Modélisation des propriétés du réservoir AEB-3E dans le champ de Berenice (Égypte) pilotée par apprentissage automatique

Pourquoi cette histoire du sous-sol compte

Le pétrole et le gaz peuvent sembler appartenir au passé, pourtant le monde en dépend encore largement. La façon dont nous découvrons et gérons ces ressources souterraines influence non seulement la sécurité énergétique, mais aussi le volume de nouveaux forages réellement nécessaires. Cette étude porte sur un gisement en Égypte et pose une question simple avec une touche high-tech : l’apprentissage automatique moderne peut-il nous aider à construire une image plus claire des couches rocheuses cachées à partir de données très limitées, afin que les entreprises prennent des décisions plus intelligentes et moins gaspillantes ?

Le paysage caché sous le désert

Bien au‑dessous du désert occidental égyptien, le champ de Berenice contient un empilement de couches sédimentaires formées dans d’anciens cours d’eau et des mers peu profondes. La couche d’intérêt, nommée AEB-3E, est constituée de grès et d’argilites disposés en un motif complexe, coupés et décalés par des failles. Ces discontinuités peuvent compartimenter les fluides, de sorte qu’un puits peut sembler prometteur alors qu’un puits voisin ne l’est pas. Cette hétérogénéité rend difficile la prédiction de la quantité de pétrole ou d’eau présente entre les quelques puits existants et la facilité avec laquelle les fluides peuvent circuler dans la roche.

Indices provenant des puits et des échos sismiques

Les chercheurs ont commencé avec seulement quatre puits, chacun enregistrant la variation des propriétés rocheuses en profondeur : radioactivité, densité, vitesse acoustique, conductivité électrique et contenu en hydrogène. À partir de ces mesures, ils ont calculé trois caractéristiques clés qui contrôlent l’intérêt d’une roche comme réservoir : la teneur en matériaux argileux, la porosité disponible pour stocker des fluides et le volume de cet espace occupé par l’eau plutôt que par des hydrocarbures. Ils ont ensuite recoupé ces profils de puits avec une grille tridimensionnelle et les ont combinés à des données sismiques 3D, qui fonctionnent comme des examens médicaux du sous‑sol, révélant la structure et les variations subtiles entre les puits.

Laisser un ensemble de modèles apprendre les motifs

Plutôt que de s’en remettre uniquement à des méthodes statistiques traditionnelles, qui supposent des variations spatiales relativement lisses et prévisibles, l’équipe a utilisé un flux de travail appelé EMBER. Il entraîne simultanément de nombreux modèles en arbres de décision, leur permettant d’apprendre comment les combinaisons de signatures sismiques et de mesures de puits se rapportent à la qualité de la roche sur des emplacements connus. Parallèlement, il emprunte des concepts à la géostatistique pour maintenir un résultat géologiquement cohérent, en conservant la continuité le long des couches et à travers le champ. Pour chaque petit cube de la grille 3D, la méthode ne fournit pas seulement une réponse unique mais un intervalle complet de valeurs possibles, décrivant à la fois la meilleure estimation et l’incertitude associée.

Ce que disent les modèles sur ce réservoir

Les cartes obtenues décrivent la couche AEB-3E comme majoritairement gréseuse propre, avec une teneur en argile relativement faible et une porosité de médiocre à bonne pour le stockage de fluides. Les zones à faible argile tendent à coïncider avec une capacité de stockage plus élevée et une moindre teneur en eau, soulignant des secteurs plus attractifs pour la production. Les coupes transversales du modèle montrent que ces zones favorables sont latéralement continues par endroits mais aussi influencées par des failles et des variations subtiles des anciens environnements fluviaux et littoraux. Les simulations indiquent par ailleurs que l’incertitude est généralement faible à modérée, mais qu’elle augmente près des failles et dans les régions éloignées de tout puits, où le modèle doit s’appuyer davantage sur les motifs sismiques seuls.

Bénéfices, limites et implications pratiques

L’étude suggère que la combinaison de l’apprentissage automatique avec les données sismiques et de puits peut accélérer la modélisation des réservoirs et réduire les tâtonnements manuels, même lorsque seuls quelques puits sont disponibles. Dans le champ de Berenice, l’approche identifie une zone au sud‑ouest particulièrement prometteuse mais encore non forée, offrant une cible focalisée pour des travaux futurs. Les auteurs soulignent toutefois que leurs conclusions restent préliminaires : avec seulement quatre puits, toute prédiction loin de ces points de données doit être traitée avec prudence et vérifiée par de nouveaux puits ou des données de production. Pour le lecteur, la conclusion est que des outils numériques plus intelligents peuvent aider les compagnies énergétiques à exploiter pleinement les données existantes, à cibler plus précisément les nouveaux forages justifiés et à mieux comprendre les incertitudes qui subsistent sous nos pieds.

Citation: Eid, A.M., Mabrouk, W.M., Amer, M. et al. Machine learning driven reservoir property modeling of the AEB-3E reservoir in the Berenice field Egypt. Sci Rep 16, 16131 (2026). https://doi.org/10.1038/s41598-026-53328-3

Mots-clés: modélisation de réservoir, apprentissage automatique, données sismiques, Désert occidental Égypte, propriétés pétrophysiques