ................................................................................. 19

II.2.2- Génération du modèle réservoir : Simulation ........................................................ 21

II.2.2.1- Simulation de l’injection d’eau à faible salinité (LSW) .................................. 21

II.2.2.2- Modélisation des réactions géochimiques ....................................................... 22

II.2.2.3- Modélisation des échanges des ions ................................................................ 24

II.2.2.4- Modélisation de l’altération de mouillabilité .................................................. 25

II.2.3- Composition chimique de l’eau de formation ........................................................ 26

II.2.4- Composition chimique synthétique de saumure .................................................... 26

II.2.5- Optimisation ........................................................................................................... 27

Conclusion ................................................................................................................................ 27

CHAPITRE III : RESULTATS ET DISCUSSIONS ............................................................... 28

Introduction .............................................................................................................................. 28

III.1- Modèle pétrophysique du champ Moundouli.............................................................. 28

III.2- Modèle réservoir et optimisation................................................................................. 31

III.3- Calibration (history matching, HM) ............................................................................ 32

III.3.1- Calibration des paramètres géologiques et LSW (Cas 1) ..................................... 33

III.3.2- Calibration des paramètres d’ingénierie et LSW : (Cas 2) ................................... 36

III.3.3- Calibration simultanée des paramètres géologiques et d’ingénierie : (Cas 3) ...... 42

III.3.3.1- Calibration de LSW en utilisant les intervalles discrets ................................ 42

III.3.3.2- Calibration de LSW en utilisant les intervalles continus. .............................. 45

III.4- Prédiction de la production ......................................................................................... 50

Conclusion ................................................................................................................................ 51

CONCLUSION GENERALE .................................................................................................. 52

REFERENCES ........................................................................................................................ i

v
LISTE DE FIGURES
Figure 1: bassin de Doba (GUILLOT, 2018) ............................................................................ 6
Figure 2: Localisation géographique de Moundouli (Esso, 2004b) .......................................... 7
Figure 3: historique de production du champ Moundouli de 2012 à 2016. ............................ 10
Figure 4: logiciels utilisés ....................................................................................................... 13
Figure 5: données de terrain aux indicatrices de faciès (Njikam 2019). ................................ 15
Figure 6: courbes de perméabilité relative de LSW vs HSW attendues. ................................ 26
Figure 7: Modèle géologique du champ Moundouli ............................................................... 28
Figure 8: Modèle synthétique 3D issu du champ Moundouli. ................................................ 29
Figure 9 : modèles pétrophysiques issus du modèle synthétique ............................................ 29
Figure 10: différentes réalisations géologiques fonction de distribution d’argile. .................. 30
Figure 11: modèles basique et réel (après optimisation). ........................................................ 31
Figure 12: Optimisation des propriétés pétrophysiques. ......................................................... 32
Figure 13: Facteur de récupération du pétrole par LSW. Cas 1. ............................................. 33
Figure 14: Facteur de récupération du pétrole par FW et LSW. Cas 1. .................................. 34
Figure 15: Comparaison de facteur de récupération par LSW et FW. Cas 1. ......................... 34
Figure 16: Erreur de calibration : cas 1. .................................................................................. 35
Figure 17: Production cumulative d’huile et eau, par puits, après calibration : cas 1. ........... 36
Figure 18: Courbes de perméabilité relative après calibration ................................................ 37
Figure 19: Erreur de calibration des paramètres d’ingénierie. Cas 2. ..................................... 38
Figure 20: Production cumulative du modèle de basique. Cas 2. ........................................... 39
Figure 21 : facteur de récupération par LSW. Cas 2. .............................................................. 40
Figure 22: facteur de récupération par FW. Cas 2. ................................................................. 41
Figure 23: Comparaison de facteur de récupération par LSW et FW : Cas 2. ........................ 41
Figure 24: rôle de la géologie dans la calibration de LSW. .................................................... 44
Figure 25: résultats de calibration de LSW pour les quatre puits producteurs ....................... 45
Figure 26: Erreur simultanée des paramètres géologiques et d’ingénierie ............................. 46
Figure 27: récupération cumulative du modèle ....................................................................... 46
Figure 28: Récupération cumulative par puits producteur : cas 3 ........................................... 46
Figure 29: Récupération par du pétrole par LSW. .................................................................. 48
Figure 30: Récupération de pétrole par LSW et FW............................................................... 48
Figure 31 : Effet de LSW sur la récupération du pétrole brut. ................................................ 49
Figure 32: Histogramme général de comparaison entre LSW et FW. .................................... 50
Figure 33: Prédiction globale de récupération du pétrole par LSW ........................................ 51

vi
LISTE DE TABLEAUX
Tableau 1: propriétés pétro physiques du réservoir de Moundouli (Esso 2004)....................... 8
Tableau 2: Constituants minéraux du champ Moundouli ......................................................... 8
Tableau 3: Travaux antérieurs sur l’implémentation de LSW ................................................ 12
Tableau 4: composition chimique de FW ............................................................................... 26
Tableau 5: composition chimique de LSW ............................................................................. 27
Tableau 6: composition minéralogique des modèles obtenus................................................. 31
Tableau 7: résultat par LSW pour la récupération secondaire, cas 1 ...................................... 35
Tableau 8: résultat par LSW et FW pour la récupération secondaire et tertiaire : cas 1 ........ 35
Tableau 9: Paramètres d’ingénierie ........................................................................................ 38
Tableau 10: résultat par LSW pour la récupération secondaire : cas 2 ................................... 42
Tableau 11: résultat par LSW et FW pour la récupération secondaire et tertiaire : cas 2 ....... 42
Tableau 12: Paramètres géologiques et de l’ingénierie .......................................................... 43
Tableau 13: résultat par LSW pour la récupération secondaire : cas 3. .................................. 49
Tableau 14: résultat par LSW et FW pour la récupération secondaire et tertiaire : cas 3. ...... 49

vii
ACRONYMES/ABREVIATIONS/SIGLES
API: American Petroleum Institute
BHP: Bottom Hole Pressure
CHOPS: Cold Heavy Oil Production with Sand
CK: Cokrigeage
CMG: Computer Modeling Group
CO2: Dioxyde de Carbone
DECE: Designed Exploration and Controlled Evolution
EOR: Enhanced Oil Recovery
FW: Formation Water
GEM: Gibbs Energy Minimization
GOR: Gas Oil Ratio
GPL : Gaz des Pétroles Liquéfiés
H2S: Sulfure d’hydrogène
HM: History Matching
HSW: High Salinity Waterflooding
I_Sorw : Indice de saturation en huile
I_Swcrit : Indice de saturation en eau
IK: Krigeage Indicateur
IOR: Incremental Oil Recovery
K : Perméabilité
Kro : Perméabilité relative en huile
Krocw : Perméabilité relative d’huile à la saturation en eau interstitielle
Krw : Perméabilité relative en eau
Krwiro : Perméabilité relative à la saturation en huile irréductible
LSW: Low Salinity Waterflooding
N2 : Diazote
OK : Krigeage Ordinaire
OOIP: Original Oil In Place

viii
Pi : Pression initiale
PK : Krigeage de Probabilité
PPM : Partie par millions
Pr : Pression du Réservoir
PRD: Production
PV: Pore Volume
SCF: Squared Cubic Feet
SGS : Simulation Séquentielle Gaussienne
SIS : Simulation Séquentielle par Indicatrice
SK : Krigeage Simple
Soirw : Saturation irréductible en huile
Sorw : Saturation en huile résiduelle
STB: Stock Tank Barrel
Sw: Saturation en eau
Swcon : Saturation en eau interstitielle
Swcrit : Saturation Critique en eau
T : Température
UK : Krigeage universel
WOR: Water Oil Ratio
υ: Densité
µ : viscosité

ix
INTRODUCTION GENERALE

La majeure partie de la production mondiale actuelle du pétrole provient des réservoirs matures.
L’augmentation de la récupération du pétrole à partir des ressources vieillissantes est une
préoccupation majeure des compagnies pétrolières et des Etats producteurs du pétrole. De plus
le taux de remplacement des réserves produites par des nouvelles découvertes n’a cessé de
diminuer au cours des dernières décennies. Par conséquent, l’augmentation des facteurs de
récupération des champs matures dans le cadre de la production primaire et secondaire sera
essentielle pour répondre à la demande sans cesse croissante d’énergie dans les années à venir.

Les méthodes de récupération améliorées du pétrole, en anglais « Incremental Oil Recovery,

IOR », comprennent les méthodes assistées de récupération du pétrole, en anglais « Enhanced
Oil Recovery, EOR », les nouvelles technologies de forage, la gestion et le contrôle intelligent
des réservoirs, les techniques avancées de surveillance des réservoirs et l’amélioration de
l’application des différents processus de récupération primaire et secondaire.

Parmi les méthodes de récupération assistées des hydrocarbures, il figure en bonne place la
récupération assistée par injection d’eau, en anglais « water flooding ». Cette dernière est le
type de récupération supplémentaire le plus courant et le plus économique, sans effets néfastes
sur l’environnement. Elle consiste à injecter de l’eau issue soit de la formation, soit des rivières,
des lacs, des mers ou alors des aquifères. Historiquement, le mécanisme physique derrière cette
amélioration de la récupération du pétrole est attribué au maintien de la pression et au
déplacement du pétrole par l’eau injectée du fait de sa densité. Selon l’opinion classique, la
composition et la salinité de la saumure injectée étaient censées n’avoir aucun effet sur
l’efficacité de la récupération du pétrole par water flooding (Schumacher 1978). Hughes et
Pfister (1947) ont souligné que les saumures maintiennent la teneur en argile des sables de
production dans un état de floculation permanente, et c'est pourquoi il est recommandé d'utiliser
les saumures en mode de récupération secondaire.

Dans la littérature, il a été prouvé expérimentalement que la variation de la composition de

saumure injectée dans les gisements peut améliorer la récupération des huiles à hauteur de 38%
(Larger et al., 2004 ; Webb et al., 2004). L’influence de la composition de saumure sur la
récupération des hydrocarbures a été également démontrée par Jadhumandan et Morrow (1995),
et Yildiz et Morrow (1996). Quelques expériences menées en laboratoire ont confirmé plus tard
que la récupération assistée des hydrocarbures peut être obtenue par l’injection des saumures à

1
faible salinité. (Tang et Morrow, 1997 ; Morrow et al. 1998 ; Tang et Morrow, 1999 ; Tang et
Morrow, 1999b ; Zhang et Morrow, 2006 ; Zhang et al., 2007 ; Buckley et Morrow, 2010 ;
Kumar et al., 2010 ; Lohardjo et al., 2010 ; Morrow et Buckley, 2011). La variation de la salinité
obtenue lors de ces tests était comprise entre 1000 et 5000 ppm (partie par millions). Au cours
de ces expériences, il a été prouvé qu’il y a un réel intérêt de varier la salinité de l’eau injectée
pour une meilleure récupération d’huile. Cependant les mécanismes réels qui se créent dans les
réservoirs et qui sont à l’origine du balayage effectif des huiles sont encore méconnus de la
communauté scientifique. Ainsi quelques propositions ont été faites et sont mises à l’examen,
à savoir :

L’altération de la mouillabilité ;
Echange ionique à plusieurs composants ;
La migration partielle des argiles ;
La saponification et modification du PH ;
Effets électriques à double couche. (Dang et al. 2013, 2015, 2016, Tang et Morrow
2008).

Après la phase expérimentale, l’injection d’eau à faible salinité a été testée à l’échelle du champ,
sur la base des résultats obtenus en laboratoire. (McGuire et al., 2005 ; larger et al., 2008 ;
Skrettingland et al., 2010 ; Thyne et Gamage, 2011).

PROBLEMATIQUE

De tous ces travaux réalisés dans la littérature, il n’a été mentionné nulle part les travaux de
modélisation, sinon rarement. L’une des premières études sur la modélisation de l’injection
d’eau à faible salinité dans les réservoirs a été menée pour la première fois, par Jerauld et al.
(2008). Ils se sont basés sur la modélisation classique de l’eau avec quelques modifications pour
en sortir un nouveau modèle. Malheureusement ce modèle utilisait une dépendance linéaire
simple de la saturation résiduelle en huile sur la salinité.
L’expérience sur l’échantillon du champ North Slope a été améliorée par Rueslatten et al.
(2008). Ainsi un modèle utilisant le code géochimique PHREEQC a été créé pour simuler
l’injection de saumure. Ce nouveau modèle ne tient compte que de la variation de P H comme
mécanisme de LSW. Par la suite Sorbie et Colins (2010) ont étendu le champ de recherche en
introduisant un modèle semi-quantitatif qui décrit au mieux le processus d’échange ionique à
plusieurs composants à l’échelle des pores. Le modèle tentait de montrer les conséquences de

2
changement dans la double couche électrique et l’adsorption des espèces organiques polaires.
Toutefois d’autres études expérimentales sont nécessaires pour confirmer ce mécanisme.
Très récemment, Omekeh et al. (2012) ont présenté un modèle d’échange ionique et la solubilité
minérale dans LSW. En considérant un écoulement diphasique (eau et huile) dont la saumure
contient Na+, Mg++, SO42- et Cl-, les cations interviennent rapidement dans le processus
d’échange ionique à la surface négative de l’argile X-. Dans ce modèle, la libération totale des
cations divalents de la surface de la roche entraine un changement de perméabilité relative de
telle sorte qu’une plus grande quantité de pétrole soit mobilisée et la désorption des ions
divalents est le principal mécanisme de LSW. Pourtant il était plutôt attendu que les ions
divalents tels que Ca++, Mg++ soient adsorbés par la surface minérale d’argile durant LSW
(Appelo, 1994) et que l’altération de mouillabilité ne devrait s’observer qu’avec l’adsorption
de ces ions divalents uniquement (Suijkerbuijk et al., 2012).
Ainsi il serait beaucoup plus avantageux de modéliser le processus dans un simulateur
compositionnel, avec toutes les réactions géochimiques, que de le réaliser dans un modèle
simplifié à un écoulement diphasique.

Du point de vue technique, la réussite ou l’échec de LSW dépend intrinsèquement des

caractéristiques géologiques du réservoir. Malheureusement cet aspect n’a pas été évalué dans
le passé et la modélisation conventionnelle des réservoirs d’hydrocarbures ne tenait pas compte
de la proportion et distribution d’argile minérale contenue dans la formation.

OBJECTIFS

Ainsi dans le cadre de ce travail, il sera question de modéliser la distribution et la proportion

d’argile contenue dans le champ Moundouli, Tchad, et de certains paramètres géologiques et
d’ingénierie tout en les variant pour obtenir trois modèles différents. Ensuite nous procéderons
à la simulation de LSW dans ces trois modèles afin de retenir le scénario qui s’y est le mieux à
la récupération assistée par LSW. Enfin nous calibrons les différents scénarios obtenus afin de
comparer leurs facteurs de récupération et retenir le meilleur modèle qui convient à notre champ
Moundouli pour l’implémentation ainsi que les paramètres géologiques en l’occurrence la
distribution d’argile, qui nous auront permis de retenir ledit modèle.

PLAN DU MEMOIRE

Ce mémoire de Master Recherche est constitué de trois chapitres sans compter l’introduction
générale et la conclusion générale et articulés comme suit :

3
Le chapitre I présente en premier lieu notre zone d’étude qui est le bassin de Doba, au Sud du
Tchad dans lequel se trouve le champ Moundouli. En outre, nous passons en revue toutes les
méthodes de récupération (primaire, secondaire et assistée) des hydrocarbures. Enfin nous nous
attardons sur celle qui nous intéresse encore appelée récupération par injection d’eau à faible
salinité, en anglais « Low Salinity Waterflooding », en abrégé LSW.

Le chapitre II nous édifie sur tous les matériels qui ont servi à l’atteinte des objectifs à nous
assigner dans ce travail. Il nous présente également toutes les méthodes qui nous ont permises
de modéliser le champ Moundouli avec tous ses paramètres, et simuler l’injection de LSW pour
la prédiction de la production du pétrole de ce champ.

Enfin le chapitre III ressort tous les résultats des différentes méthodes décrites au chapitre II. Il
nous montre également toutes les interprétations et discussions des résultats obtenus. Pour finir
en beauté, une prédiction de production jusqu’en 2030 est effectuée pour mieux visualiser le
rôle crucial de la géologie, notamment la distribution d’argile qui favorise la récupération des
hydrocarbures par LSW.

4
CHAPITRE I : GENERALITES

Introduction
Le chapitre des généralités est consacré tout d’abord à la présentation du bassin de Doba, au
Sud du Tchad. Ensuite nous passons à l’historique du champ Moundouli qui fait l’objet de cette
étude. Enfin nous passons en revue les mécanismes de récupération des hydrocarbures (du
primaire au tertiaire) en mettant un accent particulier sur la notion de l’injection d’eau à faible
salinité dans des réservoirs matures.

I.1- Bassin sédimentaire de Doba et champ Moundouli

I.1.1- Bassin sédimentaire de Doba
Il y a environ 130 millions d’années (miocène supérieur), la plaque africaine et la plaque de
l’Amérique du Sud se sont étirées en occasionnant le retrait de la mer de la partie Nord de la
République Centrafricaine. Ce mouvement des plaques crée des bassins de type rift (P. Mathieu,
février 1976). Le bassin de Doba et celui de Doséo se sont formés à l’ère du crétacé (crétacé
inférieur et crétacé supérieur) suite à des dépôts organiques (animaux et végétaux) et des
sédiments pour former des pièges à hydrocarbures (projet de morcellement du bassin
pétrolifère en blocs). Le bassin de Doba est constitué de plusieurs failles. Les dépôts organiques
de ce bassin ont eu leur maturation à des profondeurs selon la période de formation. C’est ainsi
que le Tchad lance la production de ce bassin en 2003 avec le développement de trois champs
majeurs (Komé, Bolobo et Miandoum). Ces champs sont alignés de l’Ouest au Nord-Est. Le
champ de Komé est situé à l’extrême Est de site alors que celui de Bolobo est à l’extrême Ouest.
La distance séparant ces deux extrêmes est d’environ quarante (40) kilomètres (Km) et le champ
Miandoum est approximativement au milieu des deux premiers. De nos jours il existe d’autres
champs qui ont intégré le projet. Il s’agit notamment des champs Nya, Moundouli, Maikeri et
Timbre (Timberi) (Réunion annuelle avec le gouvernement du Tchad).

5
 Figure 1: bassin de Doba (GUILLOT, 2018)

I.1.2- Champ Moundouli

I.1.2.1- Localisation géographique
Le champ Moundouli est localisé dans la partie Nord-Est du bassin de Doba, plus précisément
à 7,5Km de Moundou, capitale économique du Tchad et à 470Km au Sud-Ouest de
N’Djamenna, capitale politique du Tchad.

La région de Moundouli est limitée par les coordonnées suivantes :

 Latitude : 8°36’48.1’’ N
 Longitude : 16°16’31.9’’ E
 Altitude : 418 mètres.

La région de Moundouli est relativement plate et partiellement boisée. Comme le Sud du Tchad
en général, elle est constituée d’arbres de petite hauteur et une prairie saisonnière. Les éléments
géographiques les plus visibles sont les rivières Nya et l’eau qui coulent toutes vers le Nord-
Est. (Esso, 2004b).

6
 Figure 2: Localisation géographique de Moundouli (Esso, 2004b)

I.1.2.2- Structure géologique

Le champ Moundouli est situé dans la partie anticlinale, d’orientation NE-SO coupé par une
série de failles normales de direction Nord-Sud. Les réservoirs sont des grès fluviatiles du
crétacé supérieur, intercalés avec des dépôts de débordement à grains plus fins et des argiles
lacustres. La roche-mère provient des argiles lacustres d’âge du crétacé inférieur. Le champ est
constitué d’un réservoir gréseux très peu consolidé de très bonne qualité en porosité et
perméabilité.

Les caractéristiques du réservoir ont été déterminées à partir des analyses diagraphiques, des
carottes, des tests de production et des analyses en laboratoire. Le rapport utile des grès des
formations productrices varie entre 9 et 100%. La porosité est comprise entre 26 et 28% et la
perméabilité varie entre 500 et 2700 milli darcys. La roche réservoir est principalement
mouillable à l’huile. La saturation moyenne en eau de gisement varie entre 30 et 67%. Il a une
densité de 24 degré API et une viscosité variant entre 20 et 38 centipoises (à une température
de 140 degrés Fahrenheit), avec un point d’écoulement de 20 degrés Fahrenheit. L’huile est
sous-saturée, le rapport gaz/huile est égale à 47 SCF/STB. Le réservoir n’a pas de dôme de gaz
libre. La pression initiale du réservoir est égale à 2040 psi. (Rapport sur les travaux
d’exploration et les caractéristiques du gisement, Esso 2004).

7
 Tableau 1: propriétés pétro physiques du réservoir de Moundouli (Esso 2004)

Caractéristiques du réservoir Valeurs Unités

Température (T) 140 (°F)
Pression initiale (Pi) 2040 (psi)
Pression au fond du puits (Pr) 1942 (psi)
Densité (ʋ) 24 (API)
Porosité moyenne (Ø) 26 à 28 (%)
Perméabilité moyenne (K) 500 à 2700 (md)
Saturation moyenne (Sw) 30 à 67 (%)
Viscosité (µ) 20 à 38 (cp)
Les réserves (OOIP) 231 millions (bbl)
Profondeur (H) 6000 (Ft)
Gas Oil Ratio (GOR) 41 SCF/STB
Facteur volumétrique de formation (BO) 1.034 RB/STB
Masse volumique du gaz (⍴g) 0.75 g/cc
Masse volumique de l’eau (⍴w) 0.988 g /cc
Masse volumique de l’huile (⍴o) 0.874 g/cc

Tableau 2: Constituants minéraux du champ Moundouli

 Les quartz, éléments très dominants (50-90%)

 La calcite ;
 Magnésite ;
 Des silicates ;
 Des argiles et micas (5-30%) ;
 Feldspaths (0-10%)
 Des carbonates (0-10%) ;
 Des impuretés : (0 – 6%)

8
I.1.2.3- Historique du champ Moundouli
Des recherches entreprises par des institutions françaises entre 1962 et 1967, ont révélé des
résultats positifs dans le bassin de Doba. Il a fallu attendre longtemps pour que le Tchad
entre dans le cercle fermé des pays producteurs du pétrole. En 1969, CONOCO (Continental
Oil Company), une compagnie américaine obtint des permis de recherche et entreprit des
travaux qui se révélèrent fructueux au sud du pays. Par la suite, plusieurs autres compagnies
comme ESSO, viendront s’associer à elle et ensemble feront d’autres prospections
s’étendant sur plusieurs années. Le consortium est constitué depuis l’an 2000 comme suit :

 Exxon mobil (ESSO) : 40%, groupe américain ;

 PETRONAS : 37%, société malaisienne ;
 CHEVRON : 25%, société américaine ;

En effet, après cette étude sismique 3D, des lois ont été promulguées dont celle approuvant
l’accord bilatéral Tchad-Cameroun et celle portant régime de transport par pipeline à travers
la République du Cameroun.

Les activités d’exploration ont commencé depuis 1969, c’est ce consortium qui est chargé
d’extraire le pétrole dans le bassin de Doba. Les premières installations pour l’extraction et
le transport de Doba ont débuté en l’an 2000 après que la Banque Mondiale ait accepté de
financer le projet de production du bassin de Doba, et c’est trois ans plus tard que le Tchad
verra son premier baril de pétrole coulé. Le consortium a mis en place un contrat intégrant
des travaux d’installation d’équipement de production assistée, géré par un seul sous-
traitant (Wood Group) au lieu de la répartition entre Schlumberger pour les pompes
centrifuges immergées (PCI) et Weatherford pour les pompes à cavité progressive (PCP).

Le forage du champ Moundouli a commencé par 2 puits d’exploration/évaluation qui ont

été effectués en 2002-2003.

A la suite de ces forages, d’autres scénarios ont suivi :

 L’acquisition, le traitement et l’interprétation de 77Km de données sismiques 3D

ont été effectués sur le champ Moundouli en 2004 ;
 La phase 1 du forage de développement débute en août 2005 avec 12 puits ;
 La phase 2 du forage de développement continue en novembre 2005 avec 8 puits ;

La production pétrolière a commencé en mi-mars 2006 dans le champ Moundouli. Mais à

partir de l’an 2009, la production a connu une chute. Le graphe ci-dessous explique au

9
 mieux cette baisse de production à partir de l’année 2012 jusqu’à 2016. Le champ étant
compatible à l’injection d’eau à faible salinité pour rehausser la production, nous profitons
donc de cette compatibilité pour étudier l’effet de modélisation géologique (distribution et
proportion d’argile) sur la récupération assistée du pétrole dans ce champ. (ESSO, 1997)

Grand Total
9000

8000

7000

6000

5000

4000

3000

2000

1000

0
01/01/2012
01/03/2012
01/05/2012
01/07/2012
01/09/2012
01/11/2012
01/01/2013
01/03/2013
01/05/2013
01/07/2013
01/09/2013
01/11/2013
01/01/2014
01/03/2014
01/05/2014
01/07/2014
01/09/2014
01/11/2014
01/01/2015
01/03/2015
01/05/2015
01/07/2015
01/09/2015
01/11/2015
01/01/2016
01/03/2016
Figure 3: historique de production du champ Moundouli de 2012 à 2016.

I.2- Méthodes de récupération des hydrocarbures

Il existe principalement trois méthodes de récupération des hydrocarbures : primaire,
secondaire et tertiaire.

La récupération primaire fait appel à l’usage de l’énergie naturelle (pression initiale) du

réservoir pour propulser le pétrole en surface, sans aucune assistance.

La méthode secondaire intervient juste après ou simultanément avec la production

primaire, dans le but de maintenir la pression du réservoir. Elle consiste à injecter de l’eau ou
du gaz dans la zone d’eau ou du gaz respectivement afin de reconstituer l’équilibre initial du
réservoir.

Quant à la méthode tertiaire, elle s’intéresse principalement aux produits chimiques, à

la chaleur et aux microbes. En effet après la récupération primaire et secondaire

10
d’hydrocarbures, force est de constater que la quantité du pétrole restante dans le réservoir est
énorme. D’où la mise sur pied de ces méthodes pour davantage récupérer une quantité
additionnelle du pétrole tout en restant dans les conditions économiques et technologiques du
moment. Il est nécessaire de préciser que les méthodes, primaire et secondaire, peuvent être
combinées pour une meilleure récupération.

I.3- Historique de l’injection d’eau à faible salinité (Low Salinity Waterflooding, LSW)
L’injection d’eau à faible salinité est une technologie nouvelle de récupération assistée du
pétrole issue de l’injection classique d’eau dans des réservoirs afin d’améliorer la récupération
des hydrocarbures. Elle consiste à injecter de l’eau salée dans un réservoir afin d’avoir un
balayage effectif d’huile. En effet les formations de grès peuvent contenir diverses quantités de
quartz, d'argiles, de feldspaths, de zéolithes, ainsi que des carbonates (calcite et dolomite) et
des minéraux à base de fer (géothite, hématite et pyrite) (Nasr-El-Dinetal, 2007). Les argiles
sont chimiquement uniques en raison de la présence de charges négatives permanentes, et elles
agissent comme des échangeurs de cations. On considère que les cations ont une affinité relative
avec la surface de l'argile : Li+<Na+<K+<Mg2+<Ca2+<H+ (Civan 2000). Austadetal (2010)
propose un mécanisme chimique pour l'altération de la mouillabilité par désorption des cations
adsorbés issus de l'argile présente dans le grès qui a été causée par l'injection de LSW. Le Ca2+
est remplacé par le H+ à la surface de l'argile et favorise la désorption de la matière organique
de l'argile à la suite d'une réaction acide-base ordinaire. Selon ce mécanisme chimique suggéré,
l'argile doit être présente dans le grès, les composants polaires (matière acide et/ou basique)
doivent être présents dans le pétrole brut, et l'eau de formation doit contenir des cations actifs
tels que le Ca2+. La teneur en argile a été constatée par Seccombe et al. (2008) pour établir une
corrélation avec la récupération supplémentaire de pétrole pendant le LSW. Seccombe et al.
(2010) ont présenté une corrélation linéaire simple entre la récupération supplémentaire de
pétrole (%PV) due à l'injection d'eau de faible salinité et la proportion de la teneur en argile
dans la roche pour le champ Endicott. Cette corrélation indique que la récupération
supplémentaire augmentera lorsque la teneur en argile augmentera. RezaeiDoust et autres
(2010) ont examiné les performances de LSW pour le champ offshore de la mer du Nord, Varg.
Le champ de Varg présentait les paramètres de réservoir suivants : teneur totale en argile de 8
à 16 % en poids, indice d'acidité et de basicité du pétrole brut de 0,13 et 0,85 mgKOH/g,
respectivement, salinité de l'eau de formation de 201 000 ppm et température du réservoir de
130 °C. Ils ont constaté que l'effet de faible salinité diminuait de 6 à 2 % lorsque la teneur en
argile du matériau de base passait de 16 à 8 % en poids.

11
 Quelques exemples des champs pétrolifères dans lesquels les tests expérimentaux ont été
implémentés sont résumés dans le tableau ci-dessous.

Tableau 3: Travaux antérieurs sur l’implémentation de LSW

Auteurs Réservoir Composition Dommages Récupération

De saumure sur les incrémentale
Injectée (ppm) formations du pétrole (%)
Webb Sandstone 3000/220000 No 20-50
(2004)
McGuire Sandstone 150-1500/15000 No 13
(2005) « Alaska North Slope »
Robertson Sandstone 10000/60000 No La récupération
(2007) « West Semelek 3304/42000 décroit lorsque
Reservoir », 7948/128000 le rapport de
« North Semelek salinité croit
reservoir »
“Moran reservoir”
Larger Sandstone 2600/16640 No 10
(2008) « Alaskan Oil Field »
Veledder Sandstone 2200/90000 No 10-15
(2010) « Omar Oil Field »
“Isa oil Field »
Secombe Sandstone 12000/--- No 13
(2010) « Endicort Oil Field »
Skettingland Sandstone 500/50000 No Pas de
(2010) « Snore Oil Field » changement
significatif

Conclusion
Au terme de ce chapitre, nous avons présenté de façon sommaire le bassin de Doba au
Tchad, dans lequel se trouve notre champ Moundouli. En plus nous avons passé en revue les
différentes méthodes de récupération des hydrocarbures. Enfin nous nous sommes retardés sur
la méthode d’injection d’eau à faible salinité qui est notre sujet d’investigation.

12
CHAPITRE II : MATERIELS ET METHODES

Introduction
Ce chapitre est consacré à la méthodologie de modélisation d’un réservoir pétrolier, en passant
par les outils nécessaires à cette réalisation. Ensuite nous introduirons le processus de
modélisation d’argile et de l’injection d’eau salée à faible salinité afin de prédire la récupération
du pétrole du champ Moundouli.

II.1- Matériels
Les matériels qui nous ont servis pour mener à bien notre investigation sont :

Un ordinateur laptop de marque Hp, performant, core i3, 4 gigas de RAM et un terra de
disque dur ;
Quatre logiciels de modélisation – simulation : Builder, GOCAD ; GEM ; CMOST des
géants Paradigm et Computer Modeling Group Ltd, pour respectivement générer le
modèle 3D, les modèles pétrophysiques, la modélisation de l’injection d’eau à faible
salinité et l’optimisation et history matching.
Word et Excel 2016 pour la saisie et traitement des données,
Notebook pour la gestion des données ;
GEM pour la modélisation des réactions géochimiques entre la composition chimique
de l’eau injectée et de l’argile contenue dans la formation.

Figure 4: logiciels utilisés

13
II.2- Méthodes
La méthodologie de ce travail repose sur la modélisation-simulation du réservoir Moundouli
avec un accent particulier sur la distribution d’argile et la modélisation de LSW.

II.2.1- Génération du modèle géologique du champ Moundouli.

La génération du modèle géologique de notre champ est réalisée sur Builder et GOCAD,
version 2019 et 2017 respectivement. Le choix de ces logiciels est fait sur la base des méthodes
géostatistiques de modélisation qui leur sont incorporées En effet Paradigm est un paquet de
logiciels parmi lesquels SKUA-GOCAD qui joue plusieurs rôles : importer, créer, modifier,
visualiser et exporter tout objet géologique 3D. Il offre également une variété d’analyses et
interprétations géologiques, géophysiques et géostatistiques nous permettant ainsi de performer
nos images 3D.

II.2.1.1- Modélisation des faciès

La méthode des simulations séquentielles des indicatrices (SIS) (Journel 1989 ; Goovaerts
1997) est la méthode la plus utilisée pour simuler des variables discrètes. Elle est basée sur la
notion d’indicatrice.

L’indicatrice est définie comme suit : considérons un ensemble de forages effectués dans un
réservoir. Une étude des carottes extraites du puits peut conduire à l’identification de différents
faciès le long des puits. Si l’on repère chacun des faciès pour une valeur entière v, l’observation
de la carotte est alors traduite en une série de valeurs correspondantes aux faciès observés. Il
est alors possible de définir pour chacun des faciès v, l’indicatrice Iv qui caractérise l’absence
ou la présence du faciès v considéré le long de la trajectoire du puits (repérée par la position u)

1 si u appartient au faciès F v considéré

𝐈𝐯 (𝐮) = 𝐈(𝐮, 𝐅 𝐯 ) = {
0 sinon

14
 Figure 5: données de terrain aux indicatrices de faciès (Njikam 2019).

II.2.1.2- Modélisation d’argile

La méthode ayant permis la modélisation d’argile (proportion et distribution) est appelée
cokrigeage. Elle a été développée par Isaaks et Srivastava, en 1989. Le modèle mathématique
de cokrigeage est développé comme suit :
p
̂ 𝟎 = ∑ni=1 ai ∙ ui + ∑m
𝐮 j=1 bj ∙ vj + ∑k=1 ck ∙ xk (1)

Avec :

û0 , l’estimation de u à l’emplacement 0 ;

u1, u2,…,un sont des variables primaires à l’emplacement n;

v1, v2,….,vm et x1, x2,…,xp sont des variables secondaires aux emplacements m et p
respectivement ;

a1, a2,…,an ; b1, b2,…,bm et c1, c2,…,cp sont des coefficients de pondération à déterminer.

Ainsi l’estimation d’erreur peut être calculée comme suit :

p
R= û0 − u0 = ∑ni=1 ai ∙ ui + ∑m
j=1 bj ∙ vj + ∑k=1 ck ∙ xk − u0 (2)

Où :

15
u1, u2,…,un sont des variables représentant U phénomènes aux n emplacements où U a été
échantillonné, v1, v2, ..., vm sont des variables représentant le phénomène V aux m
emplacements où V a été échantillonné, et x1, x2, ..., xp sont des variables représentant le
phénomène X aux p emplacements où X a été échantillonné.

L’équation (2) peut encore s’écrire sous forme matricielle comme suit :

R = wt z (3)

Où

wt =(a1, a2,…, an, b1 , b2,…, bm, c1, c2,…, cp, -1) et Z=(u1, u2,…, un, v1, v2,…, vm, x1, x2,…, xp,
u0).

Ainsi la variance de R s’écrit :

Var {R} = w t Cz w
n n m m p p

= ∑ ∑ ai aj Cov{ui uj } + ∑ ∑ bi bj Cov{vi vj } + ∑ ∑ ci cj Cov{xi xj }

i=1 j=1 i=1 j=1 i=1 j=1
n m n p m p

+ 2 ∑ ∑ ai bj Cov{ui vj } + 2 ∑ ∑ ai cj Cov{ui xj } + 2 ∑ ∑ bi cj Cov{vi xj }

i=1 j=1 i=1 j=1 i=1 j=1

p
−2 ∑ni=1 ai cov{ui u0 } − 2 ∑m
i=1 bi cov{vi u0 } − 2 ∑i=1 ci cov{xi u0 } + Cov{u0 u0 }

(4)

Où

cov{ui uj }, Cov{vi vj } et Cov{xi xj } sont des auto covariances respectivement entre ui et uj ; entre
vi et vj et entre xi et xj. Cov{ui vj }, Cov{ui xj } et Cov{vi xj } sont des covariances croisées
respectivement ente ui et vj,, entre ui et xj et entre vi et xj.

Similairement à la méthode traditionnelle de cokrigeage, cette équation doit satisfaire à deux

conditions :

Premièrement les exposants à l’équation (1) doivent être non biaisés et deuxièmement l’erreur
de la variance à l’équation (2) doit être la plus petite possible.

16
Pour satisfaire à la condition de non biaisement, la valeur de l’estimation attendue à
l’équation (1) et implémentée comme suit :

̂ 0 ) = E{∑ni=i ai ui + ∑m p n m
E(U j=i bj vj + ∑k=i ck xk } = ∑i=i a i E{ui } + ∑j=i bj E{vj } +

∑pk=i ck E{xk } = m
̃ U ∑ni=i ai + m
̃ v ∑m
p
̃ X ∑k=i ck
j=i bj + m (5)

Où

E{ui } = m ̃ v et E{xk } = m
̃ U , E{vj } = m ̃ X . Pour donc minimiser le biaisement de cette fonction,
p
nous supposons que : ∑ni=i ai ui = 1 ; ∑m
j=i bj = 0 et ∑k=i ck = 0

Pour honorer à la seconde condition, nous devons minimiser l’erreur de la variance

(Équation 2). La méthode Lagrangienne (Ito et Kunisch 2008) est utilisée pour réduire la
fonction à trois contraintes. Nous égalons chaque condition non biaisée à 0, multipliée par le
multiplicateur de Lagrange et nous ajoutons le résultat à l’équation (4). L’équation ci-dessous
donne l’algorithme mathématique derrière les multiplicateurs de Lagrange.
p
Var{R} = w t Cz w + μ1 (∑ni=1 ai − 1) + μ2 (∑m
j=1 bj ) + μ3 (∑k=1 ck ) (6)

Où μ1, μ2 et μ3 sont les multiplicateurs de Lagrange. Considérons que les trois conditions sont
non biaisées, les trois termes additionnels à l’équation (6) sont égaux à zéro et ne contribuent
pas à l’erreur de la variance Var{R}.

Dans l’optique de minimiser l’équation (6), les dérivées partielles de Var{R} tout en tenant
compte des exposants n+m+p, des coefficients (a, b et c) et des trois multiplicateurs de Lagrange
(μ1, μ2 et μ3 ), doivent etre égales à zéro car le minimum s’obtient à zéro. Ces dérivées partielles
sont exprimées comme suit :

∂Var{R} p
= 2 ∑ni=1 ai cov{ui uj } + 2 ∑m
i=1 bi cov{vi uj } + 2 ∑i=1 ci cov{xi uj } − 2Cov{u0 uj } +
∂aj

2μ1 (7)

Pour j = 1, …, n

∂Var{R} p
= 2 ∑m n
i=1 bi cov{vi vj } + 2 ∑i=1 a i cov{ui vj } + 2 ∑i=1 ci cov{xi vj } − 2Cov{u0 vj } + 2μ2
∂bj

(8).

Pour j = 1, …, m

17
∂Var{R} p
= 2 ∑i=1 ci cov{xi xj } + 2 ∑ni=1 ai cov{ui xj } + 2 ∑m
i=1 bi cov{vi xj } − 2Cov{u0 xj } + 2μ3
∂cj

(9)

Pour j = 1, …, p

∂Var{R}
= 2 ∑ni=1 ai − 1 (10)
∂μ1

∂Var{R}
= 2 ∑m
i=1 bi (11)
∂μ2

∂Var{R} p
= 2 ∑i=1 ci (12)
∂μ3

De l’équation (7) à (12), nous obtenons l’équation de cokrigeage finale :

p
∑ni=1 ai cov{ui uj } + ∑m
i=1 bi cov{vi uj } + ∑i=1 ci cov{xi uj } + μ1 = Cov{u0 vj } (13)

Pour j = 1, …, n
p
∑ni=1 ai cov{ui vj } + ∑m
i=1 bi cov{vi uj } + ∑i=1 ci cov{xi vj } + μ2 = Cov{u0 vj } (14)

Pour j = 1, …, m
p
∑ni=1 ai cov{ui xj } + ∑m
i=1 bi cov{vi xj } + ∑i=1 ci cov{xi xj } + μ2 = Cov{u0 xj } (15)

Pour j = 1, …, p

∑ni=1 ai = 1 (16)
∑m
i=1 bi = 0 (17)

∑pi=1 ci = 0 (18)

Notons que Cov{Ui Vj } = Cov{Vi Uj } ; Cov{Ui Xj } = Cov{Xi Uj } et Cov{Vi Xj } = Cov{Xi Vj }

Nous écrivons sous forme de matricielle les équations de (13) à (18)

Cuu Cvu Cxu 1 0 0 a Cu0 u

Cuv Cvv Cxv 0 1 0 b Cu0 v
Cux Cvx Cxx 0 0 1 c Cu0 x
1 0 0 0 0 0 μ1 = (19)
μ2 1
0 1 0 0 0 0 0
( 0 0 1 0 0 0) (μ3 ) ( 0 )

Où Cuu , Cuu et Cxx sont respectivement l’auto covariance de la première variable, l’auto
covariance de la première seconde variable et de la deuxième seconde variable. Cuv est la

18
covariance croisée entre la première variable et la première secondes variables. Cux est la
covariance croisée entre la première variable et la deuxième secondes variables. Cxv est la
covariance croisée entre les deux secondes variables.

II.2.1.3- Modélisation de perméabilité

La perméabilité a été modélisée par la méthode de krigeage. Le krigeage est une technique
d'estimation statistique qui a été initialement introduite par Matheron (1963). Elle a été nommée
d'après le Dr. D. G. Krige d'Afrique du Sud comme procédure d'estimation géostatistique qui
produit les meilleures estimations linéaires non biaisées (appelée estimation krigeage) avec une
variance d'estimation minimale (appelée variance krigeage. Le krigeage est le meilleur
estimateur linéaire sans biais (Hassanipak 1998). La dépendance d’estimation des incertitudes
est définie comme suit :

N(h)
1
r(h) = ∑ [z(xi ) − z(xi + h)]2
2N(h)
i=1

Où

h désigne la distance entre les emplacements xi et xi + h ;

N(h) est le nombre de paires des emplacements xi et xi + h ;

Ainsi la prédiction spatiale des valeurs d’incertitude à des points inconnus est calculée comme
suit :

Z ∗ (x0 ) = ∑ λi ∙ z(xi )
i=1

Où Z (xi) et λi représentent respectivement la valeur connue au point xi et le poids et Z ∗ (x0 ) est

la valeur à estimer au point x0.

II.2.1.4- Modélisation de porosité

La méthode de modélisation de porosité utilisée dans ce travail est celle de simulation
gaussienne séquentielle (SGS) donnée par la fonction suivante :

19
Y(xa ) = G−1 [F ∗ (z(xa ))]
Où
a = 1, … , n
G−1 est l’inverse de la fonction de distribution cumulative gaussienne ;
Y(xa ) est la fonction aléatoire ;
F ∗ est l’échantillon de la fonction de distribution cumulative de la variable z ;
xa est l’emplacement.

SGS est un algorithme qui simule les nœuds les uns après les autres de manière séquentielle, en
utilisant ensuite des valeurs simulées comme données de conditionnement. Il est nécessaire
d’utiliser des valeurs gaussiennes standard dans la méthode SGS, donc les données sont
transformées en espace gaussien. Les étapes de l’algorithme de SGS qui sont pris en compte
par GOCAD sont données comme suit :
Calculer l’histogramme des données brutes et les paramètres statistiques ;
Transformer les données en espace gaussien ;
Calculer et modéliser le variogramme des données gaussiennes ;
Définir le modèle géologique ;
Choisir le chemin aléatoire ;
Kriger une valeur à chaque nœud de toutes les autres valeurs (connues et simulées) et
définir la gaussienne ;
Tirer une valeur aléatoire de la distribution gaussienne connue sous le nom de valeur
simulée ;
Simuler d’autres nœuds séquentiellement ;
Valeur simulée de la transformation arrière (dans cette étape une réalisation est
générée) ;
Pour générer autre réalisation, les étapes 1 à 9 sont répétées.
Ainsi le variogramme des données transformées est calculé et modélisé. Il est nécessaire de
définir une grille pour la simulation et un chemin aléatoire pour évaluer les nœuds des grilles.
En fonction de la moyenne et de la variance de krigeage, une distribution de probabilité
gaussienne est déterminée dans chaque nœud. Pour estimer à chaque nœud, il faut choisir le
chemin aléatoire (équation ci-dessous). Une valeur aléatoire tirée de la distribution de
probabilité gaussienne est appelée valeur simulée, dans chaque nœud.

20
 𝟓𝐑 𝐢−𝟏 + 𝟏 𝐦
𝐑 𝐢 = 𝐦𝐨𝐝(𝟓𝐑 𝐢−𝟏 + (𝟏. 𝟐𝐦 )) = (𝟓𝐑 𝐢−𝟏 ) + 𝟏 − 𝐢𝐧𝐭 { }𝟐
𝟐𝐦
Où Ri est une indicatrice aléatoire du nœud i, m est un grand nombre qui fait 2fois plus grand
que le nombre du réseau de nœuds. (Gomez-Hernandez and Srivastava, Brately 1983).

II.2.2- Génération du modèle réservoir : Simulation

Il s’agit ici de transférer notre modèle géologique issu de Builder, pour un simulateur
compositionnel, pour non seulement le rendre dynamique en définissant les propriétés de notre
fluide, mais surtout de simuler l’injection de saumure à faible salinité.

II.2.2.1- Simulation de l’injection d’eau à faible salinité (LSW)

L’écoulement des fluides dans un milieu poreux est gouverné par la loi de Darcy, l’équation de
diffusivité, l’équation de conservation de masse et les équations d’état. Pour le cas spécifique
de l’écoulement de l’eau à faible salinité, ces équations ont été modifiées pour prendre en
compte les différentes réactions chimiques des différents composants et ions des fluides et de
la formation en place afin de créer un équilibre chimique. Ainsi les équations finales de
conservation de ces espèces dans un modèle compositionnel notamment GEM du groupe CMG
sont décrites comme suit :

 L’équation de conservation de nh composants dans la phase huile et gaz qui peuvent être
solubles dans la phase aqueuse est donnée par :

u u n+1 n+1
ψi = ∑ ∆Tαu (∆P n+1 + ∆Pcα
u
− ρ~u
α g∆d) + ∑ ∆Diq ∆yiq + Vσi,aq + q i
α=o,g,w q=g,o,w

V n+1
− (N − Nin ) = 0, i = 1 … … . nh
∆t i

 L’équation de conservation de na composants aqueux (ions) est :

u u u n+1 n+1 n+1

ψj ≡ ∆Twu yjw (∆P n+1 − ρ~u
w g∆d) + ∆Diw ∆yiw + Vσj,aq + Vσj,mn + q j

V n+1 n
− (N − Nja ) = 0, j = 1, … , na
∆t ja
 L’équation de conservation de nm composants minéraux est :
V n+1
ψk ≡ Vσn+1
k,mn − (Nk − Nkn ) = 0, k = 1, … , nm
∆t

21
n et n+1 désignent respectivement le temps du début et de la fin. Ces équations sont discrétisées
et adaptées de manière implicite. Le terme u= n est utilisé pour un bloc de grille explicit et n+1
pour des grilles implicites.

Le terme 𝐕𝛔𝐧+𝟏 𝐧+𝟏

𝐤,𝐦𝐧 et 𝐕𝛔𝐣,𝐚𝐪 correspondent aux vitesses des réactions intra-aqueuses et aux

vitesses de la dissolution /précipitation minérale respectivement.

Dans le simulateur compositionnel, l’équation de la contrainte volumique est donnée par :

𝐍𝐪𝐍+𝟏
∑ ( 𝐧+𝟏 ) − ∅𝐧+𝟏 = 𝟎, 𝐪 = 𝐠, 𝐰, 𝐨
𝛒𝐪
𝐪

La modélisation de LSW utilisée dans cette investigation tient compte de trois facteurs
importants dans le processus de la simulation à savoir : l’échange des ions, les réactions
géochimiques et l’altération de mouillabilité.

II.2.2.2- Modélisation des réactions géochimiques

Les réactions géochimiques sont principalement des réactions intra-aqueuses et minérales.
Nghiem et al. (2014) avaient proposé le modèle couplé de l’équation géochimique d’état pour
la simulation du stockage de CO2 dans un aquifère salin dans un simulateur compositionnel. Il
permet la modélisation des réactions intra-aqueuses dans la phase aqueuse et les réactions entre
les minéraux et les composants aqueux. Bien que le modèle soit initialement conçu pour la
simulation du stockage du CO2, il est aussi applicable pour la modélisation des réactions
géochimiques dans le processus de LSW. Le modèle de Nghiem et al a été étendu au modèle
de LSW, qui implique les échanges multiples des ions et l’altération de mouillabilité. Aussi ce
modèle s’applique aux réactions chimiques intra-aqueuses et à la dissolution/précipitation
minérale.

Une réaction chimique est en équilibre si le premier membre de la relation est égal au dernier
membre, remplissant ainsi la condition suivante :

aqn
Qα − K eq,α = 0, α = 1, … , R aq , avec Qα = ∏k=1 (ak )vkα

Où Q𝛂 est l’activité du produit de la réaction ;

𝐧𝐚𝐪 est le nombre d’espèces dans la réaction d’équilibre intra-aqueuse ;

𝐚𝐤 est l’activité de chaque espèce dans la phase aqueuse ;

𝐊 𝐞𝐪,𝛂 est la constante d’équilibre pour la réaction chimique ;

22
R est la constante universelle de gaz ;

T est la température du fluide ;

Vk𝛂 est le coefficient stœchiométrique des composants dans la réaction chimique.

Les valeurs de la constante d’équilibre (Kaq) sont fonction de la température de plusieurs

réactions aqueuses (Bethke 1996 ou Kharaka 1989).

Les activités de chaque espèce (αk ) sont liées à leur concentration (mk) en solution. Celles de
l’eau et des espèces minérales peuvent être considérées comme l’unité sans introduire des
erreurs significatives (Helgeson et al. 1970).

𝛂𝐢 = 𝛄𝐢 𝐦𝐢 , 𝐢 = 𝟏, … , 𝐧𝐚𝐪

Où 𝛄𝐢 est le coefficient d’activité. Le coefficient d’activité dans un cas idéal peut être
approximativement égal à la concentration des espèces (en moles).

Les réactions intra-aqueuses sont modélisées comme des réactions instantanées. Ceci augmente
l’efficience de modélisation en permettant l’utilisation de la matrice d’anéantissement du taux
d’équilibre qui réduit le nombre d’équations d’écoulement (Nghiem et al. 2004, 2011).

Les réactions entre les ions de la phase aqueuse et les minéraux réactifs dans le réservoir sont
cinétiquement contrôlées. Les réactions impliquant les minéraux du réservoir provoquent la
dissolution/précipitation de ceux-ci lorsqu’ils ne sont pas en état d’équilibre avec les ions de la
phase aqueuse. Le taux de dissolution ou précipitation des minéraux est calculé comme suit :

𝐐𝛃
̂ 𝛃 𝐤 𝛃 (𝟏 −
𝐫𝛃 = 𝐀 ) , 𝛃 = 𝟏, … , 𝐑 𝐦𝐧
𝐊 𝐚𝐪,𝛃

Où :

̂ 𝛃 : surface réactive du minerai réactif 𝛃 par unité de volume de l’espace poreux (m2/m3)
𝐀

𝐤 𝛃 : taux de la constante de réaction minérale 𝛃 (mol/m3.s)

𝐊 𝐚𝐪,𝛃 : constante d’équilibre chimique de la réaction de dissolution/précipitation minérale.

𝐐𝛃 : Résultat de l’activité de la réaction de dissolution minérale 𝛃 ;

𝐫𝛃 : taux de dissolution/précipitation par unité de volume d’un milieu poreux (mol/m3.s) ;

𝐑 𝐦𝐧 : nombre de réactions minérales

23
Le taux de réactions est normalement connu à la température de référence. Le taux de constante
𝐤 𝛃 de réaction à n’importe quelle température peut être retrouvé en utilisant l’équation
suivante :

𝐄 𝟏 𝟏
𝐤 𝛃 = 𝐤 𝟎,𝛃 exp[ 𝐑𝐚 (𝐓 − 𝐓 )]
𝟎

Où :

𝐄𝐚 : est l’énergie d’activation de la réaction (J/mol), 𝐤 𝟎,𝛃 est la constante de vitesse de réaction
pour une réaction à la température de référence, R est la constante universelle de gaz (8,314
J/(mol k)), T est la température (K) et T0 est la température de référence (K).

La surface réactive de minerai par unité de volume du milieu poreux change selon que le
minerai se dissout ou se précipite. Nghiem employait cette équation pour ajuster la surface
réactive du minerai.

̂𝟎 𝐍𝛃
̂=𝐀
𝐀 𝐍 𝛃𝟎

Où A0 est la surface réactive à T=0, Nβ sont le nombre de moles des minéraux par unité du
volume de bloc à l’instant T, et Nβ0 est le nombre de moles des minéraux β par unité de volume
de bloc à T=0.

II.2.2.3- Modélisation des échanges des ions

Dans un réservoir pétrolier, il existe un équilibre chimique entre les ions de la solution des
fluides et ceux adsorbés à la surface minérale, principalement sur l’argile. Comme de l’eau avec
une concentration d’ions différente de celle interstitielle est injectée, des réactions d’échange
d’ions se produisent afin d’assurer cet équilibre chimique. Dans le LSW, deux réactions
d’échange d’ions typiques impliquant des ions sodium, calcium et magnésium sont :

𝟏 𝟏
𝐍𝐚+ + (𝐂𝐚 − 𝐗 𝟐 ) ↔ (𝐍𝐚 − 𝐗) + 𝐂𝐚𝟐+
𝟐 𝟐

𝟏 𝟏
𝐍𝐚+ + (𝐌𝐠 − 𝐗 𝟐 ) ↔ (𝐍𝐚 − 𝐗) + 𝐌𝐠 𝟐+
𝟐 𝟐

Où X désigne l’argile minérale dans la roche réservoir

Les réactions ci-dessus sont réversibles et indiquent que le Na+ est absorbé par l’échangeur et
Ca2+ et Mg2+ sont libérés si on injecte de la saumure à haute salinité dans notre réservoir ; alors
que l’inverse est vrai en LSW.

24
Les coefficients sélectifs ci-dessous sont utilisés pour modéliser les échanges d’ions à la surface
d’argile :

𝛇(𝐍𝐚 − 𝐗)[𝐦(𝐂𝐚𝟐+ )]𝟎,𝟓 [𝛄(𝐂𝐚𝟐+ )]𝟎,𝟓

𝐊′𝐍𝐚\𝐂𝐚 = ×
[𝛇(𝐂𝐚 − 𝐗 𝟐 )]𝟎,𝟓 𝐦(𝐍𝐚+ ) 𝛄(𝐍𝐚+ )

𝛇(𝐍𝐚 − 𝐗)[𝐦(𝐌𝐠 𝟐+ )]𝟎,𝟓 [𝛄(𝐌𝐠 𝟐+ )]𝟎,𝟓

𝐊′𝐍𝐚\𝐌𝐠 = ×
[𝛇(𝐌𝐠 − 𝐗 𝟐 )]𝟎,𝟓 𝐦(𝐍𝐚+ ) 𝛄(𝐍𝐚+ )

Où ζ(Na − X), ζ(Ca − X2 ), et ζ(Mg − X2 ) sont des fractions équivalentes de Na+, Ca2+ et Mg2+
sur les échangeurs respectivement. L’utilisation des coefficients de sélectivité dans les
équations ci-dessus suivent la convention de Gaines-Thomas (Gaines et Thomas, 1953). Il est
également à noter que les coefficients sélectifs 𝐊′𝐍𝐚\𝐂𝐚 et 𝐊′𝐍𝐚\𝐌𝐠 sont des variables
opérationnelles et non thermodynamiques tels que les constantes d’équilibre.

Ainsi les réactions géochimiques qui ont été modelées dans GEM sont :

CO2(aq) + H2O ↔ H+ + HCO3—

H+ + OH- ↔ H2O

Calcite + H+ ↔ Ca2+ + HCO3--

Magnésite + H+ ↔ Mg2+ + HCO3--

𝟏 𝟐+ 𝟏
𝐂𝐚 + (𝐍𝐚 − 𝐗) ↔ 𝐍𝐚+ + (𝐂𝐚 − 𝐗 𝟐 )
𝟐 𝟐

𝟏 𝟏
𝐌𝐠 𝟐+ + (𝐍𝐚 − 𝐗) ↔ 𝐍𝐚+ + (𝐌𝐠 − 𝐗 𝟐 )
𝟐 𝟐

II.2.2.4- Modélisation de l’altération de mouillabilité

L’effet de la modification de mouillabilité est modélisé en décalant les courbes de perméabilité
relative comme illustré schématiquement sur la figure ci-dessous. Plusieurs tables de
perméabilité relative peuvent être définies pour un type de roche réservoir, où chaque table
correspond à une valeur d’un interpolant spécifié. Typiquement, deux ensembles de courbes de
perméabilité relative représentant respectivement des conditions de faible salinité et de haute
salinité sont considérés et une interpolation entre ces deux courbes est effectuée.

25
 Figure 6: courbes de perméabilité relative de LSW vs HSW attendues.

II.2.3- Composition chimique de l’eau de formation

Dans les travaux antérieurs (Esso, Petronas, Chevron), il a été confirmé par diffraction des
rayons X (XRD), que le sodium (Na), le magnésium (Mg) et le calcium (Ca) sont les éléments
atomiques les plus dominants qu’on retrouve dans les eaux de formation (FW) du champ
Moundouli (Rapport des travaux de développement du champ Moundouli). La composition de
l'eau de formation synthétique est indiquée dans le tableau 4

Tableau 4: composition chimique de FW

Ions concentration (mg/l)

Na+ 54 000
K+ 56
Ca2+ 10 600
Mg2+ 1 610
Cl- 107 000
HCO3- 176
SO42- 370
Total des solides dissouts 174 156

II.2.4- Composition chimique synthétique de saumure

Une saumure de faible salinité (5000 ppm) a été préparée avec de l'eau déionisée contenant
0,50 % en poids de NaCl. La densité et la viscosité de toutes les saumures utilisées ont été
mesurées à 185°F et à la pression atmosphérique (Tableau 5). Le densimètre DMA4100 a été

26
utilisé pour mesurer la densité des saumures et du pétrole brut, tandis qu'un viscosimètre à
capillaire a été utilisé pour mesurer la viscosité des saumures et du pétrole brut.

Tableau 5: composition chimique de LSW

Saumure Densité (g/hcm3) Viscosité (Cp) Ph

L’eau de formation (FW) 1,047 0 ,947 6,34
(174 156 ppm)
NaCl (5000 ppm) 0,981 0,59 6,86
L’eau déionisée 0,877 0,429 6,68

II.2.5- Optimisation
La méthode d’optimisation de notre modèle dans CMOST est la méthode DECE (Designed
Exploration and Controlled Evolution) qui consiste à optimiser les paramètres géologiques et
d’ingénierie pour l’opération de LSW. Il s’agit d’une méthode éprouvée pour trouver
rapidement des solutions proches des variables optimales. Elle est décrite comme un processus
d’optimisation itératif qui applique séquentiellement une étape d’exploration conçue et une
étape d’évolution contrôlée. Elle nous permet également d’estimer les erreurs des simulations.

Conclusion
Au bout de ce chapitre, il était question pour nous de présenter tous les modèles mathématiques
de toutes les méthodes qui sont intervenues dans notre investigation.

27
CHAPITRE III : RESULTATS ET DISCUSSIONS

Introduction
Il est question dans ce chapitre de présenter tous les résultats de modélisation et simulation du
champ Moundouli. Il est également question de présenter les résultats des différents scénarios
de calibration de LSW avec la prédiction de la production du pétrole. Enfin discuter cette
prédiction avec des résultats des travaux antérieurs.

III.1- Modèle pétrophysique du champ Moundouli

Le modèle géologique du champ Moundouli (figure 7) est constitué de 64 800 (81 suivant x,
40 suivant y et 20 suivant z) et comportant 53 puits. Le modèle a été réalisé sur Builder.

Figure 7: Modèle géologique du champ Moundouli (Builder)

Pour démontrer à suffisance le bénéfice de LSW, nous avons circonscrit une zone de notre
champ à l’échelle réduite, et placé quatre (4) puits producteurs et un (1) puits injecteur de
LSW. Le modèle réduit est constitué de 14 400 cellules (40 suivant x, 40 suivant y et 9
suivant z) (figure 8).

28
 Figure 8: Modèle synthétique 3D issu du champ Moundouli (GOCAD).

La figure 8 est exporté sur GOCAD pour mettre l’emphase sur la modélisation de faciès,
d’argile, de porosité et de perméabilité figure 9).

Figure 7 : Distribution de faciès Figure 9 : Distribution de porosité.

Figure 10 : Distribution de perméabilité. Figure 8 : Distribution d’argile.

Figure 9 : modèles pétrophysiques issus du modèle synthétique (GOCAD).

29
Enfin, de la figure 9, trois modèles différents en sont dérivés du fait de la distribution d’argile
à différentes proportions et distributions (trois valeurs différentes).

Faciès Porosité Perméabilité

Réalisation géologique 1

Réalisation géologique 2

Réalisation géologique 3

Figure 10: différentes réalisations géologiques fonction de distribution d’argile (GOCAD).

Au total trois scénarios de production ont été simulés pour mettre en évidence les effets d’argile
sur la récupération du pétrole du champ Moundouli par injection d’eau à fable salinité. Ces
résultats ont été ensuite comparés à l’injection classique d’eau (haute salinité) dans notre
réservoir afin de percevoir clairement l’intérêt de diminuer la salinité de l’eau avant l’injection.
L’expérience a été évaluée pour une période de neuf (9) ans (2014 –2023). Ensuite une
prédiction à long terme (2030) a été projetée pour voir si les effets observés à court terme seront
modifiés avec le temps ou pas. La composition minéralogique pour chaque modèle est donnée
comme au tableau 6.

30
 Tableau 6: composition minéralogique des modèles obtenus

Première réalisation Deuxième réalisation Troisième réalisation

Cas 1 Cas 2 Cas 3
Minéraux Concentration Minéraux Concentration Minéraux Concentration
(%) (%) (%)
Quartz 86 Quartz 75 Quartz 69
Kaolinite 10 Kaolinite 12 Kaolinite 18
Albite 1 Albite 1 Microcline 8
Illite 1 Illite 1 Muscovite 2
Mica 1 Calcite 3 Smectite 2
Magnésite 7

III.2- Modèle réservoir et optimisation

Il est essentiel de générer un modèle plus réel qui traduirait au mieux l’hétérogénéité de la
formation, spécialement la distribution d’argile, afin d’avoir une bonne adéquation entre les
résultats de la simulation et les profils de production actuelle. Cependant, il est difficile de
construire des tels modèles réalistes même si des données de diagraphie ou des données
sismiques sont disponibles et utilisées comme données de condition physique. En effet, la
performance de LSW à l’échelle du champ dépend de la distribution d’argile et ce dernier est
généralement associée aux propriétés pétrophysiques. Pour rapprocher davantage notre modèle
de la réalité, nous avons utilisé l’optimiseur CMOST (figure 11 et 12).

a- Modèle basique b- Modèle réel après optimisation par DECE.

Figure 11: modèles basique et réel (après optimisation).

31
 Faciès Perméabilité
Faciès Perméabilité

Argile Porosité Argile Porosité

Figure 12: Optimisation des propriétés pétrophysiques.

III.3- Calibration (history matching, HM)

La calibration parfaite de notre champ pour la récupération assistée de pétrole par LSW devient
plus complexe car il faut une simultanéité entre les données géologiques de notre champ et les
paramètres de l’ingénierie. Cette section est donc réservée aux différents scénarios de
calibration obtenue lors de la simulation de notre LSW. Pour un résultat parfait de calibration
de notre champ, nous nous sommes fixés deux objectifs :

 Géologie : le modèle géologique doit refléter la réalité du champ Moundouli avec tous
les paramètres géologiques et la distribution d’argile, d’où la méthode stochastique lors
de modélisation du champ.
 Le modèle réservoir : adéquatement quantifier la contribution des nombreux aspects de
l’ingénierie, incluant notamment les réactions géochimiques, l’altération de la
mouillabilité et les conditions opérationnelles.

32
III.3.1- Calibration des paramètres géologiques et LSW (Cas 1)
Les résultats du premier scénario sont indiqués dans les tableaux 7 et 8. L'injection continue de
saumure de NaCl (5000 ppm) a permis de récupérer au total 28,92% de l'OOIP. Il n'y a pas eu
d'augmentation progressive de la récupération d'huile durant l'augmentation du débit d'injection
à 1 et à 2 ml/min. cette constance est due à la faible teneur en argile (13%, tableau 6) dans le
modèle. Les chutes de pression dans ce dernier et la récupération du pétrole par rapport aux
volumes cumulés des pores injectés sont illustrées à la figure 13.

D'autre part, l'expérience de de l’injection d'eau de formation a donné un facteur de

récupération totale d'huile de 24,64% de l’OOIP (figure14). Le modèle n'a montré aucune
réponse à LSW à la récupération tertiaire. Le résumé de FW est donné dans le tableau 8. La
comparaison de la récupération des hydrocarbures pour les expériences LSW et FW à 185°F en
récupération secondaire est présentée à la figure 15. Comme on peut le voir, la saumure de
faible salinité augmente le facteur de récupération de 4,28% de l'OOIP par rapport à l'eau de
formation. Ces résultats sont similaires à ceux de Tripathi et al. (2007) qui ont mentionné que
le faible ratio de mobilité affectait la stabilité des LSW.

Les productions cumulées, globale et par puits, après avoir minimisé l’erreur (figure 16) sont
présentées à la figure 17.

NaCl (5000 ppm)

Cumulative Oil Recovery (%OOIP)

NaCl (5000 ppm) 2ml/min

0,5ml/min NaCl (5000 ppm)
1ml/min RF= 28,92%
RF= 28,92%
RF= 28,92%
Pressure drop (psi)

Cumulative Pore Volume Injected (PV)

Figure 13: Facteur de récupération du pétrole par LSW. Cas 1.

33
 NaCl (5000 ppm)
NaCl (5000 ppm) 0,5ml/min
FW FW 0,5ml/min
FW RF= 28,92%
Cumulative Oil Recovery (%OOIP)

1ml/min 2ml/min RF= 28,92%

0,5ml/min
RF= 24,64% RF= 24,64%
RF= 20,72%

Cumulative Pore Volume Injected (PV)

Figure 14: Facteur de récupération du pétrole par FW et LSW. Cas 1.

Cumulative Oil Recovery (%OOIP)

Oil recovery for LSW

Oil recovery for FW

Cumulative Pore Volume Injected (PV)

Figure 15: Comparaison de facteur de récupération par LSW et FW. Cas 1.

34
 Tableau 7: résultat par LSW pour la récupération secondaire, cas 1

Eau Méthode de Débit Quantité d’eau facteur de Récupération

d’injection récupération d’injection injectée (PV) récupération totale (%OOIP)
(ml/min) (%OOIP)
NaCl 0.5 7,93 28,92 28,92
(5000ppm) Secondaire 1 5,92 0,0 28,92
2 4,55 0,0 28,92

Tableau 8: résultat par LSW et FW pour la récupération secondaire et tertiaire : cas 1

Méthode de Débit Quantité Incrément de Récupération

Eau d’injection récupération d’injection d’eau injectée récupération totale
(ml/min) (PV) (%OOIP) (%OOIP)
0.5 8,28 22,14 22,14
Formation water Secondaire 1 6,30 2,50 24,64
(74 156 ppm) 2 4,76 0,0 24,64
LSW Tertiaire 1 4,19 0,0 24,64
(5000 ppm) 2 4,49 0,0 24,64

Figure 16: Erreur de calibration : cas 1.

35
 a- Cumulative Oil Production b- Cumulative water production

PRD1 PRD2 PRD3 PRD4

PRD1 PRD2 PRD3 PRD4

Figure 17: Production cumulative d’huile et eau, par puits, après calibration : cas 1.
NB : Solution générale (courbes bleues claires), modèle de base (courbe noire), calibration
initiale (courbe bleue foncée), Solution optimale (courbe rouge).

III.3.2- Calibration des paramètres d’ingénierie et LSW : (Cas 2)

En plus de la distribution géologique, la performance de LSW dépend fortement de plusieurs
facteurs d’ingénierie issus de la nature de ce processus de récupération. Parmi eux, l’altération
de mouillabilité représentée par les courbes de perméabilité relative (figure 18) est l’un des
facteurs les plus importants pour faire correspondre le profil de production au LSW.

L’erreur globale d’appariement est de 0.39% après le processus de calibration par DECE sur
CMOST (figure 19). La figure 20 montre les différences entre le profil de production du modèle
de base et les données de production réelle.

36
 Figure 18: Courbes de perméabilité relative après calibration.

Le deuxième scénario de calibration est conçu pour relier simultanément différents

paramètres d’ingénierie avec l’hypothèse que la vraie distribution géologique est utilisée. A la
première exécution, l’objectif de la calibration était de relier les paramètres d’ingénierie y
compris les paramètres de perméabilité relative (saturation en eau interstitielle- Swcon, indice de
saturation en eau - I_Swcrit, saturation critique en eau - Swcrit, saturation irréductible en huile -
Soirw, indice de saturation en huile - I_Sorw, saturation en huile résiduelle - Sorw, valeur de
perméabilité relative à la saturation en huile irréductible - Krwiro, valeur de perméabilité relative
d’huile à la saturation en eau interstitielle - Krocw, l’exposant d’eau - Nw, l’exposant d’huile -
No) ; les limites d’interpolation (valeurs supérieure et inférieure) ; réactions géochimiques
(fraction volumique des minéraux de calcite, de magnésite et de surfaces réactives) et conditions
de fonctionnement (pression au fond des puits producteurs et le débit d’eau injectée) (tableau
9). Notons qu’au départ (avant la calibration), la courbe de perméabilité relative du modèle
basique était mouillable à l’huile (courbe rouge, figure 18). L’optimiseur DECE tentera de
modifier la deuxième courbe (verte) pour une mouillabilité à l’eau.

37
 Tableau 9: Paramètres d’ingénierie

Paramètres de calibration Min Max Pas

Swcon 0,18 0,23 0,01
I_Swcrit 0 0,078 0,026
Perméabilité relative

Swcrit Swcon + I_Swcrit

Soirw 0,18 0,3 0,02
I_Sorw 0 0,078 0,025
Sorw Soirw + I_Sorw
Krocw 0,5 0,8 0,05
Krwiro 0,2 0,45 0,05
Nw 1,5 3,5 0,5
No 2,5 4,5 0,5
INTPOL_Upper 0,45 0,95 0,05
INTPOL_Lower 0,05 0,4 0,05
Magnesite 0,01 0,2
Réactions

Calcite 0,01 0,2 Paramètres de

Reac_Surf 100 6500 distribution
continus

Conditions
BHP Producer 2500 4500 200
opératoires Injection Rate 2500 6000 500

Figure 19: Erreur de calibration des paramètres d’ingénierie. Cas 2.

38
 a- Cumulative Oil Production b- Cumulative water production

PRD3 PRD4
PRD1 PRD2

PRD2 PRD3
PRD1 PRD4

Figure 20: Production cumulative du modèle de basique. Cas 2.

La figure 21 présente le résultat de LSW sur le deuxième modèle obtenu : cas 2. L’objectif
principal ici était d’examiner les effets de l’injection d’eau à faible salinité sur un modèle
géologique calibré avec des paramètres d’ingénierie. Il en ressort qu’après calibration, les
caractéristiques du modèle sont : porosité moyenne : 26,5%, une perméabilité de 165 md, de
quartz 75%, de la kaolinite 12%, de l’albite 1%, de l’illite 1%, de la magnésite 7% et de la
calcite 3%. Le modèle a une teneur globale en argile de 24% et est mouillable à l’eau.
L'injection de la saumure a commencé à une vitesse de 0,5 ml/min puis à 1 et à 2ml/min. La
récupération finale du pétrole était de 51,2% de l’OOIP.

Pour ce qui est de FW, la Figure 22 montre le résultat de la récupération du pétrole. L'injection
a été effectuée par de l'eau de formation (174 156 ppm) à des taux d'injection de 0,5, 1 et 2
ml/min, suivie d'une saumure de NaCl (5000 ppm) à des taux d'injection de 1 et 2 ml/min. La
récupération finale du pétrole pour l'eau de formation était de 37,42% de l'OOIP.

39
 Comme le montre la figure 23, la récupération des hydrocarbures a été améliorée à 13,32 % de
l'OOIP en utilisant les LSW comparé à l'eau de formation. Alotaibi et al. (2011) ont étudié
l'effet de la salinité de la saumure sur les mesures de l'angle de contact et le potentiel zêta en
utilisant les surfaces de roches de Grey Berea, US et trois saumures différentes (574 156, 54
680 et 5 436 ppm). L'injection de LSW a modifié la mouillabilité à huile du grès de Berea en
une forte mouillabilité à l'eau. Ces résultats témoignent encore une fois le rôle essentiel que
joue l’argile sur le LSW afin d’améliorer la récupération des hydrocarbures des champs
matures.
Cumulative Oil Recovery (%OOIP)

NaCl (5000 ppm)

0,5ml/min NaCl (5000 ppm) NaCl (5000 ppm)
RF= 49,77% 1ml/min 2ml/min
RF= 51,22% RF= 51,22%

Cumulative Pore Volume Injected (PV) Pressure drop (psi)

Figure 21 : facteur de récupération par LSW. Cas 2.

40
 Cumulative Oil Recovery (%OOIP)

FW FW FW NaCl
0,5ml/min 1ml/min 2ml/min (5000 ppm) NaCl (5000 ppm)
RF=
RF= 35,64% RF= 37,42% 37,42%
1ml/min 2ml/min
RF= RF= 37,42%
37,42%

Cumulative Pore Volume Injected (PV)

Figure 22: facteur de récupération par FW. Cas 2.

Cumulative Oil Recovery (%OOIP)

Oil recovery for FW

Oil recovery for LSW

Cumulative Pore Volume Injected (PV)

Figure 23: Comparaison de facteur de récupération par LSW et FW : Cas 2.

41
 Tableau 10: résultat par LSW pour la récupération secondaire : cas 2

Eau Méthode de Débit Quantité d’eau Incrément de Récupération

d’injection récupération d’injection injectée (PV) récupération totale (%OOIP)
(ml/min) (%OOIP)
NaCl 0.5 7,82 47,77 49,77
(5000ppm) Secondaire 1 5,73 1,54 51,22
2 3,62 0,0 51,22

Tableau 11: résultat par LSW et FW pour la récupération secondaire et tertiaire : cas 2

Méthode de Débit Quantité Incrément de Récupération

Eau d’injection récupération d’injection d’eau récupération totale
(ml/min) injectée (PV) (%OOIP) (%OOIP)
FW (74 156 ppm) Secondaire 0.5 7,63 35,64 35,64
1 4,23 1,78 37,42
2 3,55 0,0 37,42
LSW (5000ppm) Tertiaire 1 3,40 0,0 37,42
2 4,20 0,0 37,42

III.3.3- Calibration simultanée des paramètres géologiques et d’ingénierie : (Cas 3)

L’étude des cas précédents ont démontré le rôle crucial de prendre en compte non seulement
des facteurs géologiques mais aussi d’ingénierie pour une meilleure récupération des
hydrocarbures par LSW. Cependant il est important de faire correspondre tous les paramètres,
géologiques et d’ingénierie simultanément pour résoudre des problèmes réels à l’échelle du
champ.

III.3.3.1- Calibration de LSW en utilisant les intervalles discrets

Depuis qu’il existe un nombre important des paramètres utilisés en LSW, l’utilisation de
plages discrètes de ces paramètres peut accélérer le processus de correspondance car elle
peut réduire le nombre de combinaisons possibles. Cependant cette approche nécessite
souvent une compréhension approfondie des caractéristiques du réservoir, en particulier
dans la distribution géologique, les propriétés des fluides et des roches pour obtenir de bon

42
 appariements des données de production. Dans la première étude, de cette section, les
valeurs discrètes de la plupart des paramètres sont utilisées pour le LSW (tableau 12).

Tableau 12: Paramètres géologiques et de l’ingénierie

Paramètres de calibration Min Max Pas

R1 0,14 0,26 0,02
Faciès

R2 0,14 0,26 0,02

R3 0,17 0,29 0,02
Swcon 0,18 0,23 0,01
I_Swcrit 0 0,078 0,026
Perméabilité relative

Swcrit Swcon + I_Swcrit

Soirw 0,18 0,3 0,02
I_Sorw 0 0,075 0,025
Sorw Soirw + I_Sorw
Krocw 0,5 0,8 0,05
Krwiro 0,2 0,45 0,05
nw 1,5 3,5 0,5
no 2,5 4,5 0,5
INTPOL_OW 0,45 0,95 0,05
INTPOL_WW 0,05 0,4 0,05
Magnesite 0.01 0,2
Réactions

Calcite 0,01 0,2 Paramètres de

Reac_Surf 100 6500 distribution
continus

Conditions
BHP Producer 2500 4500 200
opératoires Injection Rate 2500 6000 500

La figure 24 indique le rôle crucial de la géologie dans les résultats de calibration de LSW.
L’erreur globale est relativement élevée d’environ 12,68% après plusieurs simulations sans
considération des paramètres géologiques ; alors que l’erreur de calibration la plus basse est de
0,45% lorsque des paramètres géologiques sont impliqués dans le processus de history
matching, HM. Cela prouve également la grande efficacité de l’approche de modélisation
intégrée qui permet d’effectuer des calibrations fiables et robustes pour des problèmes plus

43
complexes. Les détails des résultats de HM de tous les puits producteurs sont illustrés à la figure
25 dans laquelle d’excellents appariements ont été obtenus en tenant compte de l’influence de
la géologie.

a- Erreur sans paramètres géologiques b- Erreur avec des paramètres géologiques

Figure 24: rôle de la géologie dans la calibration de LSW.

PRD3 PRD4
PRD1 PRD2

PRD1 PRD2 PRD3 PRD4

a- Production cumulative par LSW sans paramètres géologiques.

44
 PRD3 PRD4
PRD1 PRD2

PRD4
PRD2 PRD3
PRD2
PRD1

b- Production cumulative par LSW avec des paramètres géologiques

Figure 25: résultats de calibration de LSW pour les quatre puits producteurs
NB : solution générale (courbes bleues claires), modèle basique (courbe noire), calibration du
champ (courbe bleue foncée), solution optimale (courbe rouge).

III.3.3.2- Calibration de LSW en utilisant les intervalles continus.

Comme indiqué précédemment, l’utilisation d’une gamme discrète de paramètres géologiques
et d’ingénierie peut accélérer le processus. Cependant une compréhension approfondie de la
géologie des réservoirs n’est pas toujours facile. Ainsi la technique utilisée doit être efficace,
lorsqu’il existe des incertitudes élevées dans la plage de paramètres de correspondance requis.
En d’autres termes la technique peut être utilisée avec des plages largement continues de
paramètres différents même si le processus de calibration sera plus couteux. Dans ce
paragraphe, les mêmes paramètres indiqués dans le tableau 12 sont utilisés pour la calibration
du processus LSW, mais tous les paramètres ont des distributions continues.

La figure 26 montre qu’un nombre relativement faible d’erreur de calibration globale, environ
1,2% est atteint après plusieurs essais de simulation. Les figures 27 et 28 présentent les profils
de récupération du pétrole.

45
 Figure 26: Erreur simultanée des paramètres géologiques et d’ingénierie

a- Cumulative Oil Production b- Cumulative water production

Figure 27: récupération cumulative du modèle

PRD1 PRD2 PRD3 PRD4

a- Cumulative Oil Production

PRD1 PRD2 PRD3 PRD4

b- Cumulative water production

Figure 28: Récupération cumulative par puits producteur : cas 3

46
Après injection de la saumure diluée à 5000 ppm dans la troisième réalisation (cas 3) de notre
modèle synthétique, un effet de LSW sur la récupération secondaire du pétrole du champ
Moundouli a été observé à la figure 29. Les caractéristiques du modèle synthétique sont :
porosité moyenne 26%, perméabilité moyenne 165md, quartz 69%, kaolinite 18%, de la
microcline 8% et une faible proportion de smectite 2% et muscovite 2%. Les oxydes de fer et
les oxydes de titanium ont été également détectés. Le taux d’argile dans ce modèle est estimé à
30%.

L'injection continue de saumure de NaCl (5000 ppm) a permis de récupérer au total 60,91% de
l'OOIP

A l’inverse, l'injection continue d'eau de formation (FW) a entraîné une récupération finale de
44,7 % d'OOIP, comme le montre la figure 30. La différence de récupération entre FW et LSW
pour ce troisième cas est de plus de 17 %. Nasralla et Nasr-El-Din (2012) ont constaté que
l'injection d'eau de faible salinité entraînait une augmentation de mouillabilité à l’eau des
surfaces de mica par rapport à l'injection d'eau de haute salinité. La figure 31 compare la
récupération des hydrocarbures obtenue lors de l’injection de LSW et de l’eau de formation FW
en mode de récupération secondaire.

Les résultats confirment encore une fois que la distribution d’argile est le mécanisme le plus
important qu’il faut prendre en compte lors de LSW. 17% de l'OOIP provient inéluctablement
de la proportion et de la distribution des trente pourcents d’argile contenus dans la formation.
En outre la prise en compte simultanée des paramètres géologiques et d’ingénierie ont joué un
rôle important dans la récupération. Enfin le rôle de la méthode d’optimisation et de calibration
DECE ainsi que les méthodes de modélisation ont concouru à ce facteur de récupération. Les
tableaux 13 et 14 résument la récupération des hydrocarbures, le nombre de PV injectés et le
débit d'injection pour LSW et FW.

La figure 32 présente le récapitulatif des effets de LSW comparés au FW par puits producteur
(cas 3).

47
 NaCl (5000 ppm) NaCl (5000 ppm)
Cumulative Oil Recovery (%OOIP)
NaCl (5000 ppm) 1ml/min 2ml/min
0,5ml/min RF= 60,91% RF= 60,91%
RF= 53,29%

Pressure drop (psi)

Cumulative Pore Volume Injected (PV)
Figure 29: Récupération par du pétrole par LSW.
Cumulative Oil Recovery (%OOIP)

FW
2ml/min NaCl NaCl
FW FW RF=44, (5000ppm) (5000ppm)
0,5ml/min 1ml/min 7% 1ml/min 2ml/min
RF= 39,6% RF= 44,7% RF= 44,7% RF= 44,7%

Cumulative Pore Volume Injected (PV)

Figure 30: Récupération de pétrole par LSW et FW

48
Cumulative Oil Recovery (%OOIP)

Oil recovery for FW

Oil recovery for LSW

Cumulative Pore Volume Injected (PV)

Figure 31 : Effet de LSW sur la récupération du pétrole brut.

Tableau 13: résultat par LSW pour la récupération secondaire : cas 3.

Eau Méthode de Débit Quantité d’eau Incrément de Récupération

d’injection récupération d’injection injectée (PV) récupération totale (%OOIP)
(ml/min) (%OOIP)
NaCl 0.5 7,71 53,29 53,29
(5000ppm) Secondaire 1 3,39 7,62 60,91
2 2,28 0,0 60,91

Tableau 14: résultat par LSW et FW pour la récupération secondaire et tertiaire : cas 3.

Méthode de Débit Quantité Incrément de Récupération

Eau d’injection récupération d’injection d’eau récupération totale
(ml/min) injectée (PV) (%OOIP) (%OOIP)
Formation water Secondaire 0.5 7,73 39,64 39,64
(74 156 ppm) 1 3,67 5,07 44,71
NaCl 2 2,45 0,0 44,71
(5000 ppm) Tertiaire 1 2,91 0,0 44,71
2 2,99 0,0 44,71

49
 PRD1 PRD2 PRD3 PRD4

Figure 32: Histogramme général de comparaison entre LSW et FW.

III.4- Prédiction de la production

Les résultats obtenus dans la section précédente indiquent que la géologie (la distribution
d’argile) joue un rôle essentiel dans le succès d’un processus de HM de LSW. En effet la
géologie a également une influence sur la prédiction des performances futures de LSW. Pour
quantifier les influences de la géologie dans les performances réelles de LSW, le modèle le
mieux adapté après HM dans le scénario 3 est utilisé pour prédire les 10 prochaines années
d’application de LSW. Comme le montre le schéma 33, le modèle le mieux adapté qui a pris en
compte la distribution géologique pendant le processus de calibration fournit une meilleure
prédiction que lorsque la géologie n’est pas incluse dans le HM. Ces observations indiquent
que l’approche de modélisation intégrée dans cette investigation est non seulement efficace
pour diminuer l’erreur globale d’appariement, mais fournit également une meilleure prédiction
de LSW pour l’avenir. En ce qui concerne les incertitudes élevées des paramètres géologiques,
l’optimisation de LSW devrait être menée sur la base de multiples réalisations géologiques en
utilisant l’optimisation robuste (Dang et al 2015a). Cette approche peut surmonter ce défi car
une optimisation robuste maximise la récupération du pétrole par LSW et minimise les risques
associés aux incertitudes géologiques.

50
 Figure 33: Prédiction globale de récupération du pétrole par LSW

Conclusion
Arrivé au terme de ce chapitre, nous constatons agréablement tous les résultats parlants de nos
trois scénarios qui dépendent tous de la distribution d’argile pour une meilleure récupération
du pétrole du champ Moundouli. En outre ce chapitre confirme l’intérêt de diminuer la salinité
de l’eau d’injection pour une récupération améliorée des hydrocarbures. Enfin la prédiction de
la récupération des hydrocarbures par LSW est un moyen fiable pour l’avenir. La récupération
supplémentaire de 17% après les différents scénarios le confirme.

51
CONCLUSION GENERALE
Tout au long de ce travail, il était question de montrer les effets de la distribution d’argile sur
l’injection d’eau à faible salinité (Low Salinity Waterflooding, LSW) afin de prédire la
récupération assistée du pétrole du champ Moundouli, Tchad.

Pour parvenir à notre faim, nous avons opté pour la modélisation du champ Moundouli, en
mettant l’accent particulier sur la distribution d’argile dans la formation. Les méthodes de
modélisation-simulation utilisées dans ce travail sont celles géostatistiques. Elles utilisent des
statistiques qui traitent des problèmes de données spatiales en série, d'interpolation, de
cartographie des données distribuées et des problèmes connexes. Nous avons ainsi créé trois
modèles géologiques différents sur GOCAD basés sur la variation de la distribution et de la
proportion d’argile afin d’avoir trois scénarios différents à étudier.

Les modèles générés ont été transférés sur le logiciel GEM afin de simuler l’injection d’eau à
faible salinité. Enfin après optimisation de l’ensemble de modèles, nous nous sommes attardés
sur la calibration (History matching, HM) entre les modèles géologiques générés et les modèles
du réservoir et aboutir à une meilleure récupération et une meilleure prédiction du pétrole.

Il en ressort que lorsque le history matching est fait simultanément entre les paramètres
géologiques et ceux de l’ingénierie tout en variant le débit d’injection de saumure, nous avons
un meilleur résultat (17% de OOIP). La prédiction de la récupération du pétrole a été examinée
et il en ressort que l’avenir de la récupération des champs matures par LSW est prometteur.

52
REFERENCES .
Appelo, C.A.J., 1994. ‘Cation and Proton Exchange, pH Variations, and Carbonate Reactions
in a Freshening Aquifer’. Water Resources Research Journal, vol 30, no10, pp. 28.

Arzhang Nabilou, 2016. Best method for enhanced oil recovery from Sarvak Reservoir
and Analyse Sensitive Parameters, Technico Lisboa, Teheran, pp20-39

Bethke, C.M., 2006. GWB Essentials Guide, University of Illinois, US

4. Brown E.P., 2004b, Projet de gisement satellite de Moundouli (Logone oriental et Logone
occidental). Étude d’impact sur l’environnement, ESSO, Doba, pp. 34 -36

5. Buckley, J.S., Liu, Y., Monsterleet, S., 1998, ‘Mechanisms of Wetting Alteration by Crude
Oils’, Paper SPE 37230 presented at the SPE International Symposium on Oilfield Chemistry,
Houston, TX, USA, 18-21 February.

6. Buckley, J.S., Morrow, N.R., 2010 ‘Improved Oil Recovery by Low Salinity Waterflooding:
A Mechanistic Review’, Paper presented at 11th International Symposium on Evaluation of
Wettability and Its Effect on Oil Recovery, Calgary, 6-9 September.

7. Cooley, H., Lleick P. and Wolff G., 2006 ‘Desalination, with a Grain of salt: a California
perspective’ Technical Report, Pacific Institute for Studies in development, Environment, and
Security, Oakland, California, US (June 2006) p. 64.

8. Cossé René, 1988, Le gisement, Edition Technip, 27 rue Ginoux, 75737 PARIS cedex 15,
p209-212.

9. Dames & Moore, 1997, Plan de gestion de l’environnement, ESSO, pp. 65

10. Dang, T.Q.C., Nghiem, L.X., Chen, Z., Nguyen, T.B.N., 2013, ‘State-of-the Art Smart Low
Salinity Waterflooding for Enhanced Oil Recovery’, Paper SPE 165903 presented at the 2013
SPE Asia Pacific Oil & Gas Conference and Exhibition, Jakarta, Indonesia, 22-24 October.

11. Eckhardt G., 2014, The Edwards aquifer website. Géochimie du Lac Tchad, 07/2020
http://www.edwardsaquifer.net/desalination.html (accessed 3 February 2014).

12. Evje S., Hiorth A., 2011, ‘A model for interpretation of brine dependent spontaneous
imbibition experiments’ Advance in Water Resources, vol.34, pp1627-1642.

13. Harold C. Helgeson, Thomas A. Jones, 1970. ‘Calculation of mass transfer in geochemical
processes involving aqueous solutions’, volume 34, Issue 5, may 1970, p569-592.

i
14. Fjelde, I., Asen, S.V., Omekeh, A., 2012, ‘Low Salinity Water Flooding Experiments and
Interpretation by Simulations’, Paper SPE 154142 presented at the Eighteenth SPE Improved
Oil Recovery Symposium, Tulsa, OK, USA, April 14-18.

15. Gaines L. Jr and Henry C. Thomas, 1953, ‘The thermodynamics of ion exchange on clay
minerals’, A preliminary report on the system Montmorillonite-Cs-Sr, pp. 398-403.

16. Georges Mtheron, 1963, ‘Principles of geostatistics’, Economic geology, vol.58, no. 8, pp.
1246-1266

17. Géraud Magrin & Geert van Vliet, 2005, ‘Greffe pétrolière et dynamiques territoriales :

L’exemple de l'on-shore tchadien’, Afrique contemporaine, 2005/4 (n° 216), pp. 87-88.

18. Goovaerts, P., 1997, ‘Geostatistics for Natural Resources Evaluation’.

19. Goovaerts P., 1999, ‘Geostatistics in soil science: state-of-the-art and perspectives’,
Geoderma, vol. 89, pp. 1-45

20. Isaaks EH., Srivastava R.M., 1989, ‘An introduction to applied geostatistics’, Oxford
University Press Inc, Oxford.

21. Jadhunandan, P.P., Morrow, N.R., 1995, ‘Effect of Wettability on Waterflood Recovery for
Crude-Oil/Brine/Rock Systems’, SPE Reservoir Engineering, vol. 10, no. 1, pp. 40-46.

22. Jerauld, G.R., Lin, C.Y., Webb, K.J., Seccombe, J.C., 2008 ‘Modeling Low Salinity
Waterflooding’ SPE 166447 21 Reservoir Engineering, vol. 11, no. 6, pp. 1000-1012.

23. Journel., A., 1989, ‘Fundamentals of Geostatistics’, in Five Lessons. Short course presented
at the 28th International Geological Congress, Washington D.C.,American Geophysical Union.

24. Journel, A., 1983, ‘Nonparametric estimation of spatial distribution’. pp. 445-468.

25. Journel, A. & Alabert. F., 1988, ‘Focusing on spatial connectivity of extreme valued
attributes: stochastic indicator models of reservoir heterogeneities’, p. 621–632.

26. Journel, A. G., 1974, ‘Geostatistics for conditional simulation of orebodies’ Economic
Geology, pp. 673–687.

27. Journel, A. G. & Alabert, F., 1989, ‘Non-Gaussian data expansion in the earth sciences’.
pp. 123-134.

ii
28. Journel, A. & Hernandez, J. G., 1989, ‘Stochastic imaging of the Wilmington clastic
sequence’.

29. Journel, A. & Isaaks, E., 1984, ‘Conditional indicator simulation: Application to a

Saskatchewan uranium deposit’, pp. 685–718.

30. Journel, J. G.-H. a. A., 1993, ‘Joint sequential simulation of multigaussian fields’.

31. Kharaka, Y.K., Gunter, W.D., Aggarwal, P.K., Perkins, E.H., DeBraal, J.D., 1988, ‘A
Computer Program for Geochemical Modeling of Water-Rock Interactions, US Geological
Survey’, Water Resources Investigation Report 88-4227, Menlo Park, CA.

32. Krige D. G., 1951, ‘Spatial variability of shear wave velocity using geostatistical analysis
in Mashad city’, NE Iran. Open Journal of Geology, Vo. l4, No. 8, august 2014, p119-139.

33. Kumar, M., Fogden A., Morrow, N.R., Buckley, J.S., 2010, ‘Mechanisms of Improved Oil
Recovery from Sandstone by Low Salinity Flooding’. Halifax Paper SCA 2010-25.

34. Lager, A., Webb, K.J., Black, C.J.J., 2007, ‘Impact of Brine Chemistry on Oil Recovery’.
Paper A24 presented at the 14th EAGE Symposium on Improved Oil Recovery, Cairo, 22-24
April.

35. Lager, A., Webb, K.J., Black, C.J.J., Singleton, M., Sorbie, K.S 2006, ‘Low-Salinity Oil
Recovery – An Experimental Investigation’, Paper SCA 2006-36.

36. Lager, A., Webb, K.J., Black, C.J.J., Singleton, M., Sorbie, K.S 2006, ‘Low-Salinity Oil
Recovery – An Experimental Investigation’, Paper SCA 2006-36 presented at the International
Symposium of the Society of Core Analysts, Trondheim, Norway, 12-16 September.

37. Lager, A., Webb, K.J., Black, C.J.J., Singleton, M., Sorbie, K.S 2008a,

‘Low-Salinity Oil Recovery – An Experimental Investigation’ Petrophysics, vol. 49, no. 1, pp.
28-35.

38. Lager, A., Webb, K.J., Collins, I.R., Richmond, D.M 2008b, ‘LoSalTM Enhanced Oil
Recovery: Evidence of Enhanced Oil Recovery at the Reservoir Scale’, Paper SPE 113976
presented at the SPE/DOE Improved Oil Recovery Symposium, Tulsa, 19-23 April.

39. Leonard F Koederitz, 2010, ‘applied reservoir simulation’ USA, World Scientific.

iii
40. Loahardjo, N., Xie, X., Morrow, N.R. 2010, Oil Recovery by Sequential Waterflooding of
Mixed-Wet Sandstone and Limestone’, Energy & Fuels, vol. 24, no. 9, pp. 5073-5080.

41. Mathieu P Février 1976, ‘Evolution géologique récente du Tchad’.

42. McGuire, P.L., Chatam, J.R., Paskvan, F.K., Sommer, D.M., Carini, F.H 2005, ‘Low
Salinity Oil Recovery: An Exciting New EOR Opportunity for Alaska’s North Slope’, Paper
SPE 93903, USA, 30 March-1 April.

43. Morrow, N.R., Bukley, J.S 2011, ‘Improved Oil Recovery by Low Salinity Waterflooding’
JPT, Distinguished Author Series, pp. 106-112.

44. Morrow, N.R., Tang, G.Q., Valat, M., Xie, X 1998, ‘Prospects of Improved Oil Recovery
Related to Wettability and Brine Composition’, Journal of Petroleum and Engineering, vol. 20,
no. 3-4, pp. 267-276.

45. Nghiem, L.X., Sammon, P., Grabenstetter, J., Ohkuma, H 2004 ‘Modeling CO2 Storage in
Aquifers with Fully Coupled Geochemical EOS Compositional Simulator’ Paper SPE 89474
presented at the SPE Fourteenth Symposium on Improved Oil Recovery, Tulsa, OK, USA,
April 17-21.

46. Nghiem, L.X., Shrivastava, V., Kohse, B 2011, ‘Modeling Aqueous Phase Behavior and
Chemical Reactions in Compositional Simulation’, Paper SPE 141417 SPE Reservoir
Simulation Symposium, The Woodlands, TX, USA, February 21-23.

47. Njikam S 2019, ‘Modélisation géostatistique des réservoirs pétroliers : simulations

stochastiques de facies par la méthode des membership functions, Meiganga, Ecole de Géologie
et d’exploitation minière, p11.

48. Omekeh A., Friis H.A., Fjelde I., Evje S 2012, ‘Modeling of Ion-Exchange and Solubility
in Low Salinity Waterflooding’ Paper SPE 154144 presented at the Eighteenth SPE IOR
Symposium, Tulsa, OK, 14-18 April.

49. Rivet, S.M. 2009, ‘Coreflooding Oil Displacements with Low Salinity Brine’. Master
Thesis, University of Texas at Austin.

50. RezaeiDoust, A., Puntervold, T., Strand, S., Austad, T 2009, ‘Smart Water as Wettability
Modifier in Carbonate and Sandstone: A Discussion of Similarities/Differences in the Chemical
Mechanisms’, Energy & Fuels, vol. 23, no. 9, pp. 4479- 4485.

iv
51. Ripley B. D 2002, ‘Spatial statistics’ Jhon Wiley Sons, New York

52. Rueslatten, H.G., Hjelmeland, O., Selle, O.M 1994, ‘Wettability of Reservoir Rocks and
The Influence of Organometallic compounds’, North Sea Oil and Gas Reservoir. Vol. 3, pp.
317-324.

53. Seccombe, J., Lager, A., Jerauld, G.R., Jhavier, B., Buikema, T., Bassler, S., Denis, J., 54.
Webb, K., Cockin, A., Fueg, E 2010, ‘Demonstration of Low Salinity EOR at Interwell Scale,
Endicott Field, Alaska’ Paper SPE 129692 presented at SPE/DOE Improved Oil Recovery
Symposium, Tulsa, 24-28 April.

54. Skrettingland, K., Holt, T., Tweheyo, M.T., Skjevrak. 2010, ‘Snorre Low Salinity Water
Injection – Core Flooding Experiments and Single Well Field Pilot’, Paper SPE 129877
presented at the SPE Improved Oil Recovery Symposium, Tulsa, OK, USA, 24-28 April.

55. Tang, G.Q., Morrow, N.R 1997, ‘Salinity, Temperature, Oil Composition and Oil Recovery
by Waterflooding’ SPE Reservoir Engineering, vol. 12, no. 4, pp. 269-276.

55. Tang, G.Q., Morrow, N.R 1999a, ‘Influence of Brine Composition and Fines Migration on
Crude Oil/Brine/Rock Interactions and Oil Recovery’, Journal of Petroleum Science and
Engineering SPE 166447, vol. 24no. 2-4, pp. 99-111.

56. Tang G.Q., Morrow N.R 1999b, ‘Oil Recovery by Waterflooding and Imbibition – Invading
Brine Cation Valency and Salinity’. Paper SCA-9911 presented at the 1999 International
Symposium of the Society of Core Analysis, Golden, Colorado, USA, 1-4 August.

57. Thyne, G., Gamage, P 2011, ‘Evaluation of the Effect of Low Salinity Waterflooding for
26 Fields in Wyoming’. Paper SPE 147410 presented at the SPE Annual Technical Conference
and Exhibition, Denver, Colorado, USA, 30 October-2 November.

58. Vledder, P., Foncesca, J.C., Wells, T., Gonzalez, I., Ligthelm, D 2010, ‘Low Salinity
Waterflooding: Proof of Wettability Alteration on a Field Wide Scale’. Paper SPE 129564
presented at the SPE Improved Oil Recovery Symposium, Tulsa, OK, USA, 24-28 April.

59. Webb, K.J., Black, C.J.J., Al-Ajeel 2004, ‘Low Salinity Oil Recovery – Log-Inject-Log’.
Paper SPE 89379 presented at the SPE/DOE Symposium on Improved Oil Recovery, Tulsa,
17-21April.

v
60. Webb, K.J., Black, C.J.J., Edmonds, I.J 2005, ‘Low Salinity Oil Recovery: The Role of
Reservoir Condition Corefloods’. Paper C18 presented at the 13th EAGE Symposium on
Improved Oil Recovery, Budapest, Hungary, 25-27 April.

61. Webb, K.J., Lager, A., Black, C.J.J 2008, ‘Comparison of High/Low Salinity Water/Oil
Relative Permeability. Presented at the International Symposium of the Society of Core
Analysts, Abu Dhabi, UAE, 29 October – 2 November.

62. Yildiz, H.O., Morrow, N.R 1996, ‘Effect of Brine Composition on Recovery of Moutray
Crude Oil by Waterflooding. Journal of Petroleum Science and Engineering, 14:159-168.

63. Zhang, Y., Xie, X., Morrow, N.R 2007, ‘Waterflood Performance by Injection of Brine with
Different Salinity for Reservoir Cores’. Paper SPE 109849 presented at the SPE Annual
Technical Conference and Exhibition, Anaheim, CA, USA, 11-14 November.

vi