Soutenance de thèse de Mathieu CHAMBEFORT

Contrôle qualité et étude du traitement sismique par apprentissage statistique : développement d'un outil industriel autonome

Le 10 December 2021

Résumé de la thèse en français

Le traitement de données sismiques permet de convertir des enregistrements bruts effectués sur le terrain prospecté en images des structures géologiques et retrouver certaines propriétés physiques du sous-sol. Les études sismiques actuelles peuvent s'étendre sur plusieurs mois et générer plusieurs téraoctets d'information par jour. La taille considérable de ces jeux de données rend leur analyse et leur traitement de plus en plus complexes et coûteux. En particulier, la quantité d'images produites est telle qu'une vérification visuelle systématique de la cohérence des résultats par le géophysicien (phase dite de contrôle qualité) est impossible. Traiter et réaliser le contrôle qualité des données nécessitent une grande expertise en sismique. Les travaux présentés dans cette thèse portent sur l'utilisation des méthodes issues de l'apprentissage statistique pour réaliser le traitement des données et fournir une aide à la prise de décision aux géophysiciens pour contrôle qualité des données. Différents états de l'art sur les méthodes disponibles pour réaliser ces traitements et le contrôle qualité des données sismiques sont réalisés. Les approches proposées se fondent dans un premier temps sur celles utilisées par les géophysiciens, couplées avec de l'apprentissage statistique. Par la suite, de nouvelles approches utilisant des méthodes d'apprentissage profond sont proposées pour le traitement et le contrôle qualité, dans un contexte où peu de données étiquetées pour la réalisation d'apprentissage supervisé est disponible. Aussi une méthode basée sur l'apprentissage semi-supervisé est proposée pour le contrôle qualité des données. Pour tirer au mieux parti de l'étiquetage des géophysiciens, une approche originale d'apprentissage actif a également été développée.

Résumé de la thèse en anglais

Seismic data processing has the goal of converting raw field records into images of geological structures below the ground. It may also allow us to recover some physical properties of the sub-surface with the aim of assessing the presence of fluids (hydrocarbon, gaz, water). Modern seismic surveys can take months to acquire, resulting in several terabytes of seismic data and millions of temporal series per day. The huge size of those datasets makes their analysis and processing increasingly complex, long and expensive, an imaging project needing to mobilize thousands of machines over several months. Considering this amount of data, it is impossible for geophysicists to systematically verify the coherency of the results obtained at each processing task for the whole dataset. A geophysicist needs a lot of expertise to process and quality control the seismic data, and this task is extremely time consuming. The automatization of either the processing or the quality control is therefore an important challenge for the oil industry. The different works of this thesis deal with the use of machine learning methods as a tool to aid in this processing and proposes techniques for quality control of the data. An overview of the current state of the art of processing methods and quality control is outlined. A number of approaches are highlighted: firstly, those which are based on our observations of how geophysicists usually build their quality control workflow combined with machine learning approaches. These methods are relying on supervised learning and therefore require access to the processed data as well as their labels indicating the quality of the processing. To obtain such data, a software allowing the gathering of data at various steps of the processing sequence was developed, also allowing the on-the-fly labelling of data by the geophysicists. New approaches are proposed for the processing and quality control which are based on supervised deep learning in the context of a small amount of labeled data. An alternative method is given, based on semi-supervised learning for the model part and on active learning which takes advantage of labels assigned by the geophysicist.

Titre anglais : Quality control and study of seismic processing by machine learning: development of an autonomous industrial tool
Date de soutenance : vendredi 10 décembre 2021 à 14h00
Adresse de soutenance : 19 place marguerite perey, 91120 Palaiseau – Amphi 4
Directeur de thèse : Hans WACKERNAGEL
Co-encadrant : Stephan CLEMENCON
Co-encadrant : Emilie CHAUTRU

Soutenance de thèse de Julien COTTON

Analyse et traitement de données sismiques 4D en continu et en temps réel pour la surveillance du sous-sol

Le 19 June 2019

Résumé de la thèse en français

La sismique réflexion 3D est largement utilisée dans l'industrie pétrolière. Cette méthode d'auscultation du sous-sol fournit des informations sur les structures géologiques et peut être utilisée pour construire des modèles de réservoir. Cependant, les propriétés dérivées des données sismiques 3D (et 2D) ne sont que statiques: elles ne permettent pas d'évaluer ce qui change avec le temps. L'ajout d'une dimension temporelle aux données 3D est obtenue par la répétition des mesures à plusieurs dates séparées de plusieurs mois voire même de plusieurs années. Ainsi, la sismique 4D (time-lapse) permet d'appréhender les modifications du sous-sol sur le long terme. Depuis les années 90, cette méthode est utilisée dans le monde entier en mer et à terre. Pour réaliser une surveillance beaucoup plus fréquente (quotidienne), voire continue (quelques heures) du sous-sol, CGG a développé, en collaboration avec Gaz de France (désormais ENGIE) et l'Institut Français du Pétrole (maintenant IFPEN), une solution basée sur des sources et des récepteurs enterrés: SeisMovie. SeisMovie a été initialement conçu pour suivre et cartographier en temps-réel le front de gaz lors des opérations de stockage en couche géologique. Il est aussi utilisé pour observer l'injection de vapeur nécessaire à la production d'huile lourde. Dans cette thèse, nous apportons des contributions à trois défis qui apparaissent lors du traitement des données sismiques issues de ce système. Le premier concerne l'atténuation des variations de proche surface causées par les ondes « fantômes » qui interfèrent avec les ondes primaires. Le second concerne la quantification des modifications du sous-sol en termes de variation de vitesse de propagation et d'impédance acoustique. Le troisième concerne le temps-réel : le traitement doit être au moins aussi rapide que le cycle d'acquisition (quelques heures). En effet l'analyse des données doit permettre aux ingénieurs réservoirs de prendre rapidement des décisions (arrêt de l'injection, diminution de la production). Dans un cadre plus général, il existe des similitudes conceptuelles entre la 3D et la 4D. En 4D, ce sont les acquisitions répétées qui sont comparées entre elles (ou avec une référence). En 3D, pendant l'acquisition, les géophysiciens de terrain comparent les points de tir unitaires entre eux afin d'évaluer la qualité des données pour prendre des décisions (reprendre le point de tir, continuer). Dès lors, certains outils 4D temps-réel développés pendant cette thèse peuvent être appliqués. Ainsi une toute nouvelle approche appelée TeraMig pour le contrôle qualité automatisé sur le terrain sera également présentée.

Résumé de la thèse en anglais

3D seismic reflection is widely used in the oil industry. This standard subsoil auscultation method provides information on geological structures and can be used to build reservoir models. However, the properties derived from 3D (and 2D) seismic data are only static: 3D does not allow to evaluate the changes with calendar time. The addition of a temporal dimension to 3D data is obtained by repeating the measurements at several dates separated by several months or even several years. Thus, 4D seismic (time-lapse) makes it possible to measure and to analyze the changes of the subsoil in the long term. Since the 90s, this method is used worldwide at sea and on land. To carry out a much more frequent monitoring (daily), even continuous (a few hours) of the subsoil, CGG developed, in collaboration with Gaz de France (now ENGIE) and Institut Français du Pétrole (now IFPEN), a solution based on buried sources and receptors: SeisMovie. SeisMovie was originally designed to monitor and map the gas front in real time during geological disposal operations. It is also used to observe the steam injection required for heavy oil production. In this thesis, we bring contributions to three challenges arising in the processing of seismic data from this system. The first one concerns the attenuation of near-surface variations caused by "ghost" waves that interfere with primary waves. The second one concerns the quantification of subsurface changes in terms of propagation velocity variation and acoustic impedance. The third one concerns real-time: the data processing must be at least as fast as the acquisition cycle (a few hours). In fact, the analysis of the data must enable the reservoir engineers to make quick decisions (stop of the injection, decrease of the production). In a more general context, there are conceptual similarities between 3D and 4D. In 4D, the repeated acquisitions are compared with each other (or with a reference). In 3D, during acquisition, field geophysicists compare unitary shot points with each other to assess the quality of the data for decision-making (reshooting, skipping or continuing). Therefore, some 4D real-time tools developed during this thesis can be applied. A new approach called TeraMig for automated quality control in the field will also be presented.

Titre anglais : 4D seismic data analysis and processing for underground monitoring: time-lapse, continuous-time and real-time
Date de soutenance : mercredi 19 juin 2019 à 14h00
Adresse de soutenance : 60 Boulevard Saint-Michel, 75006 Paris – A VENIR
Directeur de thèse : Hervé CHAURIS