Modèle stochastique 3D automatique de fraction d'argile à partir des données d'enquête tTEM et de forage

Rapports scientifiques volume 12, Numéro d'article : 17112 (2022) Citer cet article

752 accès

1 Citation

Détails des métriques

Dans la plupart des zones urbanisées et agricoles d'Europe centrale, les sous-sols peu profonds sont constitués de dépôts quaternaires qui sont souvent les couches les plus exploitées (pompage d'eau, géothermie superficielle, excavation de matériaux). Tous ces gisements sont souvent étroitement liés, ce qui entraîne une grande variabilité spatiale et une grande complexité. Les données géophysiques peuvent constituer une source d’informations rapide et fiable sur le sous-sol. Pourtant, l’intégration de ces données peut prendre du temps, il manque une interpolation réaliste dans un espace 3D complet et l’incertitude finale n’est souvent pas représentée. Dans cette étude, nous proposons une nouvelle méthodologie pour combiner les forages et les données géophysiques avec incertitude dans un cadre automatique. Une fonction de traduction spatialement variable qui prédit la fraction d'argile à partir de la résistivité est inversée en utilisant la description des forages comme points de contrôle. Il est combiné à un cadre d'interpolation stochastique 3D basé sur un algorithme de statistiques à points multiples et une fonction aléatoire gaussienne. Ce nouveau workflow permet d'incorporer de manière robuste les données et leur incertitude et nécessite moins d'intervention de l'utilisateur que les workflows déjà existants. La méthodologie est illustrée pour les données électromagnétiques transitoires remorquées au sol (tTEM) et les données de forage de la haute vallée de l'Aar, en Suisse. À cet endroit, un modèle 3D réaliste à haute résolution spatiale de la fraction argileuse a été obtenu sur toute la vallée. L'ensemble de données très dense a permis de démontrer la qualité des valeurs prédites et leurs incertitudes correspondantes par validation croisée.

Les aquifères alluviaux peu profonds du Quaternaire sont fréquemment utilisés pour l’approvisionnement en eau ou l’exploitation de l’énergie géothermique peu profonde. Dans ce contexte, un large éventail de questions associées doivent souvent être abordées, comme l'évaluation des ressources en eaux souterraines, l'étude de la migration des contaminants, l'évaluation des interactions avec les eaux de surface ou encore l'évitement d'un chevauchement de zones d'influence entre puits géothermiques voisins. Toutes ces questions ne peuvent trouver de réponse adéquate qu’après avoir modélisé la structure et les hétérogénéités internes de ces aquifères.

Ces modèles sont souvent construits en plusieurs étapes1,2. Pour les modèles à petite échelle, l’utilisation de forages comme seule source de données est courante. Cependant, une telle approche ignore souvent l’essentiel de l’hétérogénéité spatiale et peut ainsi conduire à des modèles inadéquats et à des conclusions erronées. Les forages ne sont qu'une source d'information permettant de déduire la répartition locale et verticale des faciès. Leur aide est souvent limitée pour estimer des structures 3D complexes. Lorsque la zone d’intérêt est vaste, augmenter le nombre de forages pour réduire l’incertitude à un niveau acceptable est souvent difficile, long et coûteux. Une solution consiste à combiner des données géophysiques et des données de forage moins coûteuses. Les données géophysiques sont souvent interprétées et combinées manuellement dans un modèle structurel, qui est ensuite rempli de simulations lithologiques ou de faciès et enfin de propriétés physiques. Un tel flux de travail s'est avéré efficace pour générer des modèles géologiques à partir de données aériennes électromagnétiques ou sismiques par exemple3,4. Mais ces étapes de modélisation sont complexes et nécessitent souvent des logiciels différents. De plus, même si certaines méthodes stochastiques sont souvent utilisées4,5, les incertitudes ne se propagent pas toujours à travers l’ensemble du workflow. Certaines étapes sont souvent considérées comme déterministes et le modèle géologique qui en résulte est celui qui correspond à la plupart des connaissances globales disponibles6,7,8,9. Enfin, lorsque l’on travaille avec un grand ensemble de données, la construction manuelle du modèle structurel utilisant à la fois les forages et les données géophysiques peut prendre beaucoup de temps.

Il existe donc un besoin pour une approche automatique capable d’intégrer plusieurs types de données et de produire des modèles structurels ou paramétriques. Par exemple, la génération rapide de modèles d'argile 3D avec un algorithme automatique pourrait être d'un grand bénéfice pour les autorités locales qui n'ont souvent pas la capacité d'effectuer une intégration manuelle des données.