Intégration de connaissances a priori dans les réseaux de neurones convolutionnels (CNNs)

Dans l’industrie pétrolière et gazière, relever les défis liés à l’augmentation de la production, des taux de récupération et de la durée de vie des champs pétrolifères nécessite des solutions technologiques avancées. Les outils d’imagerie haute résolution basés sur les contrastes de propriétés physiques jouent un rôle clé dans la caractérisation des formations géologiques et la stabilité des forages. Ces outils permettent de détecter des structures essentielles telles que les couches sédimentaires, les failles et les fractures. Cependant, les méthodes traditionnelles d’interprétation, bien que performantes, sont complexes et chronophages, ce qui souligne le besoin d’approches plus modernes et efficaces. Cette thèse explore l’intégration de l’apprentissage automatique dans l’analyse des images de forage, en proposant un cadre innovant de détection d’objets basé sur des données enrichies par la génération de données synthétiques. Le transfert de style neuronal est utilisé pour imiter les textures réelles des images, améliorant ainsi l’entraînement des modèles. L’approche transforme la détection des dips en un problème de régression, augmentant la précision et l’efficacité, en particulier pour les dips sinusoïdaux et fermés. Tout d’abord, des réseaux adverses génératifs (GAN) sont employés pour enrichir les ensembles de données en peignant les textures des images issues d’outils basés sur des coussinets. Cette méthode pallie les lacunes des ensembles de données existants. Ensuite, l’apprentissage semi-supervisé est exploré à travers l’apprentissage contrastif. Cette technique permet aux réseaux neuronaux de développer des représentations robustes à partir de données non étiquetées, qui sont ensuite affinées avec des données étiquetées, optimisant ainsi l’efficacité de l’entraînement. En parallèle, l’intégration de connaissances exogènes dans les réseaux neuronaux convolutionnels (CNN) est étudiée. Des données supplémentaires, telles que des mesures ultrasoniques ou thermiques, améliorent la segmentation des évasements en enrichissant le modèle avec des informations variées. Cela renforce la précision et la robustesse des détections. Une autre méthode intègre des connaissances préalables directement dans la fonction de coût des CNN. Un terme de pondération, basé sur la taille des objets détectés, améliore les performances du modèle, en particulier pour les objets de différentes tailles. Les textures riches des grands objets aident à détecter efficacement des éléments de toutes dimensions, augmentant les taux de précision moyenne (mAP) et de rappel.Enfin, le cadre de détection d’objets est repensé pour le picking des dips. Grâce à une paramétrisation adaptée, les paramètres des dips sont directement régressés par le modèle. La génération de données synthétiques via le transfert de style neuronal permet d’entraîner des modèles capables de généraliser efficacement des données synthétiques aux données réelles. Cette approche améliore la détection des dips complexes, démontrant l’efficacité des modifications apportées au cadre et à la paramétrisation.