Classification lithologique 3D probabiliste à partir de volumes de propriétés élastiques : un flux de travail d'inversion avancé au champ gazier de Desouq, delta du Nil occidental, Égypte

Trouver le gaz caché sous le delta du Nil

Localiser de nouveaux réservoirs gaziers devient plus difficile à mesure que les cibles les plus accessibles sont déjà exploitées. Dans le delta onshore du Nil en Égypte, les couches de roche sont complexes et les images sismiques traditionnelles peuvent facilement tromper, poussant les compagnies à forer des puits coûteux et secs ou à faible rendement. Cette étude présente une nouvelle manière de « voir » le sous‑sol : elle combine un traitement sismique avancé, une analyse des propriétés des roches et un apprentissage machine probabiliste pour construire une image 3D des roches susceptibles de contenir du gaz et de celles qui sont compactes ou saturées en eau, aidant ainsi à réduire le risque d'exploration et le forage inutile.

Un casse‑tête géologique difficile

Le champ gazier de Desouq se situe dans une zone géologiquement complexe du delta du Nil occidental, où failles, chenaux et variations du niveau marin ont empilé sables, schistes et évaporites selon des architectures emmêlées. Le gaz est principalement piégé dans des chenaux sableux de la Formation Abu Madi, mais un problème particulier est l'anhydrite, une roche très dense et peu perméable. De fines couches d'anhydrite peuvent produire des réflexions sismiques fortes qui ressemblent beaucoup à celles des sables porteurs de gaz. Les approches antérieures s'appuyaient surtout sur des produits sismiques plus simples et des cartes d'amplitude, qui ne pouvaient pas distinguer de manière fiable ces signaux semblables, laissant les compagnies incertaines quant à savoir si une tache sismique brillante indiquait une cible gazière prometteuse ou simplement un banc compact non productif.

Transformer les échos sismiques en types de roche

Pour relever ce défi, les auteurs ont conçu un flux de travail en deux étapes. D'abord, ils ont utilisé l'inversion sismique pré‑stack, qui analyse comment les réflexions sismiques varient avec l'angle pour estimer des propriétés souterraines clés telles que l'impédance P, l'impédance S et le rapport des vitesses d'ondes compressives et de cisaillement. Ces propriétés ont été calibrées avec les mesures de cinq puits, où des diagraphies détaillées montrent comment la gamma, la densité, les vitesses soniques et d'autres indicateurs varient dans la colonne de roche. Des contrôles qualité rigoureux ont garanti que les volumes de propriétés inversées correspondaient aux données de puits et suivaient la stratigraphie connue, créant un modèle initial fiable du sous‑sol.

Apprendre à l'ordinateur à reconnaître les roches

La seconde étape a transformé ces propriétés calibrées en un modèle statistique de types lithologiques. Aux emplacements des puits, l'équipe a réalisé une analyse pétrophysique pour identifier quelles profondeurs contenaient du sable porteur de gaz, du sable humide, du schiste ou de l'anhydrite compacte. Ils ont ensuite utilisé des diagrammes de physique des roches pour observer comment ces types se regroupent en termes d'impédance et de rapports de vitesse. À partir de ces regroupements, ils ont construit des fonctions de densité de probabilité — essentiellement des empreintes indiquant la probabilité qu'une combinaison donnée de propriétés appartienne à chaque type de roche. Un classifieur d'apprentissage automatique entraîné sur ces données labellisées de puits a été appliqué à l'ensemble du volume sismique 3D, produisant des « cubes de probabilité » qui, pour chaque point souterrain, estiment les chances d'être du sable gazier, du sable humide, du schiste ou de l'anhydrite.

Ce que révèle la nouvelle vue 3D

Les cartes probabilistes obtenues montrent des chenaux compartimentés de sable chargé en gaz serpentant dans la Formation Abu Madi. Elles affinent surtout les interprétations antérieures en séparant les véritables signatures de gaz des taches brillantes trompeuses causées par de fines couches d'anhydrite. Les statistiques de matrices de confusion indiquent que le modèle identifie les sables gaziers avec une grande précision, tandis que la mauvaise classification de l'anhydrite est très faible. Lorsque les cubes de probabilité sont comparés aux coupes sismiques et aux diagraphies de puits, les zones à forte probabilité de sable gazier correspondent à des intervalles de faible saturation en eau, offrant aux opérateurs plus de confiance quant aux emplacements réels du gaz. L'analyse met également au jour huit zones additionnelles porteuses de gaz dans la partie sud‑ouest du champ qui avaient auparavant été écartées ou restées incertaines.

Pourquoi cela compte pour l'exploration future

Concrètement, cette étude fait passer les « yeux » souterrains de l'industrie d'une image floue en noir et blanc à une carte 3D en couleurs des types de roches et de fluides probables. En combinant inversion sismique avancée, physique des roches et classification probabiliste, le flux de travail réduit les fausses pistes causées par des roches compactes trompeuses et décrit mieux où les sables riches en gaz sont connectés ou compartimentés. Bien que subsistent des incertitudes — notamment là où les sables gaziers et les sables saturés d'eau se ressemblent ou où les couches sont plus fines que la résolution sismique — cette méthode intégrée offre un guide plus fiable pour choisir les sites de forage et planifier le développement du champ, dans le delta du Nil comme dans d'autres bassins complexes à travers le monde.

Citation: El Hateel, M.S., El Sayed, A.A., El-Werr, AK. et al. Probabilistic 3D lithology classification from elastic property volumes an advanced inversion workflow at Desouq Gas Field, West Nile Delta, Egypt. Sci Rep 16, 10950 (2026). https://doi.org/10.1038/s41598-026-42888-z

Mots-clés: gaz du delta du Nil, inversion sismique, classification lithologique, modélisation probabiliste des réservoirs, physique des roches