Deep learning for carbonate rocks petrography

L'objectif de ce projet est d'étudier la capacité de l'apprentissage profond à améliorer l'identification des facteurs pouvant impacter le comportement dynamique des réservoirs carbonatés. Ceci par l’intégration d’un ensemble complet de données d’images acquises au fil des décennies sur des réservoirs carbonatés d'hydrocarbures et analogues d’affleurements identifiés. Les réseaux de neurones convolutifs constituent des premiers candidats naturels pour analyser les milliers de lames minces disponibles. Cette thèse a développé une suite de méthodes complémentaires pour leur description quantitative et automatisée. Une stratégie de subdivision optimale des images haute résolution a pu être établie pour une caractérisation multi-échelle de ce type de données permettant de se rapprocher des méthodes traditionnellement utilisées en analyse microscopique. L'approche combine l’apprentissage de représentation par un autoencoder variationnel invariant aux rotations, clustering automatique, permettant une accélération double du temps de labellisation tout en formant des groupes géologiquement cohérents basés majoritairement sur les classifications de R. Dunham pour les calcaires, R. Folk pour les dolomites et l’incorporation de minéraux secondaires tels que les faciès à anhydrites. Le modèle peut ensuite être raffiné sur ces tâches de classification subsidiaires permettant une description sémantique des échantillons étudiés (>88 % mAP). Pour pallier l'hétérogénéité des descriptions existantes en pétrographie et le manque de quantification précise sur des données réelles, deux méthodes ont été développées : SynSection génère procéduralement des données d'entraînement en simulant les processus de dépôt (+20% mAP) dans les calcaires à grains, tandis que SynSection2 unifie transformation synthétique-réaliste et segmentation (+5% mAP supplémentaire). Ces approches permettent conjointement la segmentation automatique des éléments (bioclastes, intraclastes, ooïdes et péloïdes) et l'obtention d'une base de données quantifiée homogène. La segmentation sémantique profonde appliquée aux calcaires granulaires rend accessible la quantification des proportions relatives et l'analyse des distributions granulométriques. Les métriques développées atteignent des coefficients de détermination R² de 0,78 pour la taille moyenne des grains et 0,72 pour le tri. Cette méthodologie d'ensemble permet une description standardisée et reproductible suivant les nomenclatures établies en pétrographie et pouvant se superposer à l'analyse du réseau poreux. La quantification automatisée des types de pores révèle des hétérogénéités facilitant l'analyse comparative entre les échantillons. Cette approche constitue un outil puissant pour l'analyse pétrographique quantitative, pouvant intégrer des raffinements locaux afin d’exploiter le plein potentiel de l’apprentissage profond dans la caractérisation des systèmes carbonatés et la compréhension des réponses pétrophysiques associées.