Évaluation complète des propriétés porteuses de gaz dans des réservoirs de socle ultra-profonds basée sur une machine à vecteurs de support optimisable

À la recherche du gaz dans les roches les plus profondes

Bien sous la surface de la Terre, dans des roches autrefois jugées trop anciennes et compactes pour être intéressantes, les géologues découvrent de nouveaux gisements de gaz naturel. Ces roches de « socle » ultra-profondes se trouvent à plus de six kilomètres de profondeur, où la chaleur, la pression et la complexité des lithologies rendent difficile la localisation du gaz. Cette étude examine comment un type d’apprentissage automatique peut trier des mesures confuses issues de ces profondeurs pour identifier quelles couches rocheuses contiennent réellement du gaz, aidant ainsi les entreprises à forer moins de puits secs et à gérer ces réservoirs difficiles de manière plus sûre.

Une nouvelle cible de gaz en grande profondeur

La recherche se concentre sur le Bloc K2 dans le bassin de Qaidam en Chine, qui abrite le premier réservoir de gaz de socle ultra-profond au monde avec une profondeur d’enfouissement supérieure à 6 500 mètres. Ici, le gaz n’est pas stocké dans les grès familiers mais dans d’anciens socles fracturés tels que le gneiss et la diorite. Ces roches sont parcourues de réseaux de fissures naturelles et de zones altérées qui peuvent stocker et transmettre le gaz. Le gaz, issu de roches mères jurassiques plus jeunes, a migré vers le bas le long de failles jusqu’à ces zones fracturées du socle, s’accumulant dans des pièges où le gaz surmonte une eau de formation salée. Parce que les roches sont si variées, les mesures prises en forage réagissent davantage aux changements de type lithologique qu’à la présence de pores remplis de gaz ou d’eau.

Pourquoi les outils traditionnels montrent leurs limites

Dans de nombreux réservoirs moins profonds, les ingénieurs s’appuient sur une comparaison simple de deux courbes de porosité issues des diagraphies neutron et densité pour repérer le gaz : les courbes se croisent d’une manière caractéristique en présence de gaz. Dans le socle du Bloc K2, cette règle empirique ne fonctionne pas. Certaines roches acides ont naturellement une faible densité et une faible teneur en hydrogène, imitant la « signature gaz » même en l’absence de gaz. D’autres roches altérées par la chaleur et les fluides présentent une forte teneur en hydrogène et un comportement densité différent, brouillant encore l’interprétation. En conséquence, les courbes familières se chevauchent ou se décalent d’une manière qui ne suit pas de façon fiable le type de fluide, rendant quasiment impossible le tracé visuel de limites nettes entre couches riches en gaz et couches sèches.

Apprendre à une machine à lire les roches

Pour surmonter ce problème, l’équipe utilise une machine à vecteurs de support optimisable, une méthode d’apprentissage automatique bien connue adaptée aux jeux de données petits mais complexes. Plutôt que de se fier à un seul motif, le modèle prend en entrée plusieurs mesures de diagraphie simultanément, incluant la radioactivité gamma naturelle, le temps de propagation acoustique, la densité des roches, la réponse neutronique, la résistivité électrique profonde et superficielle, et les relevés d’hydrocarbures totaux issus du logging gazier. Chaque point de profondeur dans les puits est étiqueté comme couche fortement gazeuse, couche faiblement porteuse de gaz ou couche sèche à partir des résultats réels de tests de production. L’algorithme cherche ensuite la meilleure manière de séparer ces trois groupes dans un espace de haute dimension, en ajustant automatiquement des paramètres clés pour équilibrer précision et robustesse.

Performance de l’approche sur des puits réels

Après entraînement sur des centaines d’échantillons de profondeur, le modèle classe correctement plus de 97 % des données d’entraînement et environ 95 % des données de test indépendantes, avec des scores de performance indiquant une séparation très marquée entre les catégories. Appliquées à des puits existants situés à différentes positions structurales, les prédictions de la machine correspondent étroitement au comportement réel de production : les puits situés en haut de la structure, où le modèle identifie des couches épaisses de gaz, présentent des débits de gaz élevés et stables avec peu d’eau ; les puits plus bas, avec des zones gazeuses prédites plus fines et moins de « hauteur » au-dessus du contact gaz–eau, souffrent de débits gas moins élevés et d’une arrivée d’eau plus précoce. Dans un nouveau puits non inclus dans l’entraînement du modèle, l’outil a guidé le choix de l’intervalle de perforation dans la partie supérieure et moyenne du socle. Cet intervalle a produit plus de 200 000 mètres cubes de gaz par jour sans eau, confirmant la valeur pratique des prédictions.

Une feuille de route pour un forage profond plus intelligent

À partir de ces résultats, les auteurs proposent un flux de travail en étapes : sélectionner et nettoyer soigneusement les données ; définir des catégories cohérentes de couches gazeuses, porteuses de gaz et sèches liées à la productivité réelle ; entraîner et optimiser le modèle d’apprentissage automatique ; comparer les couches gazeuses prédites entre les puits ; puis vérifier et mettre à jour le modèle avec les données de production en continu. Pour les opérateurs, le message est simple. Dans des roches de socle ultra-profondes difficiles où les anciennes règles échouent, un modèle d’apprentissage automatique bien entraîné qui combine plusieurs signaux de diagraphie peut fournir une image plus claire de l’emplacement réel du gaz et des intervalles les plus sûrs à ouvrir, soutenant un développement plus efficace et mieux informé de ces ressources difficiles.

Citation: Huang, X., Tang, J., Zhao, J. et al. Comprehensive evaluation of gas-bearing properties in ultra-deep basement reservoirs based on an optimizable support vector machine. Sci Rep 16, 15492 (2026). https://doi.org/10.1038/s41598-026-53786-9

Mots-clés: réservoir de gaz ultra-profond, roches de socle, analyse de diagraphie, machine à vecteurs de support, prédiction porteuse de gaz