Construction de modèles stratigraphiques à partir de données éparses - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2017

Building stratigraphic models from sparse data

Construction de modèles stratigraphiques à partir de données éparses

Jonathan Edwards
  • Fonction : Auteur

Résumé

All stratigraphic models building and analysis are based on stratigraphic correlations of sedimentary units observed on wells or outcrops. However, the geologist building these stratigraphic correlations faces two main problems. First, the data available are few and sparse. Second, the sedimentary processes leading to the deposition of the units are numerous, interdependent and poorly known. So, the construction of a stratigraphic correlation model might be seen as an under-constrained problem with several possible solutions. The aim of this thesis is to create a numeric method to generate stochastic stratigraphic models that are locally constrained by observation data. Two steps are necessary: 1. The establishment of rules describing the spatial organization of sedimentary units observed on outcrops and wells. For these rules, two axis are explored: - The formulation in equations of rules defined in the sequence stratigraphy framework. These rules, presented qualitatively in the literature are translated in quantitative terms to evaluate the probability of two sedimentary units to be correlated. - The deduction of the probability of two sedimentary units to be correlated from stratigraphic models built from forward stratigraphic methods. 2. The development of an algorithm to build possible stochastic stratigraphic models from the rules cited above and observation data
Toutes les analyses et les constructions de modèles stratigraphiques s'appuient sur des corrélations stratigraphiques entre unités sédimentaires observées au niveau de forages ou d'affleurements. Cependant, deux problèmes se posent aux géologues au moment de la construction de ces corrélations stratigraphiques. Premièrement, les données disponibles sont éparses et peu nombreuses. Deuxièmement, les processus sédimentaires menant à la mise en place des unités sédimentaires à corréler sont nombreux, interdépendants et partiellement connus. Ainsi la construction d'un modèle de corrélations stratigraphiques peut être vue comme un problème sous-contraint auquel plusieurs solutions peuvent être proposées. L'objectif de cette thèse est de mettre en place un système numérique permettant de générer de manière stochastique des modèles stratigraphiques contraints localement par des données d'observation. Deux éléments sont nécessaires à la mise en place d'un tel système : 1. La mise en place de règles régissant l'organisation spatiale d'unités sédimentaires observées au niveau d'affleurements ou de puits. En ce qui concerne ces règles, deux voies seront explorées : - La mise en équation des règles définies dans le cadre de la stratigraphie séquentielle. Ces règles, exprimées d'un point de vue qualitatif dans la littérature sont traduites en termes quantitatifs afin d'évaluer la probabilité de deux unités sédimentaires observées d'être corrélées. - La déduction de la probabilité de corrélations entre deux unités sédimentaires observées à partir de modèles stratigraphiques construits par approche basée processus (forward stratigraphic models). 2. La mise en place d'un cœur algorithmique permettant de construire de façon stochastique un ensemble de modèles stratigraphiques plausibles à partir des règles précédemment présentées et des données d'observation
Fichier principal
Vignette du fichier
DDOC_T_2017_0367_EDWARDS.pdf (8.84 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)
Loading...

Dates et versions

tel-01836225 , version 1 (12-07-2018)

Identifiants

  • HAL Id : tel-01836225 , version 1

Citer

Jonathan Edwards. Construction de modèles stratigraphiques à partir de données éparses. Stratigraphie. Université de Lorraine, 2017. Français. ⟨NNT : 2017LORR0367⟩. ⟨tel-01836225⟩
145 Consultations
1314 Téléchargements

Partager

Gmail Facebook X LinkedIn More