Ahmed BEN SAAD
Intégration de connaissances a priori dans les réseaux de neurones convolutionnels (CNNs)
Résumé
Dans l'industrie pétrolière et gazière, l'augmentation de la production, des taux de récupération et de la durée de vie des champs pétrolifères constitue un défi technologique majeur. Les outils qui fournissent des images haute résolution de la paroi du forage basées sur les contrastes de propriétés physiques, sont essentiels pour caractériser les formations géologiques et assurer la stabilité du forage. Ces outils aident à détecter les couches sédimentaires, les failles et les fractures, qui sont critiques pour comprendre les caractéristiques géologiques du sous-sol. Malgré la disponibilité de divers outils d'imagerie, les méthodes d'interprétation traditionnelles nécessitent une expertise significative et sont chronophages, ce qui exige des avancées pour répondre aux besoins modernes en matière d'efficacité et de précision.
Cette thèse vise à intégrer les connaissances du domaine dans les méthodes d'apprentissage automatique pour améliorer l'analyse des images de forage. Nous proposons un nouveau cadre de détection d'objets basé sur les données, qui exploite la génération de données synthétiques grâce au transfert de style neuronal pour imiter les textures réelles des images de forage. Ces données synthétiques, combinées aux données réelles, améliorent l'entraînement du modèle, permettant la détection et la paramétrisation des dips comme un problème de régression plutôt que comme une tâche de segmentation. Cette approche améliore significativement la précision de la détection et l'efficacité computationnelle, notamment pour les dips sinusoïdaux et fermés.
Tout d'abord, nous explorons un moyen d'étendre les ensembles de données disponibles en peignant les images obtenues à partir d'outils basés sur des coussinets à l'aide de réseaux adverses génératifs (GAN), en améliorant les techniques de peinture de texture pour utiliser des ensembles de données incomplets.
Ensuite, nous explorons l'apprentissage semi-supervisé par le biais de l'apprentissage contrastif, permettant aux réseaux neuronaux d'apprendre des représentations d'images robustes à partir de grands ensembles de données non étiquetées, ensuite affinées avec de plus petits ensembles de données étiquetées.
Après cela, nous nous concentrons sur l'alimentation des réseaux neuronaux convolutionnels (CNN) avec des connaissances préalables sous forme de données exogènes pour la segmentation des évasements comme un premier type de connaissance préalable. En incorporant des sources de données supplémentaires, telles que les mesures ultrasoniques ou thermiques, la performance du modèle est améliorée, tirant parti des informations diverses pour améliorer la précision et la robustesse de la détection.
Puis, nous explorons une seconde manière d'intégrer des connaissances préalables dans les CNN en modifiant la fonction de perte pour la détection d'objets. Un terme de pondération basé sur la taille de la zone de l'objet est intégré dans la fonction de perte, ce qui aide le détecteur d'objets à apprendre des caractéristiques pour détecter des objets de toutes tailles. Cette approche utilise les détails riches et les textures des grands objets pour améliorer les performances de détection pour toutes les tailles d'objets, ce qui entraîne des améliorations significatives des taux de précision moyenne (mAP) et de rappel.
Enfin, nous nous concentrons sur la modification du cadre de détection d'objets et l'utilisation d'une paramétrisation adaptée pour le picking des dips. Le cadre proposé formule la détection des dips comme un problème de détection d'objets, où les paramètres des dips sont directement régressés par le modèle. En utilisant la génération de données synthétiques grâce au transfert de style neuronal pour imiter les textures réelles des images de forage, le cadre améliore l'entraînement du modèle et la précision de la détection pour les dips sinusoïdaux et fermés, démontrant une généralisation efficace des données synthétiques aux données réelles. Ce chapitre met en évidence les avantages de la modification du cadre et de la paramétrisation appropriée pour améliorer la détection des caractéristiques géologiques complexes.
Jury
- Rodrigo Verschae
- Pascal Monasse
- Qiang Qiu
- Hugues Talbot
- Alasdair Newson
Direction
- Gabriele Facciolo
- Enric Meinhardt
- Axel Davy