Thèse Année : 2025

Deep learning for carbonate rocks petrography

Apprentissage profond pour la pétrographie des roches carbonatés

Résumé

This project aims to investigate deep learning capacity to enhance the identification of factors that may impact the dynamic behavior of carbonate reservoirs. This is achieved through the integration of comprehensive datasets comprising images acquired over decades from hydrocarbon carbonate reservoirs and identified outcrop analogues. Convolutional neural networks represent natural candidates for analyzing the thousands of available thin sections. This thesis developed a suite of complementary methods for their quantitative and automated description. An optimal subdivision strategy for high-resolution images was established to enable multi-scale characterization of this data type, closely approximating traditional microscopic analysis methods. The approach combines representation learning through a rotation-invariant variational autoencoder with automatic clustering, achieving a two-fold acceleration in labeling time while forming geologically coherent groups based primarily on R. Dunham's classifications for limestones, R. Folk's classifications for dolomites, and the incorporation of secondary minerals such as anhydrite facies. The model can then be refined for these subsidiary classification tasks, enabling semantic description of the samples studied (>88% mAP). To address the heterogeneity of existing petrographic descriptions and the lack of precise quantification on real data, two methods were developed: SynSection procedurally generates training data by simulating depositional processes (+20% mAP) in grain limestones, while SynSection2 unifies synthetic-to-realistic transformation with segmentation (+5% additional mAP). These approaches jointly enable automatic segmentation of elements (bioclasts, intraclasts, ooids, and peloids) and the creation of a homogeneous quantified database. Deep semantic segmentation applied to granular limestones provides access to quantification of relative proportions and grain size distribution analysis. The developed metrics achieve determination coefficients (R²) of 0.78 for mean grain size and 0.72 for sorting. This integrated methodology enables standardized and reproducible description following established petrographic nomenclatures and can be superimposed on pore network analysis. Automated quantification of pore types reveals heterogeneities that facilitate comparative analysis between samples. This approach constitutes a powerful tool for quantitative petrographic analysis, capable of incorporating local refinements to fully exploit deep learning's potential in characterizing carbonate systems and understanding associated petrophysical responses.

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.

Fichier principal
Vignette du fichier
RANSINANGUE_AXEL_2025.pdf (17.4 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)
Licence

Dates et versions

tel-05523669 , version 1 (23-02-2026)

Licence

Identifiants

  • HAL Id : tel-05523669 , version 1

Citer

Axel Ransinangue. Deep learning for carbonate rocks petrography. Environmental Sciences. Université de Bordeaux, 2025. English. ⟨NNT : 2025BORD0262⟩. ⟨tel-05523669⟩
118 Consultations
97 Téléchargements

Partager

  • More