Analyse Statistique

Soutenue publiquement le 25 septembre 2006
Membres du jury

Directeur de thse : COLLOMBIER Dominique,Professeur, IRMA, Strasbourg
Rapporteur Interne : GALTCHOUK Leonid, Professeur, IRMA, Strasbourg
Rapporteur Externe : JOURNEL Andr, Professeur, Universit de Stanford
Rapporteur Externe : PRONZATO Luc, Directeur de recherche CNRS, Universit de Nice
Examinatrice : ZABALZA-MEZGHANI Isabelle, Docteur, IFP, Rueil-Malmaison
Membre invit : CURTIS Alan, Manager, Bhpbilliton, Houston

Thse prsente pour obtenir le grade de
Docteur de lUniversit Louis Pasteur
Strasbourg I

Discipline : Mathmatiques Appliques
par Cline Scheidt
Analyse statistique dexpriences simules :
Modlisation adaptative de rponses non-rgulires
par krigeage et plans dexpriences
Application la quantification des incertitudes en
ingnierie des rservoirs ptroliers
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
Remerciements

Cette these a ete realisee au sein de la direction Ingenierie de Reservoir de lÌnstitut Franais
du Petrole. Au terme de ces trois annees, je souhaite adresser mes sinceres remerciements :

A Monsieur Dominique Collombier,
qui mà Iait l`honneur d`tre mon directeur de these. Son expertise dans le domaine des plans
dèxperiences a ete determinante dans les orientations prises dans mon travail. Je tiens a le
remercier pour sa grande disponibilite, ses qualites humaines et pour tout le savoir quìl a pu
me transmettre. Jài pu tirer parti de son experience et des nombreuses idees quìl mà
suggerees, et qui Iigurent dans ce memoire.

A Madame Isabelle Zabalza-Mezghani,
qui est a lòrigine de cette these et a encadre mon travail a lÌnstitut Franais du Petrole. Je
tiens a la remercier pour la conIiance quèlle mà accorde jour apres jour, pour màvoir donne
got a la recherche scientiIique. Par son experience, elle a su guider mon travail vers des
problemes suscitant un viI intert industriel. Quèlle soit remerciee ici pour ses qualites
humaines et scientiIiques, pour son aide precieuse, pour la gentillesse et le soutient dont elle a
Iait preuve a mon egart pendant ses trois annees.

A Monsieur Andre Journel,
qui mà Iait l`honneur d`tre rapporteur de cette these, pour ses remarques pertinentes et le
temps quìl a consacre a examiner mon travail. Je suis egalement tres reconnaissante a la
remarquable hospitalite dont il a Iait preuve en màccueillant pendant 2 mois a lÙniversite de
StanIord. Je tiens a lui exprimer ici toute ma gratitude, pour sa disponibilite et sa gentillesse a
mon egard. Lènsemble des discussions que nous avons eu ont Iortement contribue a enrichir
ma connaissance sur les methodes geostatistiques.

A Monsieur Luc Pronzato,
qui mà Iait l`honneur de rapporter cette these et de presider le jury. Je tiens a le remercier
pour le temps passe a la lecture de mes travaux, pour lìntert porte a mon travail et pour ses
precieuses remarques.

A Monsieur Leonid Galtchouk,
qui mà Iait l`honneur de bien vouloir juger mes travaux de these. Pour le temps quìl a
aimablement consacre a une lecture avisee de mon travail. Ses enseignements a lÙniversite
Louis Pasteur mònt permis dèlargir le spectre de mes connaissances mathematiques.

A Monsieur Alan Curtis,
qui a accepte de Iaire partie du jury de cette these. Je le remercie sincerement pour sa
collaboration et pour sa disponibilite. Son soutient et sa vision en ingenierie petroliere ont ete
dùne grande aide tout au long de la these.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
Mes tres sinceres remerciements vont a Mathieu Feraille pour ses idees et remarques Iort
instructives, pour les discussions et reIlexions menees sur mes travaux. Egalement un grand
merci a David Chazalviel pour sa precieuse aide pour elucider bien des problemes logistiques
lors de la phase de validation de la methodologie.

Cèst aussi pour moi lòccasion de remercier toutes les personnes avec qui jài eu
lòpportunite de travailler, pour leur bonne humeur et leur sympathie. Les membres de la
division Ingenierie Reservoir , particulierement les htes du btiment Laurier : quìls
trouvent ici lèxpression de ma gratitude pour la bonne humeur et la qualite des rapports que
jài pu avoir avec chacun dèux.

A tous mes collegues thesards, tout particulierement les deux Alexandre, Carine, Charles,
Thomas et Ludovic. Leur amitie et leur bonne humeur a ete dùne aide precieuse tout au long
de la these.

Je remercie chaleureusement mes parents, Delphine et Thierry pour leur soutien, leurs
encouragements pendant ces trois annees. Ce travail de these leur est dedie.

EnIin, un remerciement particulier a Darryl, pour tout ce quìl a pu apporter a cette these. Son
soutien sans Iaille, ses nombreux conseils et encouragements, et son engagement dans mon
travail avec ses relectures attentives de mes travaux ont ete dùne aide tres precieuse.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

i
Table des matires

CHAPITRE 1 INTRODUCTION........................................................................................................................... 1
1.1 L'INGENIERIE DE RESERVOIR................................................................................................................... 2
1.1.1 PHASES DE DEVELOPPEMENT DÙN RESERVOIR DESCRIPTION GENERALE ......................................... 3
1.1.2 CARACTERISATION DU RESERVOIR MODELISATION .......................................................................... 5
1.1.3 PREVISION DE PRODUCTION ET SCHEMA DE DEVELOPPEMENT ........................................................... 11
1.2 GESTION DES INCERTITUDES EN INGENIERIE DE RESERVOIR.................................................................. 12
1.2.1 NOTION DÌNCERTITUDES .................................................................................................................. 12
1.2.2 GESTION DES INCERTITUDES : PROBLEMATIQUE ................................................................................ 14
1.2.3 GESTION DES INCERTITUDES : METHODOLOGIE.................................................................................. 15
1.3 OBJECTIF DE LA THESE.......................................................................................................................... 16
1.4 CONCLUSIONS....................................................................................................................................... 18
CHAPITRE 2 GESTION DES INCERTITUDES EN INGENIERIE DE RESERVOIR - ETAT DE LA
QUESTION.................................................................................................................................... 19
2.1 METHODOLOGIE POUR LA GESTION DES INCERTITUDES EN INGENIERIE DE RESERVOIR......................... 19
2.1.1 POSITION DU PROBLEME .................................................................................................................... 20
2.1.2 LES METHODES DE MONTE-CARLO EN INGENIERIE DE RESERVOIR : RECOURS A UN MODELE APPROCHE
.......................................................................................................................................................................... 20
2.2 PLANS DÈXPERIENCES POUR LÈCHANTILLONAGE DU DOMAINE INCERTAIN........................................ 24
2.2.1 CHOIX DU NOMBRE ET DE LÈMPLACEMENT DES SIMULATIONS A REALISER ...................................... 24
2.2.2 PLANS DÈXPERIENCES EUCLIDIENS................................................................................................... 25
2.3 METHODES DÀJUSTEMENT DU MODELE APPROCHE.............................................................................. 28
2.3.1 MODELES DE REGRESSION ................................................................................................................. 29
2.3.2 RESEAUX DE NEURONES.................................................................................................................... 32
2.3.3 LE KRIGEAGE..................................................................................................................................... 34
2.4 LIMITES DES APPROCHES EXISTANTES .................................................................................................. 35
2.5 PROPOSITION METHODOLOGIQUE.......................................................................................................... 37
CHAPITRE 3 MODELISATION DÈXPERIENCES DETERMINISTES ......................................................... 41
3.1 INTRODUCTION..................................................................................................................................... 41
3.2 PREDICTION DES EXPERIENCES DETERMINISTES : POSITION DU PROBLEME ........................................... 42
3.3 EXPRESSION DU MODELE ...................................................................................................................... 44
3.3.1 MODELE COMPOSITE.......................................................................................................................... 44
3.3.2 AJUSTEMENT DE LA TENDANCE MOYENNE : REGRESSION PAR MOINDRES CARRES ........................... 46
3.3.3 AJUSTEMENT DE LA PARTIE RESIDUELLE : ESTIMATEUR PAR KRIGEAGE ............................................ 49
3.3.4 MODELE COMPOSITE ET APPROCHE BAYESIENNE............................................................................... 51
3.3.5 MODELE COMPOSITE : SYNTHESE....................................................................................................... 52
3.4 PROBLEME LIE A LA MODELISATION : ESTIMATION DE LA FONCTION DE COVARIANCE ENTRE LES
OBSERVATIONS ................................................................................................................................................. 54
3.4.1 DEFINITIONS ET PROPRIETES DU VARIOGRAMME ............................................................................... 54
3.4.2 ESTIMATION DU VARIOGRAMME DANS LA MODELISATION ADAPTATIVE............................................ 57
3.5 REMARQUES COMPLEMENTAIRES : APPROCHES ALTERNATIVES OU COMPLEMENTAIRES ...................... 62
3.5.1 COKRIGEAGE ..................................................................................................................................... 63
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

ii
3.5.2 KRIGEAGE ORDINAIRE AVEC VOISINAGES GLISSANTS ...................................................................... 64
3.5.3 BILAN ................................................................................................................................................ 67
3.6 CONCLUSIONS....................................................................................................................................... 68
CHAPITRE 4 RECHERCHE DE LÈSTIMATEUR DE PLUS GRANDE PREDICITIVE AJOUT DE
POINTS PILOTES......................................................................................................................... 69
4.1 INTRODUCTION..................................................................................................................................... 69
4.2 METHODE DES POINTS PILOTES - PRINCIPE........................................................................................... 70
4.3 EMPLACEMENT DES POINTS PILOTES..................................................................................................... 74
4.4 VALEUR FICTIVE DE LA REPONSE AUX POINTS PILOTES......................................................................... 77
4.4.1 CALCUL DU COEFFICIENT PRESS A MOINDRE COT .......................................................................... 78
4.4.2 OPTIMISATION DE LA VALEUR FICTIVE AUX POINTS PILOTES.............................................................. 80
4.5 CONCLUSIONS....................................................................................................................................... 89
CHAPITRE 5 STRATEGIE DÈXPERIMENTATION POUR REPONSES SIMULEES NON-REGULIERES91
5.1 INTRODUCTION..................................................................................................................................... 91
5.2 ETUDE DE LA DEPENDANCE DE LA REPONSE AUX PARAMETRES ............................................................ 94
5.2.1 DIMINUTION DE LA DIMENSION DU PROBLEME : AGREGATION DE PARAMETRES ................................ 95
5.2.2 ANALYSE DE SENSIBILITE .................................................................................................................. 96
5.3 AUGMENTATION DU DISPOSITIF EXPERIMENTAL.................................................................................. 97
5.3.1 RECHERCHE DÈXTREMA ................................................................................................................... 98
5.3.2 RECHERCHE DES POINTS STATIONNAIRES ........................................................................................ 104
5.3.3 SENSIBILITE DU MODELE A LÀPPORT DÌNFORMATION DANS LES ZONES NON-ECHANTILLONNEES.. 108
5.3.4 EVALUATION DE LA PREDICTIVITE DU MODELE : AJOUT DE SIMULATIONS DE CONFIRMATION........ 113
5.4 CONCLUSIONS..................................................................................................................................... 115
CHAPITRE 6 MODELISATION ADAPTATIVE APPLIQUEE A DES FONCTIONS TYPES...................... 117
6.1 DEMARCHE ET NOTATIONS ................................................................................................................. 117
6.2 AJUSTEMENT DE LA FONCTION NON-REGULIERE CHAMEAU ......................................................... 118
6.3 EXEMPLES DE MODELISATION DE DIFFERENTES FONCTIONS A DEUX VARIABLES ................................ 122
6.3.1 FONCTION CHAMEAU DECALE......................................................................................................... 122
6.3.2 FONCTION SINUS.............................................................................................................................. 123
6.3.3 FONCTION SINUS DECALEE.............................................................................................................. 125
6.3.4 FONCTION BRANIN .......................................................................................................................... 126
6.3.5 FONCTION ANALYTIQUE NON-REGULIERE 1..................................................................................... 127
6.3.6 FONCTION ANALYTIQUE NON-REGULIERE 2..................................................................................... 128
6.4 INDEPENDANCE AU DISPOSITIF EXPERIMENTAL INITIAL ...................................................................... 130
6.5 ECHANTILLONNAGE INFORMATIF : METHODE EVOLUTIVE, PLAN COMPLET ET HYPERCUBE LATIN .... 134
6.6 INTERT DES DIFFERENTS CRITERES DÀJOUT DE POINTS .................................................................... 139
6.6.1 INTERT DE LÀJOUT DES EXTREMA AU DISPOSITIF EXPERIMENTAL COURANT................................. 140
6.6.2 INTERT DES POINTS DE DERIVEE PARTIELLE NULLE........................................................................ 142
6.6.3 INTERT DES POINTS PILOTES........................................................................................................... 143
6.7 RESULTATS DE MODELISATION POUR PLUS DE DEUX PARAMETRES..................................................... 148
6.7.1 EXEMPLE DE MODELISATION POUR TROIS PARAMETRES .................................................................. 148
6.7.2 TABLEAU ET GRAPHES RECAPITULATIFS DES RESULTATS OBTENUS ................................................. 149
6.8 CONCLUSIONS..................................................................................................................................... 152

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

iii
CHAPITRE 7 APPLICATION A LÌNGENIERIE DE RESERVOIR............................................................... 155
7.1 CAS PUNQ - S3.................................................................................................................................... 155
7.1.1 PRESENTATION DU CAS PUNQ-S3..................................................................................................... 155
7.1.2 ANALYSE DÌNCERTITUDE................................................................................................................ 157
7.1.3 APPROXIMATION PAR MODELISATION ADAPTATIVE......................................................................... 159
7.1.4 MODELISATION ADAPTATIVE ET PLANIFICATION CLASSIQUE........................................................... 161
7.1.5 CONCLUSIONS.................................................................................................................................. 165
7.2 CAS PBR ............................................................................................................................................ 165
7.2.1 PRESENTATION DU CAS PBR........................................................................................................... 165
7.2.2 ANALYSE DÌNCERTITUDES.............................................................................................................. 167
7.2.3 APPROXIMATION PAR MODELISATION ADAPTATIVE......................................................................... 170
7.2.4 MODELISATION ADAPTATIVE ET PLANIFICATION CLASSIQUE........................................................... 175
7.2.5 CONCLUSION ................................................................................................................................... 183
7.3 CONCLUSIONS..................................................................................................................................... 184
CHAPITRE 8 BILAN ET PERSPECTIVES...................................................................................................... 185
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

v
Table des illustrations

Figure 1.1 : Modelisation statique : Modele Geologique ........................................................................ 6
Figure 1.2 : Modelisation dynamique du reservoir ................................................................................. 9
Figure 1.3 : Caracterisation du modele dynamique............................................................................... 10
Figure 1.4 : Variations du cumule d`huile produit en 1825 jours en Ionction de diIIerents parametres13
Figure 2.1 : Methodologie employee pour la gestion des incertitudes. ................................................. 21
Figure 2.2 : Echantillonnage du domaine incertain............................................................................... 25
Figure 2.3 : Plan composite centre pour trois parametres : Plan normalise et simulations associee..... 26
Figure 2.4 : Plan composite centre pour trois parametres : Representation spatiale dans lèspace des
parametres..................................................................................................................................... 27
Figure 2.5 : Plans a trois niveaux : plan complet, composite ou Iractionnaire...................................... 28
Figure 2.6 : Representation dùn neurone Iormel selon Mc Culloch et Pitts ........................................ 32
Figure 2.7 : Representation d'un reseau de neurones multicouche........................................................ 33
Figure 2.8 : Ajustement dùne Ionction analytique avec les plans classiques....................................... 36
Figure 2.9 : Principe de la methodologie adaptative ............................................................................. 38
Figure 3.2 : Ajustement de la reponse par superposition de làjustement moyen et du terme correctiI 45
Figure 3.3 : Interpretation geometrique de MCO.................................................................................. 47
Figure 3.4: Ajustement de la moyenne par moindres carres ordinaires et ponderes ............................. 48
Figure 3.5: Ajustement par regression puis par predicteur composite .................................................. 53
Figure 3.6: Ajustement dùn variogramme experimental...................................................................... 56
Figure 3.7 : Ajustement dùn variogramme : Methode de moindres carres .......................................... 60
Figure 3.8 : Ajustement de variogrammes exponentiel, gaussien et spherique..................................... 61
Figure 3.9 : Ajustement dùn variogramme : combinaison lineaire de variogrammes ......................... 62
Figure 3.10 : Approximation dùne Ionction analytique par krigeage et cokrigeage............................ 64
Figure 3.11 : Estimation dùn voisinage : deux points par quadrant .................................................... 66
Figure 3.12 : Approximation d'une Ionction analytique par regression et krigeage residuel puis
krigeage ordinaire avec voisinages glissants ................................................................................ 67
Figure 4.2 : InIluence dùn point pilote sur làpproximation (1)........................................................... 72
Figure 4.3 : InIluence dùn point pilote sur làpproximation (2)........................................................... 73
Figure 4.4 : Position des points pilotes sur le domaine incertain en 2D................................................ 74
Figure 4.5 : Variance de krigeage dans le domaine incertain................................................................ 75
Figure 4.6 : Approximation et variance de krigeage associee.............................................................. 82
Figure 4.7 : Position sequentielle des points pilotes : points de variance maximale............................. 84
Figure 4.8 : Estimation de la statistique Q
2
pour les points pilotes ....................................................... 85
Figure 4.9 : Approximation de predictivite maximale .......................................................................... 86
Figure 4.10 : Fonction Sinus Decalee - ReIerence ................................................................................ 86
Figure 4.11 : Approximation avec et sans Points Pilotes ...................................................................... 87
Figure 4.12 : Evolution du Q
2
en Ionction du nombre de points pilotes ............................................... 88
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

vi
Figure 5.2 : Echantillonnage speciIique a chaque reponse.................................................................... 94
Figure 5.3 : InIluence dùn parametre lineaire et un parametre non-regulier........................................ 97
Figure 5.4 : Maximisation a partir de plusieurs points initiaux............................................................. 98
Figure 5.5 : Recherche des extrema de làpproximation : Principe..................................................... 100
Figure 5.6 : DeIinition du voisinage
f
.............................................................................................. 101
Figure 5.7 : Methode Iso-simplexe : Emplacement du nouveau point a simuler ........................ 102
Figure 5.8 : Recherche dùn maximum............................................................................................... 103
Figure 5.9 : Recherche des extrema .................................................................................................... 104
Figure 5.10 : Optimisation de n valeurs de derivees ........................................................................... 106
Figure 5.11 : Recherche dùn point dìnIlexion .................................................................................. 107
Figure 5.12 : Variance de krigeage dans le domaine experimental..................................................... 109
Figure 5.13 : Traitement des diIIerents points pilotes......................................................................... 111
Figure 5.14 : Valeur de la statistique Q
2
pour diIIerentes valeurs Iictives .......................................... 112
Figure 5.15 : Principe dènrichissement du dispositiI experimental ................................................... 115
Figure 6.1 : Fonction Chameau : ReIerence et approximation polynomiale....................................... 119
Figure 6.2 : DiIIerentes etapes de làjustement de la Ionction Chameau............................................ 120
Figure 6.3 : Approximation de la Ionction Chameau Decale.............................................................. 123
Figure 6.4 : Approximation de la Ionction Sinus ................................................................................ 124
Figure 6.5 : Approximation de la Ionction Sinus Decalee .................................................................. 125
Figure 6.6 : Ajustement de la Ionction Branin .................................................................................... 127
Figure 6.7 : Ajustement de la Ionction analytique 1 ...................................................................... 128
Figure 6.8 : Ajustement de la Ionction analytique 2 ...................................................................... 129
Figure 6.9 : Approximation de la Ionction Sinus decalee pour diIIerents plans dèxperiences initiaux
.................................................................................................................................................... 132
Figure 6.10 : Fonction Chameau hypercube latin 42 simulations .................................................... 135
Figure 6.11 : Fonction Chameau Decalee hypercube latin 42 simulations ...................................... 136
Figure 6.12 : Fonction Sinus hypercube latin 41 simulations .......................................................... 136
Figure 6.13 : Fonction Sinus Decalee hypercube latin 36 simulations............................................ 137
Figure 6.14 : Fonction Branin hypercube latin 27 simulations ....................................................... 137
Figure 6.15 : Ionction analytique 1 hypercube latin 62 simulations........................................... 138
Figure 6.16 : Ionction analytique 2 hypercube latin 58 simulations.......................................... 138
Figure 6.17 : Approximation de la Ionction Sinus Decalee pour 21 simulations................................ 140
Figure 6.18 : Approximation de la Ionction analytique 2 pour 40 simulations............................ 140
Figure 6.19 : Approximation de la Ionction Sinus Decalee sans extrema........................................... 141
Figure 6.20 : Approximation de la Ionction analytique 2 sans extrema....................................... 141
Figure 6.21 : Approximation de la Ionction Sinus Decalee sans les points de derivee nulle............. 142
Figure 6.22 : Approximation de la Ionction analytique 2 sans les points de derivee nulle ........... 143
Figure 6.23 : Approximation de la Ionction Sinus Decalee Methode partielle 1 ............................. 144
Figure 6.26 : Approximation de la Ionction analytique 2 Methode partielle 1 ....................... 146
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

vii
Figure 6.27 : Approximation de la Ionction analytique 2 Methode partielle 2 ......................... 147
Figure 6.28 : Approximation de la Ionction analytique 2 Methode partielle 3 ........................ 147
Figure 6.29 : Ajustement dùne Ionction non-reguliere a 3 parametres.............................................. 149
Figure 6.30 : Graphes de prediction dùne Ionction non-reguliere a trois parametres ....................... 150
Figure 6.31 : Graphes de prediction dùne Ionction non-reguliere a quatre parametres ..................... 150
Figure 6.32 : Graphes de prediction dùne Ionction non-reguliere a cinq parametres ........................ 150
Figure 6.33 : Evolution du nombre de simulations en Ionction du nombre de parametres................. 152
Figure 7.1 : Modele PUNQ ................................................................................................................. 156
Figure 7.2 : Vue en perspective de diIIerentes coupes du debit d`huile au puits PRO-1 apres 2 992
jours ............................................................................................................................................ 158
Figure 7.3 : Approximation de QOil par modelisation adaptative au cours des iterations.................. 160
Figure 7.4 : Evolution des densites de probabilite du debit d`huile au cours des iterations................ 161
Figure 7.5 : Prediction du debit d`huile par plans Iactoriel et composite............................................ 162
Figure 7.6 : Densite de probabilite du debit d`huile au puits PRO-1 pour diIIerents dispositiIs
experimentaux ............................................................................................................................ 163
Figure 7.7 : Prediction du debit d`huile par hypercubes latins............................................................ 163
Figure 7.8 : Densite de probabilite du debit d`huile pour diIIerents dispositiIs experimentaux ......... 164
Figure 7.9 : Vue en 3 dimensions du champs PBR............................................................................ 165
Figure 7.10 : Vue de dessus du champs PBR...................................................................................... 166
Figure 7.11 : Vue en perspective de graphes partiels du Cumule d`huile a 2 192 jours ..................... 169
Figure 7.12 : Vue en perspective de graphes partiels du Cumule dèau a 2 192 jours........................ 170
Figure 7.13 : Approximation du cumule d`huile a 2 192 jours par modelisation adaptative au cours de
iterations ..................................................................................................................................... 172
Figure 7.14 : Evolution des densites de probabilite de l`huile cumulee au cours des iterations ......... 173
Figure 7.15 : Approximation du cumule dèau a 2 192 jours par modelisation adaptative au cours des
iterations ..................................................................................................................................... 174
Figure 7.16 : Evolution des densites de probabilite de lèau cumulee au cours des iterations............ 175
Figure 7.17 : Prediction du cumule d`huile par plans Iactoriel et composite...................................... 176
Figure 7.18 : Densite de probabilite de Cumoil pour les diIIerents dispositiIs experimentaux .......... 177
Figure 7.19 : Resultats de modelisation pour des hypercubes latins ................................................... 178
Figure 7.20 : Densite de probabilite de la reponse Cumoil pour les diIIerents dispositiIs experimentaux
.................................................................................................................................................... 179
Figure 7.21 : Resultats de modelisation pour les plans Iactoriel et composites .................................. 180
Figure 7.22 : Densite de probabilite pour les plans Iactoriel et composites et modelisation adaptative
.................................................................................................................................................... 181
Figure 7.23 : Resultats de modelisation pour des hypercubes latins ................................................... 182
Figure 7.24 : Densite de probabilite pour les hypercubes latins et modelisation adaptative............... 183
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

viii

Liste des tableaux

Tableau 6-1 : Resultats de modelisation pour diIIerents echantillonnages............................ 134
Tableau 6-2 : Erreur relative et nombre de simulations necessaires pour une modelisation a
partir de plans evolutiIs ou d`hypercubes latins............................................................. 151
Tableau 7-1 : Proprietes petrophysiques par couches ............................................................ 156
Tableau 7-2 : Intervalle de variation des parametres incertains............................................. 157
Tableau 7-3 : Proprietes petrophysiques par Iacies................................................................ 167
Tableau 7-4 : Intervalle de variation des parametres incertains............................................. 168
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

1
Chapitre 1
Introduction
Lètude des reservoirs a hydrocarbures a pour objectiI lèxploitation dùn reservoir de
petrole ou de gaz aIin dòptimiser les rendements economiques dùne compagnie petroliere.
Les gisements les plus rentables economiquement sont les gisements les plus Iacilement
accessibles et les plus simples a exploiter. Les technologies actuelles associees a une bonne
comprehension du reservoir, suIIisent generalement a extraire les hydrocarbures presents dans
de tels gisements, leur exploitation est donc de cot optimal. Mais ces champs sont
generalement en cours de production ou epuises. Les gisements restant a exploiter sont
decouverts dans des terrains diIIiciles dàcces, comme par exemple, dans de grandes
proIondeurs sous la mer, et demandent des technologies dèxploitation tres poussees. Des
centaines de millions de dollars dìnvestissement peuvent ainsi tre necessaires pour evaluer
le potentiel du reservoir avant mme de commencer la production d`hydrocarbures. Ces
gisements petroliers sont egalement de plus en plus complexes et de geologie diIIicile a
apprehender. Cette complexite supplementaire entrane une plus grande incertitude sur
lèstimation des reserves en place et des cots de production accrus, particulierement les cots
dàcces au reservoir et de Iorage de puits sont exorbitants. De ce Iait, la quantiIication
dìncertitude et lànalyse de risque sont dìmportance cruciale en ingenierie de reservoir car
permettant lìntegration des risques dans les prises de decision.
Ce premier chapitre presente brievement les diIIerentes etapes de la vie dùn gisement
petrolier ainsi que les principaux enjeux de lìngenierie de reservoir, a savoir : comprendre,
caracteriser et prevoir le comportement dynamique des reservoirs. Pour cela, il est
indispensable dàcquerir des donnees, de les analyser et les interpreter, ainsi que de construire
un modele numerique dècoulement. La description, dans ce chapitre, des techniques
dàcquisition des donnees et de modelisation est indispensable a lìntroduction de la notion
dìncertitude, celle-ci etant tres presente dans lèlaboration de ces modeles. Il est donc
necessaire de quantiIier lìncertitude pour eviter des prises de decisions erronees, ou du moins
dèvaluer la probabilite de telles decisions. EnIin, nous precisons lòbjectiI de la these et les
diIIerentes etapes, divisees en chapitres, qui nous ont permis de repondre a la problematique
posee.Section d'equation 1
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

2
1.1 L'ingnierie de rservoir
Un gisement petrolier est Iorme dùn ou plusieurs reservoirs poreux, souterrains,
contenant des hydrocarbures dòrigine sedimentaire sous Iorme liquide et/ou gazeuse. Un
reservoir est en Iait une roche comportant un grand nombre de minuscules cavites, appelees
pores, dans laquelle la circulation des Iluides est possible. On dit ainsi quùne roche reservoir
est poreuse et permeable. La structure du gisement ou du reservoir est limitee par des
barrieres impermeables qui piegent les hydrocarbures.
Lètude dùn gisement a pour but, a partir de la decouverte dùn champ petrolier,
dètablir un schema de developpement et un scenario de production cherchant a optimiser la
recuperation des hydrocarbures dans le cadre dùne politique economique donnee. Un schema
de developpement consiste principalement a deIinir lìmplantation des puits : le nombre,
lèmplacement et le type de puits (horizontal, vertical, longueur, ect.). Par scenario de
production, on designe les conditions de production possibles parmi les diIIerentes options
qui se presentent lorsque lòn veut produire un reservoir : type de recuperation (injection
dèau ou de gaz, production primaire sous lèIIet dùn aquiIere actiI), debits de production et
dìnjection, contraintes de Ionctionnement de puits etc. Le scenario de production est
regulierement change au cours du temps.
Dans un souci dàccroissement continuel des reserves d`huile et de gaz, lìngenieur doit
ameliorer constamment sa connaissance du gisement petrolier et adapter son schema de
developpement a cette nouvelle inIormation. Les techniques de developpement et de
production dùn reservoir doivent donc evoluer aIin dàutoriser la recuperation des
hydrocarbures non conventionnels pour des gisements diIIiciles a caracteriser. Les specialistes
etudient, pendant toute la duree de vie du champ, les diIIerentes caracteristiques de ce
gisement pour elaborer un modele de reservoir et un modele dècoulement. Ces modeles sont
construits en utilisant toute la connaissance disponible, a savoir les donnees reservoir et les
interpretations des experts sur ces donnees. Mais ces donnees sont la plupart du temps
incertaines. La construction de ces deux modeles est necessaire a une exploitation optimale du
gisement sous contraintes economiques.
A ceci sàjoute un grand nombre de possibilites de developpement ou de production
dùn reservoir. Par consequent, pour etudier le comportement dùn gisement petrolier de
maniere precise, une demarche scientiIique adaptee et rigoureuse est requise. La mise en place
dùne telle etude va permettre a lìngenieur de prendre les meilleures decisions pour le
developpement dùn gisement que ce soit en terme de production ou de cot, aIin dèxploiter
le reservoir de maniere optimale.
Toutes ces etapes constituent un deIi, puisquèlles doivent tre realisees a moindres
cots. De ce Iait, plusieurs phases de developpement sont indispensables, elles Iournissent des
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

3
donnees diverses et variees sur le reservoir pour eIIectuer une etude approIondie des
caracteristiques du gisement. Chaque phase a pour but de mieux comprendre et donc reduire
les incertitudes propres a la phase, aIin de mieux rentabiliser lìnvestissement et de reduire les
risques associes a la mauvaise connaissance du gisement.
1.1.1 Phases de dveloppement d'un rservoir - Description gnrale
Premire phase de dveloppement : Phase de dlination
La premiere phase de developpement dùn gisement est appelee phase de delineation,
elle est realisee des sa decouverte. Cette phase a pour objectiI dàcquerir le plus de donnees
possible sur le reservoir. Pour ce Iaire, des prelevements sur carottes sont eIIectues en divers
endroits du reservoir, des diagraphies et des etudes sismiques sont realisees. Les mesures sur
carottes vont permettre de determiner les caracteristiques petrophysiques (saturations initiales,
saturations residuelles, permeabilite, porosite, etc.) de ces echantillons de roches. Les
diagraphies donnent des elements tels que la lithologie ou la saturation en Ionction de la
proIondeur. La sismique, dite de reIlexion, consiste en une emission dòndes vers le sous-sol
qui vont, selon le principe physique de lòptique, se reIlechir sur les diIIerentes interIaces
geologiques du sous-sol pour ensuite tre enregistrees par des capteurs situes en aval de la
source dèmission. Lìnterpretation de ces donnees sismiques permet dòbtenir une image
structurale des couches geologiques du reservoir. Lors de la phase de delineation, avant la
production d`huile ou de gaz, le gisement est a lèquilibre , la pression ne dependant que de
la proIondeur. Lènsemble des donnees obtenues, associe a lèxpertise des geologues, va
permettre :
une estimation du volume global d`hydrocarbures dans le reservoir. Cette
estimation est dìmportance cruciale car tres incertaine et jouant enormement sur
les calculs de rentabilite economique du gisement.
une estimation des reserves potentiellement recuperables a partir de plusieurs
modes dèxploitation.
la creation dùn modele statique de reservoir, qui determine entre autres les
proprietes physiques, les reseaux de Iractures et lèmplacement du reservoir dans
le gisement.
Lènsemble de ces caracteristiques va determiner si ce gisement est rentable
economiquement ou non. Dans le cas ou lèxploitation du reservoir est decidee, le choix de
lèmplacement des puits initiaux est eIIectue en tenant compte de criteres economiques, tels
que la production d`hydrocarbures et le nombre de puits que lòn souhaite Iorer.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

4
Mise en production du rservoir
Apres ou pendant la phase de delineation, une premiere mise en production du reservoir
est eIIectuee. Generalement, celle-ci est realisee en ouvrant simplement quelques puits. La
pression interne du reservoir est la plupart du temps suIIisante pour permettre une production
de petrole. Cette phase de recuperation primaire, dite de depletion, est de tres courte duree, et
ne permet de drainer quùne partie de l`huile initialement en place (~10). Pendant cette
phase, le reservoir est soumis a une depression et une expansion de l`huile due a une baisse de
pression est observee. Un suivi de lèvolution de la pression du champ est eIIectue par essai
de puits et, si le maintien de la pression nèst pas correct, on peut envisager dìnjecter de lèau
ou du gaz dans le reservoir pour assurer ce maintien de pression. Le Iluide est ainsi balaye
vers le puits producteur. Pendant cette phase, lìngenieur eIIectue des analyses de pression,
volume et temperature des Iluides. Il essaye, par ailleurs, de comprendre les diIIerents
mecanismes de deplacement des Iluides dans le reservoir, aIin de reduire lìncertitude dans
lèlaboration dùn modele de lècoulement dynamique du Iluide. Cette phase permet, entre
autres, dìdentiIier la presence eventuelle dùn aquiIere actiI dans le systeme.
Deuxime phase de dveloppement : Injection de fluide
Une seconde phase de developpement intervient des quòn decide dìnjecter de lèau ou
du gaz dans le reservoir aIin de maintenir la pression du champ. En eIIet, la recuperation
d`huile est directement liee au maintien de pression dans le reservoir : la production dùn
Iluide dans le reservoir est une Ionction directe des gradients de pression. Lors de cette phase,
on sìnteresse plus particulierement a :
la detection des heterogeneites (Iailles, Iissures, etc.) du reservoir et aux
connections entre les puits,
la geologie du terrain et aux proprietes de lècoulement pour ameliorer les
modeles statique et dynamique de reservoir,
la re-estimation du volume d`huile en place.
Une grande attention est portee a la detection des heterogeneites et des connections, car
traduisant des incertitudes de grande inIluence sur les estimations de production Iutures. Par
exemple, la presence d`heterogeneites peut se maniIester par lèxistence de chenaux de
Iluides. Dans ce cas, une bonne caracterisation des connections entre les puits injecteurs et les
puits producteurs est essentielle pour ameliorer la connaissance du comportement du reservoir
et les predictions de perIormance.
Cette phase va permettre une meilleure reIlexion sur les scenarii de production et sur
lèmplacement de nouveaux puits et donc, in fine, une meilleure exploitation du gisement.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

5
Autres phases de dveloppement
Il peut y avoir plusieurs autres phases de developpement, et de nouveaux modeles de
reservoir sont alors ajustes, bases sur lòbtention de nouvelles donnees. Au Iur et a mesure du
developpement du gisement, les ingenieurs ont une idee plus precise des eventuels endroits ou
l`huile ne sera pas recuperee du Iait de la conIiguration du schema de developpement existant
combine avec les eIIets de l`heterogeneite du reservoir. Le placement de nouveaux puits peut
alors tre ameliore.
Ainsi les phases de developpement successives permettent de determiner les
phenomenes regissant dans le reservoir et de construire un modele geologique statique du
reservoir et un modele dynamique, dont la discretisation donne un modele numerique
dècoulement contraint par lènsemble des inIormations disponibles. Le recours a la
simulation de reservoir est donc envisageable, ces simulations sont generalement basees sur la
modelisation mathematique du comportement dynamique du gisement par un systeme
dèquations aux derivees partielles non-lineaires.
1.1.2 Caractrisation du rservoir - Modlisation
La phase de caracterisation du reservoir permet la comprehension des proprietes du
reservoir. Elle englobe toute lètude du reservoir, en commenant par la construction dùn
modele geologique, puis par la modelisation de lècoulement des Iluides (modelisation
dynamique) et enIin avec la modelisation numerique de lècoulement prenant en compte ces
deux modeles et reproduisant, a lèchelle du gisement, les donnees de production. Grce aux
progres techniques et inIormatiques, les modeles de reservoir sont de plus en plus detailles, le
reservoir peut tre discretise en plusieurs millions/milliers de blocs elementaires ou mailles.
Une maille represente un volume dùn gisement qui est souvent de lòrdre de 50-100m
horizontalement et 0.1-10m verticalement. Les equations Iondamentales dècoulement sont
alors appliquees entre chaque maille.
Modlisation statique du rservoir : Modle gologique
La modelisation statique du reservoir est realisee pendant la phase de delineation
presentee precedemment, et au Iur et a mesure de làcquisition des donnees lors du
developpement du champ. Le modele decrit les proprietes du reservoir avant la mise en
production, cèst-a-dire lorsque le reservoir est a lèquilibre de pression. Cette modelisation
est complexe du Iait de lìmportance des cots relatiIs a làcquisition des donnees, le
specialiste ne disposant dìnIormation que sur une inIime partie du gisement quìl etudie. Ces
inIormations proviennent generalement de mesures sur carottes, de diagraphies, ou de la
sismique. Lìngenieur reservoir doit donc extrapoler ces quelques donnees ponctuelles sur la
totalite du champ petrolier aIin dèvaluer lènsemble des caracteristiques non plus a quelques
endroits donnes mais sur lènsemble du reservoir.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

6
La construction de ce modele geologique est realisee en trois grandes etapes :
construction dùn modele structural. Cette premiere modelisation provient
principalement de la sismique associee aux mesures aux puits. Elle permet dòbtenir
une image des diIIerentes couches sedimentaires de reservoir, dèstimer
lèmplacement des reservoirs dans le gisement en localisant les Ionds et couvertures
des reservoirs, de caracteriser les principaux evenements de Iracturation, a savoir les
Iailles principales, et enIin les contacts entre les Iluides, notamment le contact huile-
eau.
construction dùn modele stratigraphique. Ce modele est une discretisation du
modele structural sur un maillage cartesien Iin.
construction dùn modele de Iacies. Ce modele determine la geometrie et les
proportions de chaque Iacies et leur attribue des proprietes petrophysiques. Il est
obtenu a partir de la sismique, des mesures aux puits et des proprietes des carottes.
Rappelons quùn Iacies caracterise les conditions sedimentaires et
environnementales du sous-sol, chaque Iacies ayant des proprietes speciIiques (type
de roche, permeabilite, porosite, etc.).
Une schematisation des etapes de la construction du modele geologique est representee
en Figure 1.1. Notons que pour cette Iigure, ainsi que les Iigures suivantes dans cette partie,
nous avons represente en jaune les donnees servant a la construction du modele et en bleu le
modele considere.
ModIe ModIe goIogique goIogique
ModIe ModIe
structuraI structuraI
Donnes Donnes sismiques sismiques
Proportions de facies Proportions de facies
ModIe ModIe
stratigraphique stratigraphique
Diagraphies Diagraphies - -
mesures mesures aux aux puits puits
Modlisation statique du rservoir
Carotte Carotte

Figure 1.1 . Modelisation statique . Modele Geologique
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

7
Remarque : Il existe une difference de plusieurs ordres de grandeur entre lechelle
dobservation des donnees sismiques, tvpiquement de lordre de la di:aine de metres,
lechelle dobservation des mesures sur carottes de lordre de quelques centimetres et enfin la
taille des mailles du modele. Par consequent linterpretation des donnees sismiques et des
mesures sur carottes est sufette a lintroduction dincertitudes sur le modele statique.
La construction dùn modele statique de reservoir revient donc a determiner, entre
autres, la structure geologique du sous-sol, les limites du reservoir, le type de sedimentation
(eolien, Iluvial), le type de piege (Iaille), etc. La caracterisation du reservoir est uniquement
statique, elle ne considere pas la dynamique des Iluides et le type de deplacement, car la
production du gisement nà pas encore commencee. Ce modele peut tre mis a jour ou remis
en cause lors de Iutures phases de developpement, particulierement lorsque le Iorage de
nouveaux puits ou làcquisition de nouvelles donnees suggerent un comportement anormal. Il
doit alors integrer les nouvelles donnees statiques. Cette mise a jour du modele statique est
loin d`tre systematiquement eIIectuee, elle est tres coteuse en temps de calcul, car realisee
sur un maillage cartesien Iin.
Modlisation dynamique : Modle de l'coulement
Une Iois que le reservoir est mis en production et produit par simple depletion, une
etude des proprietes des Iluides et du type de deplacement des Iluides est necessaire. Dans un
gisement, entre autres phenomenes, il peut y avoir un ecoulement simultane dùne ou
plusieurs phases Iluides : eau, huile, gaz. En debut de production, il n`y a parIois quùn seul
Iluide produit, l`huile, et lorsque lòn injecte de lèau et/ou du gaz, 2 ou 3 phases Iluides
peuvent tre imbriquees les unes dans les autres. Determiner le type dècoulement dans un
reservoir est donc une tache complexe. Ainsi, devons nous nous interesser a lècoulement
dùn Iluide polyphasique dans un milieu poreux. Lòbjet de ce chapitre nèst pas de Iaire une
description physique complete du phenomene etudie. On pourra se reporter notamment aux
deux ouvrages de K. Aziz et A. Settari |1| ou D.-W. Peaceman |45| pour une description plus
detaillee de ces problemes.
Ce sont les proprietes petrophysiques dùne roche qui permettent de determiner sa
capacite a constituer un reservoir a hydrocarbures. Une roche est dite reservoir si elle possede
une certaine capacite de stockage, si les Iluides peuvent y circuler, et enIin si elle contient une
quantite suIIisante d`hydrocarbures avec une saturation satisIaisante. La capacite de stockage
de la roche est caracterisee par sa porosite : plus la porosite de la roche est importante et plus
la capacite de stockage est grande. Le deplacement des Iluides a travers les pores de la roche
est determine par la permeabilite de cette roche. Ainsi, le Iluide se deplace dàutant plus
Iacilement que la permeabilite de la roche est importante. EnIin, la quantite d`hydrocarbures
et leur concentration sont prises en compte grce au volume impregne et a la saturation de
chaque Iluide (rapport entre le volume de Iluide et le volume poreux).
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

8
Dans le cas le plus general, la modelisation de lècoulement en milieux poreux Iait
intervenir trois phases Iluides : lèau, l`huile et le gaz. Lècoulement est decrit par la variation
spatiale et temporelle des pressions et saturations de ces trois phases sous lèIIet de lìnjection
ou de la production dùn ou plusieurs Iluides par les puits. La modelisation de lècoulement
dans le reservoir est Iondee sur la prise en compte de diIIerentes lois physiques : loi de
conservation de la masse, loi de Darcy, les equations dètat des Iluides, ainsi que les
conditions dèquilibre thermodynamique. Nous rappelons ici les deux equations cruciales
pour la modelisation de lècoulement, leur demonstration est donnee dans |1|.
La premiere relation Iondamentale est la loi de conservation de la masse. Elle sòbtient
en ecrivant que la variation de la masse dùne phase (eau/huile/gaz) dans un volume donne du
milieu poreux est egale a la diIIerence des quantites entrantes et sortantes de cette phase,
pendant un temps donne. Pour chacune des phases p, la conservation de la masse sècrit :
( ) ( )
p p p p p
S U q
t

+ =
(1.1)
ou q
p
designe le debit dìnjection ou de production de la phase p (terme source),
p
et
p
S
respectivement la densite et la saturation de la phase p, la porosite de la roche et enIin
p
U
la
vitesse dècoulement de cette mme phase.
Outre lèquation de conservation de la masse, une relation liant la vitesse dècoulement
de chacune des phases
p
U
au gradient de pression est necessaire. Il sàgit de la loi de Darcy

dont la Iormulation est donnee par (1.2).
( )
rp
p p p
p
k
U P g:
= k

(1.2)
ou g
represente làcceleration de la pesanteur, k le tenseur de permeabilite de la roche,

rp
k la
permeabilite relative de la phase p,
p
la viscosite et P
p
la pression de la phase p.
La permeabilite relative
rp
k dùne phase p quantiIie làptitude de cette phase a circuler
dans la roche en presence des autres phases. Elle est Ionction des saturations des diIIerentes
phases dans le volume poreux.
Un Iacteur important pour la modelisation dècoulement est la taille du maillage. Il est
toujours preIerable de travailler sur une grille de simulation aussi Iine que possible aIin de
capturer les heterogeneites du reservoir. Cependant, pour des raisons pratiques evidentes, il
convient de Iaire un compromis entre la Iinesse de modelisation et les capacites de temps de
calcul. Ainsi, les simulations dècoulement sont generalement eIIectuees sur un maillage
relativement grossier Iaisant appel a des techniques de mise a lèchelle pour calculer les
proprietes equivalentes du reservoir sur les mailles grossieres. En eIIet, la construction du
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

9
modele statique est realisee sur un maillage Iin, dèchelle environ 10 metres horizontalement
et 0.1 metres verticalement, comprenant jusquà 100 millions de mailles, alors que la
modelisation de lècoulement est eIIectuee sur un maillage dèchelle de lòrdre de la centaine
de metres et comprenant de 10 000 a 100 000 mailles. Lors de ce changement dèchelle, de
lìnIormation est agregee, ce qui contribue a augmenter lìncertitude sur la caracterisation des
proprietes du reservoir.
Lìntroduction des donnees dynamiques dans le modele de reservoir permet une
meilleure comprehension des phenomenes presents dans le reservoir. Ce modele dynamique
est ensuite discretise pour construire un modele numerique dècoulement qui va ensuite servir
a optimiser lèxploitation du gisement. On peut envisager lùtilisation de diIIerents types de
modeles de simulation dècoulement aIin de rendre compte de la complexite de chaque
gisement. Ces modeles prennent en consideration la diversite des reservoirs (geologie,
petrophysique, etc.), le type dècoulement (monophasique, polyphasique) et les diIIerents
modes dèxploitation (depletion, recuperation secondaire, etc ). Le principe de lìntroduction
de la dynamique des Iluides dans le modele de reservoir est presente en Figure 1.2.
ModIe ModIe
ModIe ModIe
Estimation de
Production
GriIIe GriIIe rservoir rservoir Mise Mise I'cheIIe I'cheIIe
SimuIation SimuIation
d'couIement d'couIement
Modlisation dynamique du rservoir
Equation de
Darcy
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 0.2 0.4 0.6 0.8 1
Water saturation
R
e
Ia
tiv
e
p
e
r
m
e
a
b
iItie
s!"#$% !"#$%
DissoIved gas
P
R(T)
Free Gas
R
s
R = R
sb
BubbIe pressure
Schma Schma de de
DveIoppement DveIoppement ? ?
Conditions Conditions Pression Pression
VoIume VoIume Temprature Temprature
Proprits Proprits
PoIyphasiques PoIyphasiques

Figure 1.2 . Modelisation dvnamique du reservoir
Hormis dans quelques cas tres simples, les systemes dèquations regissant les modeles
mathematiques ci-dessus nònt pas de solutions explicites. Il Iaut donc Iaire appel a des
methodes numeriques pour obtenir des solutions approchees. Làccroissement des
perIormances inIormatiques notamment la vitesse de calcul et làmelioration des algorithmes
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

10
de resolution des systemes dèquations aux derivees partielles ont grandement contribue au
developpement de la simulation numerique pour lètude des reservoirs petroliers.
Prise en compte des donnes de production
Le modele dynamique presente dans le paragraphe precedent tient uniquement compte
des proprietes du reservoir et de lècoulement des Iluides, il est maintenant necessaire de
prendre en consideration les donnees de production. Les decisions des ingenieurs ne peuvent
en eIIet tre basees sur des modeles numeriques nàjustant pas les donnees de production deja
observees. Lìntegration des donnees de production dans le modele dècoulement est designe
sous le terme de calage d`historique . Le calage d`historique a pour but de calibrer le
modele numerique dècoulement aIin quìl restitue au mieux le comportement et les donnees
du gisement et quìl reproduise l`historique de production du gisement. En pratique, le modele
est perturbe jusquà ce quìl permette de reproduire les donnees observees. Lèstimation
des parametres de ce modele peut tre vue comme un probleme dòptimisation visant a
minimiser lècart entre l`historique reel de production et les estimations obtenues par le
simulateur dècoulement. La minimisation est alors realisee soit par essais et erreurs , soit
en utilisant des techniques dòptimisation non-lineaires |30|. Le principe du calage
d`historique est presente sur la Figure 1.3.
ModIe ModIe
ModIe ModIe
GriIIe GriIIe rservoir rservoir Mise Mise I'cheIIe I'cheIIe
SimuIation SimuIation
d'couIement d'couIement
100
150
200
250
0 500 1000 1500 2000 2500 3000
Time (day)
B
H
P
(b
a
r)
weII 1
weII 2
weII 3
0
100
200
300
400
0 500 1000 1500 2000 2500 3000
Time (day)
G
O
R
(v
o
I/v
o
I)
weII 1
weII 2
weII 3
0.0
0.1
0.2
0.3
0.4
0.5
0 500 1000 1500 2000 2500 3000
Time (day)
W
a
te
r C
u
t (a
d
im
)
weII 1
weII 2
weII 3
Sismique Sismique rpte rpte Donnes Donnes de production de production
100
150
200
250
0 500 1000 1500 2000 2500 3000
Time (day)
B
H
P
(b
a
r)
weII 1
weII 2
weII 3
0
100
200
300
400
0 500 1000 1500 2000 2500 3000
Time (day)
G
O
R
(v
o
I/v
o
I)
weII 1
weII 2
weII 3
0.0
0.1
0.2
0.3
0.4
0.5
0 500 1000 1500 2000 2500 3000
Time (day)
W
a
te
r C
u
t (a
d
im
)
weII 1
weII 2
weII 3
Mise jour du
modle d'coulement

Figure 1.3 . Caracterisation du modele dvnamique
Remarque : Dans certains cas, le calage dhistorique aboutit a une mise a four du
modele geologique, mais ceci est loin dtre svstematique.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

11
Ainsi, des lors que le gisement est en phase de production, il convient de proceder a un
calage de l`historique de production pour contraindre les parametres du modele numerique
dècoulement. Les parametres de ce modele numerique de simulation sont reajustes au cours
de lèxploitation du gisement, aIin de pouvoir integrer les nouvelles donnees de production et
ainsi aboutir a une meilleure comprehension des caracteristiques du reservoir.
Ce modele de simulation est Ionction dùn grand nombre de parametres dèntree :
permeabilite, porosite, saturation, emplacement des puits, scenario envisage pour produire,
etc. Dans la suite de ce manuscrit, le terme parametres designe les variables dèntree du
simulateur, il sàgit du terme communement employe en ingenierie de reservoir. Ce terme ne
doit pas tre conIondu avec les parametres du modele statistique.
Les reponses en production sont evaluees sur des milliers de mailles, de ce Iait, une
simulation dècoulement peut durer de quelques heures a plusieurs jours en temps de calcul,
en Ionction de la taille du reservoir et de la complexite du modele dècoulement resultant. Ce
modele de simulation est ensuite utilise pour prevoir les productions Iutures du gisement sous
diIIerents schemas dèxploitation pour enIin aboutir a un developpement optimal du gisement
en prenant en compte les risques lies au choix du schema dèxploitation.
1.1.3 Prvision de production et schma de dveloppement
Lors de la mise en exploitation du reservoir, il est indispensable de determiner un
schema de developpement optimisant la recuperation a la surIace des hydrocarbures presents
dans le reservoir, tout en respectant certains criteres economiques. Le plan de developpement
doit, par exemple, determiner le nombre de puits a mettre en place, la conIiguration de ces
puits (emplacement dans le gisement, longueur, etc.), etc. Lèlaboration du schema de
developpement requiert une bonne comprehension des phenomenes a lùvre dans le
gisement. Toutes les caracteristiques du gisement ainsi que les conditions dèxploitation etant
integrees dans le modele dècoulement, il va permettre de predire le plus precisement possible
les productions du reservoir lorsquìl est soumis a diIIerentes contraintes et ainsi envisager
une exploitation optimale. Il est alors, par exemple, possible dètudier lìmpact sur la
production dùne modiIication du scenario de production et ainsi de determiner un schema de
developpement plus perIormant ou dàmeliorer le schema de production en cours. Ceci a pour
but une gestion optimisee du reservoir et donc une meilleure evaluation du risque present lors
de lèxploitation du gisement.
TouteIois, il ne Iaut pas oublier que la phase de caracterisation du reservoir est eIIectuee
grce a des donnees nombreuses et variees, mais ne provenant que dùne inIime partie du
gisement. Ainsi, bien que le modele de simulation soit calibre a partir dùn grand nombre de
donnees, beaucoup dìncertitudes subsistent. Dans toute etude de reservoir, il est donc
indispensable de quantiIier les incertitudes.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

12
1.2 Gestion des incertitudes en ingnierie de rservoir
1.2.1 Notion d'incertitudes
La gestion des incertitudes apparat a chaque pas de la vie dùn gisement, en
commenant par lèxploration puis par le developpement et la production du gisement. Les
premieres incertitudes apparaissent des la decouverte du reservoir, lors de la phase de
delineation avec, par exemple, des incertitudes sur la taille du reservoir ou sur les estimations
du volume d`hydrocarbures et des reserves productibles. A ces premieres incertitudes
sàjoutent les incertitudes relatives a làcquisition des donnees (quantite et Iiabilite des
prelevements) et aux interpretations qui en resultent. Ceci est notamment le cas pour les
donnees sismiques, la caracterisation des Iractures du reservoir et pour determiner les
proprietes des Iluides presents dans le gisement. Ces incertitudes sont dàutant plus grandes
en debut dèxploitation lorsque le nombre de puits et de donnees de production est Iaible.
Lìncertitude resulte alors dùne connaissance incomplete des caracteristiques du reservoir et
laisse donc de nombreuses interpretations possibles. Il est par exemple possible de construire
plusieurs modeles geologiques respectant les donnees acquises.
Le systeme physique du reservoir est modelise par des equations mathematiques
appropriees. Lùtilisation de ces modeles necessite lìntroduction d`hypotheses indispensables
pour la resolution du probleme. Par exemple, pour la modelisation geologique, il Iaut tenir
compte des caracteristiques du sous-sol, en particulier le nombre et la proportion des Iacies,
ceux-ci caracterisant la permeabilite, la porosite, la sedimentation, etc. Pour le modele
numerique de simulation, les hypotheses concernent principalement les dimensions du
reservoir, la presence et la localisation de Iailles ou de Iissures, la proIondeur du contact
huile/eau, le type dècoulement, etc. De plus, le modele numerique de simulation Iait en
general intervenir des dizaines voire des centaines de parametres dèntree parmi lesquels un
grand nombre sont incertains : les parametres geometriques (taille du reservoir, emplacement
des Iailles, etc.), les parametres dèxploitation (type de recuperation, position et nombre de
puits, debits de production, injection dèau ou de gaz, etc.), les parametres petrophysiques
(permeabilites, porosites), etc. La solution de ce modele numerique, cèst-a-dire lèstimation
de la production d`hydrocarbure en Ionction des diIIerents parametres dèntree, est donc
deduite de donnees incertaines. Une Iaible variation de lùn des parametres du modele de
simulation dècoulement peut, par exemple, entraner des previsions de production tres
diIIerentes.
Nous donnons ici plusieurs exemples pour illustrer lìnIluence sur la reponse dùne
incertitude sur les parametres, ou variables dèntree. Ainsi, le premier exemple, tres simple,
permet dìllustrer lèIIet des incertitudes lors de la phase de delineation. Supposons que
lètude porte sur un gisement a exploiter de taille 3km par 3km. Lèpaisseur du gisement est
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

13
mal connue, on la suppose entre 50m et 100m. La porosite moyenne varie entre 15 et 25
et la saturation en huile entre 60 et 75. EnIin la recuperation d`huile est estimee entre 20
et 40. En considerant un prix dùn baril de brut a 50, la valeur economique du gisement
peut diIIerer dènviron 3 milliards de dollars entre le meilleur et le moins bon des cas. Il est
evident quùne telle incertitude sur lèconomie du systeme aura un impact considerable sur la
prise de decision de developper le champ ou non.
Trois autres exemples sont presentes sur la Figure 1.4.
1535000
1536000
1537000
0 1 2 3 4 5
MuItipIicateur de PermabiIit
H
u
i
I
e

C
u
m
u
I

1
8
2
5
j
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
0
2
0
4
0
6
0
8
0
1
0
0
1
2
0
1
4
0
1
6
0
1
8
0
AngIe d'htrognit
H
u
i
I
e

C
u
m
u
I

7
0
0
j
3000
3200
3400
3600
3800
4000
4200
0 2 4 6 8 10 12 14 16
Rapport de MobiIt
H
u
i
I
e

C
u
m
u
I

2
0
0
j
(a) (b) (c)

Figure 1.4 . Jariations du cumule dhuile produit en 1825 fours en fonction de
differents parametres
Le premier exemple, illustre sur le graphe (a) de la Figure 1.4, decrit lìmpact dùne
incertitude sur la permeabilite. Dàpres lèquation de Darcy (1.2), cette incertitude va se
propager sur la valeur du gradient de pression et donc sur la production du reservoir. Par
consequent, une Iaible variation de la permeabilite peut entraner une variation dans
lèstimation de la production. Ce graphe represente les variations dùne reponse en
production, la production cumulee d`huile apres 5 ans, en Ionction dùn coeIIicient
multiplicateur de la permeabilite. Nous voyons que le coeIIicient multiplicateur de
permeabilite a une inIluence globalement quadratique sur la production cumulee d`huile, mais
que cette tendance generale est aIIectee dùn grand nombre dìrregularites. Une estimation
precise de la production, dans un contexte dìncertitude sur la permeabilite, nèst donc pas
possible, une Iaible variation du coeIIicient multiplicateur pouvant avoir un eIIet non
negligeable sur la production.
Le graphe (b) represente la valeur de la production d`huile cumulee a 700 jours en
Ionction de làngle d`heterogeneite. En eIIet, nous considerons un reservoir 2D, avec deux
Iacies de permeabilites diIIerentes et nous Iaisons varier làngle d`heterogeneite dans le
variogramme. Nous constatons ici une grande irregularite de la production d`huile cumulee,
une incertitude sur lèstimation de làngle d`heterogeneite peut entraner de grandes variations
sur la production d`huile cumulee.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

14
Le graphe (c) represente la valeur de la production d`huile cumulee a 200 jours en
Ionction du rapport de mobilite entre les Iluides, i.e. du rapport entre la mobilite de l`huile et
la mobilite de lèau. Ainsi, on constate que pour certains rapports, lèau nàrrive pas avant 200
jours de production, alors que pour des rapports plus eleves, i.e. lorsque l`huile est plus
visqueuse, lèau arrive au puits producteur. Il y a percee dèau et donc la production d`huile
cumulee diminue. Il est donc important de bien estimer ce rapport de mobilite, celui-ci ayant
une grande inIluence sur les estimations de production.
Ainsi, lìngenieur doit Iaire Iace a une multitude dìncertitudes, chacune dèntre elles
ayant une inIluence sur les previsions de production. La prise en compte des incertitudes en
ingenierie de reservoir a donc pour but de repondre aux deux questions suivantes :
Lìncertitude sur les parametres du reservoir a-t-elle un impact sur les resultats
de production
Comment quantiIier et/ou reduire cet impact sur les previsions de production
La gestion des incertitudes devient donc essentielle en ingenierie de reservoir, elle
permet non seulement dàccrotre la production, mais precise surtout les enjeux economiques.
Les cots dàcces au reservoir et de Iorage de puits etant tres importants, il est crucial
dìnvestir dans des zones peu risquees et de ne pas eIIectuer des Iorages dans des endroits ou
les reserves sont incertaines. Les prises de decision doivent donc tre envisagees en integrant
le contexte incertain inherent a la connaissance partielle des reservoirs.
1.2.2 Gestion des incertitudes : problmatique
AIin dòbtenir des previsions de production realistes, il est essentiel de tenir compte des
caracteristiques des parametres incertains inIluenant les reponses en production. Dans un
premier temps, il est indispensable dìdentiIier, parmi tous les parametres incertains speciIies,
ceux qui ont une inIluence reelle sur les evaluations de production, cèst-a-dire ceux dont une
Iaible variation entrane une grande variabilite dans la production. Il sàgit ainsi de mener une
etude de sensibilite. Cette etude permettra aussi dìdentiIier les parametres qui, bien
quìncertains, nìnduisent pas de variations signiIicatives de la production.
Une Iois les parametres incertains les plus inIluents determines, une phase de
quantiIication du risque associe a ces parametres est envisagee. Lìngenieur peut alors juger
de reduire les risques, sìls sont trop importants, par une etude plus approIondie des
parametres les plus inIluents. Pour cela, il peut par exemple, preconiser de nouvelles mesures
ou realiser des experiences en laboratoire ou directement sur champ.
Par ailleurs, cette phase de quantiIication des risques va permettre a lìngenieur
reservoir de considerer lìncertitude lors de ses prises de decision durant lèxploitation du
gisement. Il peut ainsi eIIectuer une etude dòptimisation du schema de production. Celle-ci
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

15
consiste a determiner les valeurs des parametres inIluents (et contrlables) permettant de
maximiser la production (nombre de puits, injection dèau ou de gaz, debit dìnjection, etc.),
tout en minimisant le risque associe aux incertitudes. Il reduira ainsi lìmpact des incertitudes
sur la production en privilegiant les decisions qui aboutiront au compromis entre une
production maximale et le risque.
Les deux objectiIs principaux de la quantiIication des incertitudes sont donc :
acquerir une meilleure connaissance du systeme etudie, notamment en terme de
risque et eventuellement preconiser un retour a la caracterisation pour reduire le
risque. Cette derniere phase nèst rien dàutre quùn probleme dìdentiIication.
la calibration des parametres contrles par lìngenieur aIin dòptimiser la
production du gisement.
La gestion des incertitudes est une des principales diIIicultes de lìndustrie petroliere,
elle est devenue necessaire pour la prise de decision. Ceci est dàutant plus important en debut
de production, lorsque le nombre de donnees servant a la calibration des modeles est peu
important.
1.2.3 Gestion des incertitudes : mthodologie
AIin de bien caracteriser lìmpact de chaque parametre incertain sur la production, un
nombre important de simulations numeriques dècoulement est necessaire |75|. Compte tenu
du cot important requis par une simulation dècoulement, a savoir de quelques heures a
plusieurs jours, il est evident quòn ne peut pas envisager de tester tous les scenarii
envisageables directement via le modele dècoulement. Une solution pour remedier a ce
probleme est de construire un modele approche du comportement du modele numerique
dècoulement. Ce modele approche traduit le comportement dùne reponse en production
donnee, par exemple, le cumule d`huile produit a 10 ans, en Ionction de quelques parametres
consideres incertains. Les modeles approches peuvent tre evalues tres rapidement et donc la
question des cots de calcul nèst plus un obstacle a la quantiIication des incertitudes, les
simulations de Monte-Carlo sont, par exemple, envisageables.
Au cours de lètude de quantiIication dìncertitude ou de schema dèxploitation, le
modele approche est utilise parce quìl est simple et explicite et donc chaque simulation
via ce modele est immediate, ce qui constitue une reduction de cot considerable. Ce modele
a pour parametres dèntree les diIIerentes caracteristiques a optimiser, il reste donc le mme
pour chaque scenario. Lùtilisation de ce modele autorise ainsi lìngenieur reservoir a tester
autant de scenarii quìl le souhaite, sans se soucier du cot eIIectiI dùne simulation
numerique dècoulement.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

16
Une gestion des incertitudes basee sur la construction dùn modele approche du
simulateur dècoulement est donc incontournable pour lòbtention de previsions de production
Iiables et pour lòptimisation des schemas de production tout en tenant compte du risque
associe.
La construction de ce modele approche pose touteIois un probleme clairement identiIie :
comment traduire correctement le comportement de la reponse en production. Aussi, le
modele doit satisIaire aux deux caracteristiques suivantes :
- reproduire le comportement deja observe via les simulations : le modele devra ajuster
les simulations realisees directement via le simulateur dècoulement. On parlera ici de
qualite dàjustement du modele.
- predire de maniere Iiable le comportement de la reponse en production pour des
valeurs des parametres du modele pour lesquels aucune simulation nà ete realisee. On
parlera ici de qualite de predictivite du modele.
1.3 Objectif de la thse
LòbjectiI de cette these est la mise en place dùne methodologie pour conduire a une
gestion matrisee des incertitudes lors de lèxploitation dùn gisement petrolier. Il sàgit
dètablir un Iormalisme coherent de modelisation du comportement des reponses en
production en tenant compte de la dependance complexe, souvent Iortement non-reguliere, de
ces reponses (ater-cut, cumule d`huile, etc.) par rapport aux parametres physiques
(permeabilite, porosite, etc.). Le probleme consiste a construire un modele approche du
modele numerique dècoulement qui soit le plus predictiI possible, tout en contrlant le
nombre de simulations numeriques dècoulement requises pour calibrer ce modele approche.
De recents travaux, |32| et |33|, ont permis dàborder le probleme de la quantiIication
des incertitudes en ingenierie de reservoir. Ces travaux sont bases sur la construction dùn
modele approche du simulateur numerique dècoulement par une Ionction polynomiale des
parametres, generalement du premier ou second degre. Cependant, dans la majorite des cas,
cette hypothese de regularite aux parametres est mise en deIaut. Lorsque nous parlerons de
regularites, il sàgit de la possibilite de modeliser les relations parametres reponse a làide
de Ionctions polynomiales de degre Iixe, non seulement un (cas de la linearite), mais aussi
deux, complets ou tronques (par exemple de degre un avec interactions), voire trois ou plus.
AIin dàboutir a une gestion matrisee des incertitudes, il est necessaire de mettre en
place une methodologie peu coteuse en terme de simulations numeriques permettant de
predire de maniere eIIicace des comportements de reponses non-regulieres. Le meilleur
compromis entre la qualite de la modelisation de lìncertitude et le cot inIormatique est
recherche. La construction de ce modele approche, a la Iois Iiable et predictiI, permettra une
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

17
meilleure analyse des scenarii et lòptimisation des schemas de production par une prise de
decision visant a minimiser les risques lies aux incertitudes.
Le caractere predictiI du modele approche est principalement lie a la Iorme du modele
choisi. Il est par exemple diIIicile dòbtenir une bonne qualite de prediction si lòn cherche a
predire, par un polynme du premier degre, un phenomene regit par un polynme du second
degre. Dans ce contexte, une attention particuliere a ete portee a lètude des modeles
dàpproximation autres que lineaires ou quadratiques par rapport aux parametres. Il est en
eIIet Irequent dàvoir a etudier des reponses en production non-regulieres par rapport aux
parametres dans le cadre dùne etude reservoir. Etant donne que nous ne disposons dàucune
inIormation a priori sur le type de non-regularites de la reponse, les methodes de statistique
non-lineaire (moindres carres non-lineaire, etc...) sont generalement delicates a mettre en
uvre. Nous envisageons donc une autre approche, plus empirique, basee sur un principe
dàpprentissage.
Ce manuscrit decrit une methodologie de prediction de reponses non-regulieres pour des
reservoirs petroliers. Nous commenons par presenter lèxpression du modele
dàpproximation que nous preconisons puis nous proposons une approche originale de
recherche de lèstimateur de plus grande predictivite. Nous etablissons ensuite une strategie
dèchantillonnage du domaine experimental.
Dans le chapitre deux, nous Iaisons un rapide bilan des travaux mathematiques sur la
gestion des incertitudes en ingenierie de reservoir, celle-ci connaissant un intert croissant ces
dernieres annees |32|. Nous introduisons les principales methodes utilisees pour la
quantiIication des incertitudes, notamment a partir de plans dèxperiences euclidiens
(methodologie des surIaces de reponse). Nous presentons lìntert de ces approches puis
indiquons leurs limitations dans le contexte de la modelisation de reponses non-regulieres.
Nous terminons par Iormuler une proposition methodologique, consistant a modeliser la
reponse de maniere iterative.
Le troisieme chapitre est consacre a lèmploi couple de techniques de regression et de
krigeage pour approximer la loi simulee par interpolation dùn echantillon de reponses du
simulateur. Plus precisement, nous proposons ici dàjuster une Ionction polynomiale par
regression et dàjouter dùn terme aleatoire. Nous examinons quelles diIIicultes interviennent
dans lèstimation de la Ionction de covariance entre observations.
Dans le quatrieme chapitre, nous proposons une approche innovante consistant a
ameliorer la qualite predictive de làpproximation par ajout dìnIormation Iictive. Ces points
IictiIs, encore appeles points pilotes, sont choisis de maniere appropriee pour ameliorer la
predictivite de làpproximation.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

18
Le cinquieme chapitre est consacre aux problemes dèchantillonnage du domaine
incertain. Nous decrivons en premier lieu une etude de la dependance de la reponse aux
parametres aIin de deIinir un sous-ensemble du domaine experimental pour lequel un
enrichissement du dispositiI est necessaire. Ensuite, nous proposons diIIerentes strategies
dàjout de nouvelles simulations au plan dèxperiences initial. DiIIerentes options sont
presentees ici, en particulier la recherche des points dìnIlexion et des extrema. Nous
Iormulons egalement un critere de sensibilite a la predictivite. Nous terminons par làjout de
points de conIirmation et dùn critere permettant de juger la qualite de làpproximation.
Le sixieme chapitre presente plusieurs exemples de modelisation de Ionctions types par
làpproche evolutive. Le chapitre sept est consacre a deux cas tests dàpplication en ingenierie
de reservoir envisages au cours de cette these. Nous presentons un cas synthetique et un cas
reel appartenant au patrimoine minier de la compagnie nationale bresilienne Petrobras. Nous
remercions ici Petrobras pour leur autorisation a exploiter leurs jeux de donnees.
Nous terminons enIin, dans le huitieme chapitre, par presenter les conclusions de ces
travaux de recherche et nous decrivons les diIIerentes perspectives envisagees.
1.4 Conclusions
La quantiIication des incertitudes lors de la recuperation d`hydrocarbures est
dìmportance cruciale en ingenierie de reservoir. Elle a un double enjeu : maximiser la
production tout en minimisant les cots dèxploitation. Elle constitue un deIi puisquèlle
requiert une comprehension de làrchitecture statique dùn reservoir et de son comportement
dynamique lors de la production. Par lìntermediaire du modele numerique dècoulement, la
gestion des incertitudes implique un grand nombre de parametres et peut tre realisee sur
plusieurs reponses en production (production d`huile, production dèau, de gaz, . ). Une
simulation dècoulement pouvant tre tres coteuse en temps de calcul, il est necessaire de
disposer dàpproches permettant de contrler le cot dùne etude de quantiIication
dìncertitudes.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

19
Chapitre 2
Gestion des Incertitudes en Ingnierie de
Rservoir - tat de la question
Pour caracteriser et quantiIier lìmpact des incertitudes en ingenierie de reservoir, les
ingenieurs ont recourt a la simulation numerique dècoulement. Des simulations sont realisees
pour determiner les eIIets des heterogeneites geologiques et de la variabilite des parametres
sur les perIormances du reservoir en production. Par parametre, nous considerons par exemple
la saturation initiale en eau, la permeabilite de la roche, etc. Les simulations servent
egalement a mieux comprendre les mecanismes physiques qui regissent lècoulement et a
tester diIIerents scenarii de production. Mais plusieurs parametres peuvent interagir et donc
aIIecter les estimations de production, ainsi un examen exhaustiI du comportement de la
production pour toutes les combinaisons possibles des parametres est-il prohibitiI en temps de
calcul. Les parametres qui ont une Iorte inIluence sur le comportement de la production
doivent tre identiIies pour se Iocaliser ensuite sur lànalyse des risques associes a ces
parametres inIluents. Nous presentons, dans ce chapitre, les diIIerentes techniques employees
au cours des dernieres annees pour la gestion des incertitudes sur les estimations de
production de reservoirs petroliers. Section d'equation 2
2.1 Mthodologie pour la gestion des incertitudes en ingnierie de
rservoir
La gestion des incertitudes dùn reservoir repose sur des inIormations partielles
recueillies lors de la caracterisation du reservoir. La modelisation demande donc
lìntroduction d`hypotheses qui permettent lèxtrapolation des quelques mesures ponctuelles
et locales a lènsemble du reservoir. Le nombre de parametres qui sont incertains peut des lors
tre important, typiquement de lòrdre de la dizaine, voire de quelques milliers. De plus, les
incertitudes sur ces parametres sont dàutant plus grandes que la connaissance du reservoir est
imprecise, ce qui est notamment le cas de gisements en developpement ou en debut
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

20
dèxploitation. Dans ce contexte, le recours a des approches probabilistes et stochastiques est
rapidement devenu indispensable.
2.1.1 Position du problme
Lìntroduction dans les annees 60 des ordinateurs et les progres de lànalyse numerique
ont permis de recourir a la simulation numerique en ingenierie de reservoir avec lèmploi de
methodes de Monte-Carlo pour lèchantillonnage. Ainsi, en 1967, Walstrom et al. |71| ont ete
les premiers a appliquer avec succes cette technique a plusieurs problemes en ingenierie de
reservoir. Ils proposent dàttribuer a chaque variable une loi de probabilite uniIorme ou
triangulaire et de realiser les simulations directement via le simulateur dècoulement. Mais le
nombre prohibitiI de simulations requises par les methodes de Monte-Carlo, typiquement
plusieurs milliers, rend cette approche diIIicile a mettre en uvre pratiquement.
2.1.2 Les mthodes de Monte-Carlo en ingnierie de rservoir : recours un
modle approch
Les perIormances croissantes des calculateurs nònt pas permis de surmonter ce
probleme de cot, dàutant plus que les modeles simules nònt cesse de devenir de plus en
plus complexes. Il est donc devenu quasiment indispensable de recourir non seulement a des
methodes dèchantillonnage systematique (methodes de quasi Monte-Carlo), mais aussi a des
modeles statistiques approximant les lois simulees. Cèst ainsi que les plans dèxperiences, en
particulier les plans utilises pour làjustement et lànalyse de surIaces de reponse, sont
intervenus en ingenierie de reservoir. Ainsi, en 1980, Damsleth et al. |15| proposent dùtiliser
cette methodologie pour la simulation dècoulement avec lètude de la production dùn
reservoir de la mer du Nord.
Des lors, les methodes de quasi Monte-Carlo ne sont plus utilisees directement via le
simulateur dècoulement. La methodologie de quantiIication des incertitudes en ingenierie de
reservoir se divise ainsi selon les phases suivantes :
- Determination des parametres incertains et deIinition des plages dìncertitudes
associees
- Evaluation et analyse de la sensibilite de la reponse a lìncertitude aux parametres
o Realisation de simulations numeriques dècoulement en vue de
determiner lìmpact des parametres incertains sur la reponse en
production etudiee,
o Analyse de sensibilite en vue de selectionner les parametres inIluents et
de supprimer les parametres non inIluents,
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

21
- Construction dùn modele approche du comportement de la reponse en
production en Ionction des parametres incertains determines comme inIluents
lors de lànalyse de sensibilite,
- Estimation des incertitudes sur la reponse en production par methode de quasi
Monte-Carlo, via le modele approche.
Ainsi, le modele approche construit a lìssue de la phase de sensibilite est utilise comme
une version simpliIiee du modele de simulation pour quantiIier lìmpact des parametres (de
reservoir ou geologiques) qui inIluent sur les previsions de production. Une analyse de risque
est realisee : elle consiste a eIIectuer un echantillonnage quasi Monte-Carlo sur les parametres
du modele approche aIin de predire la densite de probabilite correspondante de la reponse. A
chaque parametre est associee une loi de probabilite, et grce aux predictions du modele
simpliIie pour cet echantillonnage, on obtient une estimation de la densite de probabilite des
estimations de production, sans avoir, a nouveau, recours au simulateur dècoulement. La
reponse predite est utilisee pour calculer la densite et les quantiles (P10, P50 et P90) de la
production, ce qui est primordial pour prendre des decisions dans un contexte incertain. Les
valeurs P10, P50 et P90 caracterisant les valeurs possibles minimale, moyenne et maximale de
la production.
La methodologie utilisee pour la quantiIication des incertitudes en ingenierie de
reservoir peut tre illustree par la Figure 2.1.
xF
-1.0
-0.5
0.0
0.5
1.0
yF
-1.0
-0.5
0.0
0.5
1.0
-1
0
Plan d'expriences Simulation d'coulement Surface de rponse Distribution de rponse en production Sensibilit des paramtres

Figure 2.1 . Methodologie emplovee pour la gestion des incertitudes.
Analyse de sensibilit et rduction du nombre de paramtres incertains
Pour reduire le temps dànalyse et de construction du modele approche, une premiere
etape consiste a preselectionner les parametres du modele dècoulement qui pourraient avoir
une inIluence importante sur les estimations de production du reservoir etudie |70|. Cette
premiere analyse va determiner les parametres qui sont a prendre en compte dans la
construction du modele approche : cèst lànalyse de sensibilite.
Cette etape est primordiale car si des variables inIluentes ne sont pas prises en
consideration pour la construction du modele approche, cela peut amener a une mauvaise
caracterisation de lìncertitude et du risque et donc induire des decisions erronees. A
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

22
contrario, le Iait de prendre en compte des variables non signiIicatives augmente la duree de
lànalyse et le nombre de simulations dècoulement a realiser, sans pour autant aboutir a une
amelioration des resultats.
Làpproche traditionnelle pour lànalyse de sensibilite est souvent designee par one-
parameter-at-a-time |15|. Cette methode est utilisee pour la quantiIication des incertitudes
sur les resultats de simulation en Ionction des diIIerents parametres. Trois niveaux par
parametres (P10, P50, P90) sont deIinis. Dans cette approche, on attribue la valeur P10 ou
P90 a un parametre, tous les autres restent au niveau P50 pour chaque simulation. Cette
methode permet de realiser une etude de sensibilite des parametres en vue dèliminer les
parametres inIluents pour les phases dànalyse de risque et ainsi reduire le temps de calcul
requis. Cette methode peut tre biaisee parce que son analyse repose sur la comparaison de
diIIerentes simulations pour lesquelles tous les parametres sauI un sont maintenus au niveau
P50. Implicitement, elle suppose donc que tous les parametres sont independants et ne sont
pas en interaction les uns par rapport aux autres.
Damsleth et al. |15| ont etudie un exemple dànalyse de sensibilite dans un champ de
gaz de la mer du Nord. Par le biais de làpproche one-parameter-at-a-time , cette analyse
aurait requis lèquivalent de 15 500 simulations, soit environ une duree de 40 ans
De ce Iait, il est apparu la necessite dùtiliser des techniques beaucoup moins coteuses.
Lìndustrie petroliere a eu recours dans les annees 1990 a la methode des plans dèxperiences,
technique qui Iut introduite par Fisher en 1924, notamment pour des applications a
lèxperimentation reelle en agronomie et en biologie. En industrie petroliere, les premieres
utilisations des plans dèxperiences ont concerne les experiences reelles, realisees en
laboratoire. TouteIois, il y eu peu dàutres exploitations de cette methode, hormis pour
lànalyse de sensibilite, jusquà lìntroduction par Sacks et al., en 1989, des plans
dèxperiences pour experiences simulees. Le champ des applications dans lìndustrie
petroliere sèst alors largement elargi. Des 1992, des plans ont ete utilises avec grand succes
en simulation de reservoir |15| et |20|.
Un plan dèxperiences a en eIIet pour objet de planiIier le nombre et lèmplacement des
simulations a realiser aIin dàcquerir le maximum dìnIormation a un cot le plus Iaible
possible en Iaisant varier les parametres simultanement. Il Iaut noter quèn ingenierie de
reservoir, le processus physique est etudie par le biais dùn simulateur dècoulement, les
experiences sont donc numeriques et par consequent leur traitement diIIere des experiences
reelles.
Dans cette approche, les parametres varient simultanement, et donc les interactions
entre les variables sont prises en compte dans les estimations, contrairement a la methode
one-variable-at-a-time ou les parametres varient lùn apres làutre. Ainsi, il est possible
dèvaluer non seulement lìnIluence dùn parametre sur la reponse en production, mais aussi
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

23
dèvaluer lìmpact d'une interaction entre deux parametres lors de la phase dànalyse de
sensibilite.
En 1992, Damsleth et al. |15| proposent lùtilisation de plan D-Optimaux, qui
permettent de gagner 30 a 40 de simulations par rapport a làpproche one-variable-at-a-
time pour des analyses de sensibilite. De mme, en 1999, White |72| et Dejean |16|
exposent ainsi une methode, basee sur lùtilisation de plans dèxperiences D-optimaux et de
regression lineaire, pour realiser une etude de sensibilite aux parametres. Ils proposent
dìnvestiguer la dependance de la production aux parametres par une analyse des residus
obtenus par regression. La sensibilite de la reponse a un Iacteur est representee par la derivee
initiale de la regression par rapport a ce Iacteur. Lànalyse de sensibilite est basee sur un test
de Student, qui permet de determiner quels sont les termes de plus grande inIluence sur la
production a làide de statistiques suivant une loi de Student |73|. Les Iacteurs qui ne sont pas
inIluents sont supprimes du modele aIin de reduire la variabilite des resultats.
Lìntroduction de la methode des plans dèxperiences en ingenierie de reservoir a ete
dìmportance cruciale, aussi bien pour une meilleure precision dans les analyses de sensibilite
comme nous venons de le voir, que pour la mise en pratique des analyses de risque.
Plans d'expriences et construction d'un modle approch
Des lors que les parametres inIluents sont determines, la construction dùn modele
approche dependant de ces parametres necessite le choix dùn certain nombre de simulations
dècoulement a eIIectuer. Cèst un probleme dèchantillonnage dont la solution depend de la
methode utilisee pour construire le modele.
Les trois principales methodes utilisees en ingenierie de reservoir pour la construction
dùn modele approche sont la methode des reseaux de neurones |23|, |31|, la regression
multivariee |12|, |16|, |46| et |72|, et le krigeage |20| et |74|. Elles peuvent ici intervenir pour
obtenir une approximation du modele numerique dècoulement.
Depuis 1991, la methode des plans dèxperiences est Irequemment mise en uvre pour
la gestion des incertitudes en ingenierie de reservoir |23| et |33|, elle est tres utilisee pour
evaluer les incertitudes sur la geologie et sur la production |32|. Les plans dèxperiences ont,
par exemple, montre leur intert pour les estimations de production en substituant au modele
numerique de simulation une surIace de reponse approchee |69| et |70|, puis pour
lòptimisation |16| avec la recherche de lèmplacement optimal de nouveaux puits.
Par ailleurs, des plans dèxperiences ont ete utilises pour traiter des problemes
speciIiques en ingenierie de reservoir, notamment pour la gestion de parametres dits
stochastiques |76| |79| ou discrets |25| |79|.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

24
Dans la suite de ce chapitre, nous presentons plus en detail les diIIerentes etapes de ce
processus de quantiIication des incertitudes. Nous introduisons principalement les notions les
plus utilisees pour la gestion des incertitudes avec entre autres, la theorie des plans
dèxperiences et les methodes de construction de modele approche.
Nous verrons dans la suite de ce chapitre les plans dèxperiences les plus classiquement
utilises pour la gestion des incertitudes.
2.2 Plans dèxpriences pour l`chantillonage du domaine
incertain
Le premier travail a realiser pour la quantiIication des incertitudes sur les previsions de
production est donc la construction dùn modele approche du modele dècoulement. Il Iaut
avoir deIini au prealable une liste des parametres susceptibles dìnIluencer la production et
leur domaine de variation, cèst-a-dire le domaine experimental (aussi appele domaine
incertain). Il Iaut egalement choisir la Iorme a priori du modele approche. LòbjectiI ici est
alors dèstimer les coeIIicients de ce modele aIin quìl decrive correctement le comportement
de la reponse. Tout ceci passe par un echantillonnage de valeurs de parametres, pour lesquels
les simulations vont tre eIIectuees. Nous allons a present voir comment choisir le nombre et
les conditions des simulations a eIIectuer.
2.2.1 Choix du nombre et de l'emplacement des simulations raliser
La taille de lèchantillonnage resulte dùn compromis : il Iaut dùne part que le nombre
de simulations soit suIIisamment important pour estimer tous les coeIIicients du modele
approche et dàutre part, il est souhaitable de realiser un nombre reduit de simulations pour
limiter le cot de simulation.
Le choix des valeurs des parametres pour lesquels les simulations doivent tre
eIIectuees est le principal probleme : les simulations doivent en eIIet tre choisies de maniere
a tre le plus inIormatives possible pour un cot donne. Pour illustrer cela, nous donnons ci-
dessous, sur la Figure 2.2, deux exemples dèchantillonnage pour deux parametres : le
coeIIicient dàquiIere et la permeabilite. Le coeIIicient dàquiIere prend ses valeurs entre 0.2
et 0.3, la permeabilite entre 150mD et 250mD. La reponse consideree ici est la production
cumulee d`huile a sept ans de production. Lèchantillon est constitue de cinq simulations.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

25
illustration
&'()*+ &'()*+#*,-#./01#2#./3 *,-#./01#2#./3
1
5
0

2
0
0

2
5
0
K
h

(
m
D
)
0
.
3

0
.
2
5

0
.
2
A
q
1.5
1.5
1 1
0.5
0.5
0 0
CumoiI
(10
6
m
3
)
1
5
0

2
0
0

2
5
0
K
h

(
m
D
)
0
.
3

0
.
2
5

0
.
2
A
q
&'()*+ &'()*+#*,-#./41#2#5/0 *,-#./41#2#5/0
1.5
1.5
1 1
0.5
0.5
0 0
CumoiI
(10
6
m
3
)

Figure 2.2 . Echantillonnage du domaine incertain
Le premier echantillonnage presente ici est choisi aleatoirement dans le domaine
incertain (methode de Monte-Carlo). Le second est obtenu par la methode des plans
dèxperiences (echantillonnage systematique).
Nous pouvons voir dans cet exemple que les valeurs extrmes observees de la
production cumulee d`huile decrivent une variation plus etendue de la reponse pour le second
echantillonnage, a savoir de 0.25 a 1.4 millions m
3
que pour le premier, a savoir de 0.45 a 0.6
millions m
3
. Ainsi, la methode des plans dèxperiences permet, pour un cot donne, de
sàssurer que les points choisis pour la simulation decrivent au mieux la plage de variation de
la reponse.
2.2.2 Plans d'expriences euclidiens
Dans le cas general, cèst-a-dire sans utiliser la methode des plans dèxperiences, une
analyse rigoureuse de N parametres prenant p niveaux diIIerents demande p
N
simulations. Un
niveau est une valeur que peut prendre le parametre. Ce nombre peut rapidement remettre en
question la Iaisabilite de lètude. Par exemple, lètude de 12 parametres prenant chacun trois
valeurs diIIerentes, requiert plus dùn demi-million (3
12
) de simulations. Ces methodes sont
donc inapplicables pour un grand nombre de parametres. De ce Iait, la plupart des methodes
dàpproximation, generalement les regressions ou les reseaux de neurones, sàppuient sur la
methode des plans dèxperiences, puisquèlle permet de minimiser le nombre de simulations
requises pour la construction dùn modele, tout en assurant un niveau dìnIormation
important.
Un plan dèxperiences est represente par une matrice D donnant les coordonnees de
chaque simulation, une ligne represente une simulation, une colonne represente les valeurs
dùn parametre. Quand le domaine experimental est un pave, les parametres sont
classiquement normalises a des valeurs entre -1 et 1, generalement -1 pour la valeur minimale
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

26
et 1 pour la valeur maximale dùn parametre, et ce aIin de travailler sans dimensions. La
valeur moyenne est alors symbolisee par la valeur 0 |18|.
Nous presentons, sur la Figure 2.3, un exemple de plan dèxperiences pour lètude de
trois parametres incertains, ainsi que lìnterpretation resultant du plan normalise . Il sàgit
dùn exemple classique de plan composite centre a quinze simulations. Ce plan Iaisant
intervenir trois niveaux, -1, 0, 1 par parametre, suppose generalement une dependance
quadratique de la reponse aux parametres.

kh Aq xweII
1 -1 -1 -1
2 -1 -1 1
3 -1 1 -1
4 -1 1 1
5 1 -1 -1
6 1 -1 1
7 1 1 -1
8 1 1 1
9 -1 0 0
10 1 0 0
11 0 -1 0
12 0 1 0
13 0 0 -1
14 0 0 1
15 0 0 0
Un plan possible
kh Aq xweII
1 150 0.2 14
2 150 0.2 18
3 150 0.3 14
4 150 0.3 18
5 250 0.2 14
6 250 0.2 18
7 250 0.3 14
8 250 0.3 18
9 150 0.25 16
10 250 0.25 16
11 200 0.2 16
12 200 0.3 16
13 200 0.25 14
14 200 0.25 18
15 200 0.25 16
15 simulations
interprtation interprtation

Figure 2.3 . Plan composite centre pour trois parametres . Plan normalise et
simulations associee
La Figure 2.4 schematise la representation de ce plan dans le domaine incertain.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

27
An example oI Experimental Design
kh Aq xweII
1 -1 -1 -1
2 -1 -1 1
3 -1 1 -1
4 -1 1 1
5 1 -1 -1
6 1 -1 1
7 1 1 -1
8 1 1 1
9 -1 0 0
10 1 0 0
11 0 -1 0
12 0 1 0
13 0 0 -1
14 0 0 1
15 0 0 0
How to interpret How to interpret
that matrix that matrix
? ?
!"#$#%&'#() !"#$#%&'#()#*+,+- *+,+-. .
"#$#%+/#() "#$#%+/#()#*+,+- *+,+-. .
0#$#-1+'#() 0#$#-1+'#()#*+,+- *+,+-. .
1
5
0

2
0
0

2
5
0
K
h

(
m
D
)
0
.
3

0
.
2
5

0
.
2
A
q
18 18
16 16
14 14
xweII
(ceII)

Figure 2.4 . Plan composite centre pour trois parametres . Representation spatiale
dans lespace des parametres
Nous avons presente ici un exemple de plan a 3 niveaux, mais dans le cas dùne etude
de sensibilite, on utilise generalement des plans dèxperiences a 2 niveaux. Ce sont des plans
ou nìnterviennent que les valeurs extrmes (-1,1) des parametres consideres pour le choix des
conditions de simulation. Parmi ces plans, le plus simple est le plan Iactoriel a deux niveaux,
aussi appele plan Iactoriel 2
k
, k etant le nombre de parametres etudies |10|. Lènsemble des
combinaisons possibles des parametres est represente, et donc le nombre total dèxperiences
est egal a 2
k
. Dans la majorite des cas (lorsque k est grand), il nèst pas possible de simuler le
plan Iactoriel complet du Iait de son cot. Ainsi, pour un nombre eleve de parametres,
dàutres plans moins onereux sont preIeres. On citera notamment les plans Iactoriels
Iractionnaires de resolution III |10| et les plans Plackett-Burman |23|. Ils requierent moins de
simulations et permettent une etude de sensibilite Iiable, mais supposent que les interactions
sont negligeables.
Si les plans Iactoriels complets ou Iractionnaires permettent de repondre au probleme de
lànalyse de sensibilite, la quantiIication des incertitudes, du Iait de la non-regularite de la
reponse, peut necessiter une etude plus detaillee des parametres en considerant plus de deux
niveaux. Ainsi, il est utile de construire des modeles polynomiaux de degre (ou ordre) deux
pour ameliorer làjustement et surtout les predictions. Pour ce Iaire, on peut considerer des
plans a trois niveaux pour les parametres. Une classe de plans adaptee a ce type de modele est
celle des Iractions regulieres des plans du type Iactoriel 3
k
, bien quìls soient peu
Irequemment utilises dans la quantiIication dìncertitudes. Pour ajuster un modele polynomial
de degre 2, les plans les plus classiquement utilises restent les plans composites centres |16|
|33| et |70| ou les plans de Box-Behnken |23| |72|. Ces plans requierent un nombre de
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

28
simulations moins important que les plans 3
k
, comme lìndique la Figure 2.5. Pour une etude
de lènsemble des caracteristiques de ces plans, nous renvoyons a |10| et |18|.
plan 3
k
complet
plan composite
centr
plan de Box-
Behnken

Figure 2.5 . Plans a trois niveaux . plan complet, composite ou fractionnaire
Des plans D-Optimaux ont egalement ete employes, pour lètude de sensibilite en
ingenierie de reservoir par exemple, Damsleth |15| et Corre |12|. Un plan D-optimal est un
plan qui maximise le determinant de
t
XX, X representant la matrice du modele, soit pour un
polynme du premier degre :
(
(
(
=
np p
p
x x
x x

1
1 11
1
1
X
ou p est le nombre de parametres du modele.
Ce type de plan permet de minimiser la variance generalisee des estimations des
parametres. Plus de details sur les plans D-optimaux sont donnes en annexe A.4.1.
Une Iois les simulations dècoulement eIIectuees conIormement au plan dèxperiences
retenu, les reponses du simulateur obtenues aux diIIerents points vont permettre de construire
un modele approche de la production.
2.3 Mthodes dàjustement du modle approch
Nous presentons dans ce paragraphe les methodes les plus utilisees en ingenierie de
reservoir qui sont les methodes de regression polynomiale, làpproximation par reseau de
neurones et enIin les methodes geostatistiques de krigeage. Du Iait de la preponderance des
methodes de regressions en ingenierie de reservoir, nous developpons cette methodologie plus
en detail. Nous nous contentons de rappeler les bases pour la modelisation par reseau de
neurones et de citer quelques reIerences bibliographiques pour le krigeage, cette derniere
methode etant largement decrite dans le chapitre 3.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

29
2.3.1 Modles de rgression
Une des methodes les plus utilisees pour la construction dùn modele dàpproximation
dùn processus sur une region dìntert est la Modelisation par SurIace de Reponse (RSM) ou
regression. Un modele de regression est un polynme de degre quelconque (generalement de
degre deux) qui ajuste au mieux les donnees, les coeIIicients de ce modele etant obtenus par la
methode des moindres carres. Les methodes de regression Iournissent des outils pour
identiIier les variables reellement inIluentes sur la reponse et pour construire un modele
representant la reponse en Ionction des variables inIluentes. Le modele Iinal peut tre utilise
pour eIIectuer des predictions du processus sur lènsemble du domaine experimental |15|.
On considere donc une reponse d'intert Y qui depend de variables
1
,.,
n
. La relation
entre les donnees peut sècrire sous la Iorme :
( (( ( ) )) ) + ++ + = == =
n
f Y , , ,
2 1
(2.1)
ou f est la Ionction reponse inconnue et est un terme residuel ou dèrreur qui
represente les diIIerentes sources de variabilite non modelisees par f.
Les variables
1
,.,
n
sont appelees variables naturelles parce quèlles sont exprimees
dans leurs unites de mesure naturelles. Dans la plupart des etudes de regression, les variables
naturelles sont transIormees en variables adimensionnees x
1
,., x
n
, encore appelees Iacteurs,
de valeurs comprises entre -1 et 1. Ces dernieres valeurs sont appelees niveaux et representent
respectivement le minimum et le maximum du domaine de variation retenu pour la variable.
Lèquation (2.1) peut tre reIormulee de la maniere suivante :
( )
1 2
*
n
Y f x , x , , x = + (2.2)
La Ionction f
*
doit tre approximee. Pour des raisons de cot, on utilise a cette Iin
generalement des polynmes de degre peu eleve, la plupart du temps de degre 2, qui sont
supposes convenir sur une petite region de lèspace des variables.
Considerons par exemple le cas de deux Iacteurs, x
1
et x
2
et un modele de regression
polynomial complet de degre 1 avec interaction. Celui-ci est alors de la Iorme :
+ + + + =
2 1 12 2 2 1 1 0
x x x x Y (2.3)
Le coeIIicient constant
0
est un estimateur de la moyenne de Y sur lènsemble du
domaine experimental. Les termes x
1
et x
2
sont appeles termes lineaires. Les coeIIicients
1

(respectivement
2
) representent les variations attendues de Y lorsque x
1
(respectivement x
2
)
varie dùne unite : de -1 a 0 ou de 0 a 1. Ce coeIIicient peut tre vu comme un estimateur de la
derivee partielle de Y par rapport a x
1
(respectivement a x
2
). Le terme
12
est le coeIIicient lie
a lìnteraction a deux Iacteurs x
1
et x
2
. Il exprime le Iait que les variations de Y provenant de
x
1
(respectivement x
2
) dependent des valeurs de x
2
(respectivement x
1
).
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

30
Le modele (2.3) est le modele interactiI le plus generalement utilise pour deux variables.
Ce type de modele est surtout employe pour des etudes de sensibilite lorsquòn suspecte un
eIIet dìnteraction des Iacteurs sur la reponse. Par contre, pour la phase de modelisation, des
modeles plus precis sont preIeres, par exemple, toujours dans le cas de deux variables, un
polynme complet de degre 2 :
+ + + + + + =
2
2 22
2
1 11 2 1 12 2 2 1 1 0
x x x x x x Y (2.4)
Considerons donc un modele complet de degre 2 pour n Iacteurs x
1
,., x
n
, il sècrit :
+ + + + =

< = = f i
f i if
n
i
i ii
n
i
i i
x x x x Y
1
2
1
0
(2.5)
Applique a lènsemble des simulations eIIectuees selon le plan dèxperiences retenu, on
en deduit le modele matriciel suivant :
e X Y + = (2.6)
avec :
- X la matrice n p du modele. Elle depend a la Iois du modele de regression et du
dispositiI experimental,
- Y le vecteur 1 n des observations de la reponse aux n points du dispositiI
experimental, e vecteur des residus ou erreurs inobservables,
- le vecteur 1 p des coeIIicients (parametres statistiques) du modele,
- n le nombre de simulations et p le nombre de termes du modele (en incluant la
constante).
Les coeIIicients sont inconnus et restent a estimer, usuellement par la methode des
moindres carres ordinaires |8| |11| et |37|.
Les methodes de regression classiques supposent que les erreurs soient i.i.d., le vecteur
des erreurs e est un vecteur aleatoire normalement distribue de moyenne nulle et de variance
uniIorme
2
(homoscedasticite des erreurs). Sous cette hypothese, et sous reserve que les
colonnes de X soient independantes, on a dàpres le theoreme de Gauss Markov :

( ) ( ) E E = = X X X (2.7)
ou
est lèstimateur des moindres carres, cèst-a-dire que lèstimateur
minimise la
Ionction L :
( )( ) X Y X Y ee e = = =

=
t t
n
i
i
L
1
2
(2.8)
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

31
Sous reserve que les colonnes de X soient independantes et que les erreurs soient i.i.d.,
lèxpression de
est alors donnee par :

( )
1
t t
= XX XY . Cèst un estimateur sans biais,

plus precisement cèst lèstimateur de dispersion minimale dans la classe des estimateurs
lineaires sans biais. On a en Iait :
( )
1
2
( )
t
Cov

= XX (2.9)
Quant a lèstimation de lèsperance mathematique de la reponse Y , elle sècrit de la
Iorme :
( ) E = Y X (2.10)
Lèstimation de la covariance de
est tres importante parce quèlle est directement liee

a la qualite du modele. Il apparat quèlle est Ionction de la matrice du modele et de la
variance
2
. On retient en general comme estimateur pour
2

:
2
E
SS
n p
=
(2.11)
ou SS
E
est la somme du carre des erreurs, cèst-a-dire :
( )
2
1
n
E i i
i
SS Y Y
=
=
(2.12)
et p est le nombre de termes du modele.
Cet estimateur est sans biais et a des proprietes dòptimalite etudiees, par exemple, dans
Rao et Mitra |49|.
Ainsi, pour un dispositiI experimental Iixe, si deux modeles sont possibles, il est
recommande de prendre celui qui a la plus petite estimation de
2
, ce modele expliquant
mieux la variabilite de la reponse. Cependant, lèstimation de
2

ne suIIit pas a apprecier la
qualite du modele. AIin de mieux quantiIier celle-ci, un certain nombre de tests statistiques
sont a realiser, ainsi quùne analyse des residus.
Le vecteur des erreurs (ou residus) obtenu lors de la modelisation (2.10) est
represente par la diIIerence entre les observations et les valeurs estimees, on a :
Y Y

= == = (2.13)
Lànalyse de ces residus de modelisation est une etape cruciale pour sàssurer de la
qualite et de la Iiabilite de la modelisation et de son pouvoir predictiI. Pour plus de details sur
le modele lineaire presente ci-dessus, nous renvoyons a |8|, |19| et |41|.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

32
Apres avoir construit le modele lineaire, un test de signiIicativite de la regression est
eIIectue (cI. A.1.1). Ce test a pour but de determiner sìl y a bien une dependance lineaire
entre la reponse et au moins une des variables explicatives. Cèst lòbjet de lànalyse de
variance. Si le modele lineaire est valide, une mesure de la qualite dàjustement et de
prediction de làpproximation est possible. Trois statistiques sont calculees : R
2
et
2
adf
R
permettent dàpprecier la qualite dàjustement du modele aux donnees et le coeIIicient Q
2

permet dèstimer la qualite de prediction du modele. Globalement, pour tre eIIicace,
lèstimation de la qualite dùn modele doit prendre en consideration les trois coeIIicients : R
2
,
2
adf
R et Q
2
. Une description de lòbtention de ces trois statistiques, ainsi que des tests
statistiques plus classiques, est decrite en annexe A.1.2.
Une alternative aux techniques classiques de regression en ingenierie de reservoir est
làpproximation par reseau de neurones.
2.3.2 Rseaux de Neurones
La technique des reseaux de neurones permet làpproximation dùne Ionction a partir de
lòbservation de variables de sortie pour diIIerentes valeurs de variables dèntree |47| |52|.
De ce Iait, elle constitue aujourd`hui une alternative a certaines methodes dìnIerences non
parametriques.
Les reseaux de neurones peuvent tre utilises pour predire des valeurs de simulation,
apres apprentissage du reseau sur un certain nombre de resultats de simulation.
Considerons 2 variables aleatoires, X et Y, de dimension respective n et 1, et un neurone
qui, a partir des entrees X, produit la sortie Y.
Une representation dùn neurone Iormel est donne sur la Figure 2.6 ou :
les x
i
representent les donnees dèntrees,
w
i
represente le poids de la i
eme
connexion,
f est la Ionction dàctivation,
v f(w
1
x
1
. w
n
x
n
) represente la sortie du neurone.
w
1
w
n
x
1
x
n
f
v

Figure 2.6 . Representation dun neurone formel selon Mc Culloch et Pitts
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

33
Le principe general de la methode consiste a construire une Ionction constituee de
neurones qui echangent des donnees par des liens. Le reseau ainsi Iorme comporte des nuds
dèntree et des nuds de sortie, comme illustre sur la Figure 2.7.

E
n
t
r
e
s
S
o
r
t
i
e
s

Figure 2.7 . Representation dun reseau de neurones multicouche
Supposant quòn dispose dùn echantillon D, de taille m, dòbservations des variables
(X,Y). Etant donne lèchantillon D, on veut trouver la meilleure Ionction
f qui restitue les

valeurs Y de lèchantillon pour les valeurs de X.
Les resultats des simulations initiales D sont utilises pour làpprentissage du reseau : les
poids aIIectes aux liens sont ajustes par un algorithme de regression pour que le reseau
restitue le plus Iidelement possible les resultats connus. Apres la phase dàpprentissage, le
reseau peut tre utilise pour predire les resultats de simulation a partir de nouveaux jeux de
donnees |47|. La technique est robuste et peut tre appliquee aux modeles non-lineaires et
non-stationnaires dans un environnement multivarie.
Les principales etapes dùne approximation par reseaux de neurones sont :
le choix des parametres dèntree et de sortie
la deIinition de la topologie du reseau (choix du nombre de neurones et des liens)
la phase dàpprentissage
lòptimisation eventuelle de la topologie du reseau
lùtilisation en restitution ou en prediction.
Les deux premieres etapes sont realisees grce a la connaissance de lìngenieur
reservoir. Le principe de Ionctionnement dùn reseau de neurones ainsi que les diIIerentes
etapes de sa mise en place sont decrits en annexe B.1.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

34
Le principal enjeu dans la mise en place dùn reseau de neurones est le calcul des poids
des connections permettant dòbtenir le comportement et les resultats souhaites. Pour obtenir
un bon reseau, il Iaut un bon apprentissage. Cet apprentissage consiste a presenter au reseau
un certain nombre de jeux de parametres dèntree dont on connat la reponse aIin dàjuster les
poids (w
i
) associes aux liens. Une Ionction cot mesurant les diIIerences entre les reponses du
reseau et les resultats attendus est ensuite minimisee en modiIiant les w
i
.
Pour apprendre, comprendre ou deIinir un processus dàpprentissage, il est necessaire
de modeliser lènvironnement dans lequel operera le reseau de neurones, cèst-a-dire quìl
Iaut savoir quel type dìnIormation sera Iournie au reseau. Cette modelisation est le
paradigme dàpprentissage. Ensuite, il Iaut deIinir les regles dàpprentissage qui gouvernent la
mise a jour des poids des connexions. Ces regles sont ensuite utilisees par un algorithme
dàpprentissage pour proceder a làjustement des poids. On peut considerer quìl existe trois
principaux paradigmes dàpprentissage : supervise, non supervise et hybride. Une description
detaillee de làpprentissage supervise, est donnee en annexe B.1.
Làpprentissage non supervise modiIie les poids du reseau en Ionction dùn critere
interne, independant de làdequation entre le comportement du reseau et la reponse quìl doit
caracteriser. Làpprentissage supervise, au contraire, dispose dùn comportement de reIerence
vers lequel il tente de Iaire converger le reseau. Làpprentissage hybride suppose quùn
comportement de reIerence precis nèst pas disponible, mais quèn revanche il est possible
dòbtenir des indications qualitatives ou lacunaires sur les perIormances du reseau.
Ce modele est valide par le calcul des trois statistiques mentionnees lors de la
regression : R
2
,
2
adf
R et Q
2
. Tant que ces statistiques ne sont pas satisIaisantes, le modele nèst
pas de bonne qualite et donc la phase dàpprentissage continue.
Les reseaux de neurones sont encore peu utilises pour la construction dùn modele
approche du simulateur dècoulement en ingenierie de reservoir parce que la phase
dàpprentissage est delicate a mettre en place. Generalement, les techniques geostatistiques de
krigeage leurs sont preIeres.
2.3.3 Le krigeage
Le terme Geostatistique , employe par G. Matheron des 1962, designe lètude
statistique des processus spatiaux appliques aux phenomenes naturels |34|. On deIinit en toute
generalite la Geostatistique comme lètude des variables numeriques reparties dans lèspace.
Le preIixe Geo permet de signiIier la prise en compte de la repartition spatiale des
donnees. Nous retiendrons principalement la deIinition qui precise lòutil probabiliste
employe : La geostatistique est làpplication du Iormalisme des Ionctions aleatoires a la
reconnaissance et a lèstimation de phenomenes naturels . Cette approche est tres
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

35
interessante parce quèlle permet de modeliser a la Iois la tendance spatiale et les correlations
spatiales. Les methodes geostatistiques ont ete utilisees intensivement pour le traitement
statistique des problemes miniers et en geologie |26|, elles sont generalement limitees a des
problemes en 3 dimensions. TouteIois, les algorithmes de krigeage peuvent tre etendus a n
dimensions. Làpparition de la geostatistique ailleurs dans la bibliographie statistique est plus
recente |6| |7| |13| |34| et |50|.
Les methodes de krigeage ont ete introduites pour la modelisation dèxperiences
simulees par Sacks et al. |54| en 1989 avec la resolution numerique dùn systeme dèquations
diIIerentielles issues de la mecanique des Iluides. Il sàgissait de modeliser la vitesse de
Ilamme lors de la combustion du methane. De nombreux travaux de recherche ont ete
consacres a lànalyse dèxperiences simulees, nous citerons notamment les ouvrages de Santer
et al. |57| et plus recemment de Fang K.T et al. |22|.
En ingenierie de reservoir, la methode de krigeage est tres utilisee depuis une quinzaine
dànnees pour la caracterisation de reservoir avec la construction dùn modele geologique du
gisement, avec, entres autres, les travaux de A. Journel |27|. Lùtilisation du krigeage pour la
construction dùn modele approche du simulateur dècoulement a ete introduite par Egeland
et al. |20| en 1992, ils ont montre que cette methode ameliore les surIaces obtenues par
regression. Actuellement, le krigeage est largement utilise par les compagnies petrolieres lors
de la construction de ce modele approche pour des analyses de risques |5| et |74|.
Remarque : Pour certains choix de la structure de covariance, la methode de krigeage
est equivalente a une interpolation de tvpe splines. Une correspondance entre les deux
methodes a ete discutee dans la litterature geostatistique [6] et [7]. Une spline etant une
famille de fonctions regulieres de courbure minimale, particulierement de polvnomes,
lutilisation des splines et a fortiori du krigeage permet de meilleurs afustements que les
approximations polvnomiales simples.
La methodologie de krigeage etant partie integrante de la these, nous ne la presentons
pas ici, elle est amplement detaillee dans le chapitre suivant.
2.4 Limites des approches existantes
Nous avons presente dans ce chapitre les trois methodes dàpproximation generalement
employees en ingenierie de reservoir pour la construction dùn modele approche du
simulateur dècoulement. Chacune de ces methodes permet une bonne quantiIication des
incertitudes, mais sont dàpplication limitee.
La methode des reseaux de neurones permet de prendre en compte les non-regularites,
mais elle ne permet pas une comprehension Iacile du modele et de la relation entre les
donnees, ce qui peut tre utile au chercheur qui souhaite comprendre le phenomene a
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

36
modeliser. De plus, ces methodes sont developpees dans un but dèstimation et non de
prevision de lìncertitude de la reponse en des points non echantillonnes. Cèst principalement
pour ces raisons que ces modeles sont peu utilises en ingenierie de reservoir. De plus, Yeten
et al. |74|, qui ont utilise des reseaux neurones pour làjustement dùne surIace de reponse,
ont montre que cette methode ne donne pas des resultats aussi satisIaisants que les methodes
de krigeage.
A lòppose, la methode de krigeage connat actuellement un succes grandissant. Il existe
sous diverses Iormes : le krigeage simple, le krigeage ordinaire ou le krigeage universel,
chacune ayant ses caracteristiques speciIiques. Les methodes de krigeage varient en Ionction
de la maniere dont est estimee la structure de covariance. Comme dans le cas des regressions,
la modelisation par krigeage est basee sur la realisation de simulations et donc
lèchantillonnage est crucial pour optimiser le cot de simulations.
EnIin, la methode la plus utilisee jusquà present pour une quantiIication des
incertitudes en ingenierie de reservoir est lùtilisation de plans dèxperiences associes a une
modelisation de type regression |32|. Cette derniere methode est tres repandue puisquèlle est
a la Iois peu coteuse en temps de calcul, Iacile a mettre en place et surtout, elle permet de
disposer dùne expression analytique explicite de la reponse. Elle est tres eIIicace lorsque la
production peut tre ajustee par des modeles polynomiaux de divers degre : un, deux voire
trois ou plus, typiquement lorsque les parametres incertains peuvent varier dans un domaine
relativement restreint. Cèst lorsque la dependance de la reponse par rapport aux parametres
ne peut pas tre approchee par un modele polynomial (apres eventuelles transIormations des
echelles de mesures des parametres ou/et la reponse) que les plans euclidiens classiques
trouvent leurs limites, comme nous le montre la Figure 2.8.
La Figure 2.8 montre la modelisation approchee dùne Ionction non-reguliere (a), par la
methode des plans dèxperiences classiques, avec respectivement un plan Iactoriel a quatre
experimentations (b) et un plan composite centre a neuI experimentations (c).
v
x
v
x
v
x
(a) (b) (c)

Figure 2.8 . Afustement dune fonction analvtique avec les plans classiques
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

37
Ainsi, certaines reponses en production, de comportement non-regulier aux parametres,
possiblement discontinues, restent diIIiciles a apprehender. Compte tenu de la pietre qualite
predictive des modeles obtenus, il nèst pas envisageable dùtiliser ces modeles approches
pour evaluer le risque ou optimiser le processus de decision, une telle imprecision pouvant
amener a des prises de decision non Iondees ou a une evaluation du risque erronee.
Ainsi, une nouvelle methodologie, a la Iois plus Ilexible et plus robuste, est necessaire
pour permettre une modelisation de phenomenes non-reguliers et tenir compte des contraintes
sur le nombre de simulations possibles. Cette nouvelle methodologie doit adresser les divers
problemes qui ne peuvent tre pris en consideration par les methodes de regression
classiques : detecter les non-regularites de la reponse, ajuster une surIace non-stationnaire et
tenir compte du biais potentiel d a lèchantillonnage non reguliers des n points x.
2.5 Proposition mthodologique
La necessite de developper une approche de modelisation de reponses en production
non-reguliere, tout en contrlant le cot de simulation induit, constitue lòbjectiI ambitieux de
cette these. AIin dàtteindre cet objectiI, nous proposons une methodologie de modelisation
non-reguliere basee sur les plans dèxperiences et les methodes de modelisation
geostatistique.
Les phenomenes physiques etudies, cèst-a-dire la dependance de la production
d`hydrocarbures a diIIerentes options de developpement pour des geologies complexes et
incertaines, sont tres coteux a modeliser vu les temps de simulation. Ce probleme de
reduction du temps de calcul et a fortiori du nombre simulations, justiIie une approche par
plans dèxperiences.
La solution consistant a modeliser une surIace de reponse non-reguliere par rapport aux
parametres avec des plans dèxperiences adaptes necessite plus de simulations quùn plan
dèxperiences euclidien classique du second ordre (type plan composite centre ou Box-
Benhken). On peut alors se demander si le cot supplementaire est justiIie. Cèst pourquoi, il
nous a semble judicieux de proceder de maniere iterative. Tout dàbord, on ajuste a moindre
cot un modele de regression polynomial a làide dùn plan dèxperiences peu coteux.
Ensuite, dans le cas ou cette surIace de reponse nèst pas jugee suIIisamment predictive, on
ajoute quelques simulations judicieusement choisies. Nous procederons par ajustements
iteratiIs, partant dùn plan dèxperiences initial et le completant au Iur et a mesure du
processus, aIin de matriser le nombre de simulations et dìntegrer graduellement les non-
regularites potentielles des reponses en production. Des lors que la predictivite du modele est
satisIaisante, lèchantillonnage est juge optimal.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

38
La Figure 2.9 represente une illustration du principe de la methodologie, dite adaptative,
proposee dans cette these.
Bonne Bonne
AmIioration
de Ia
prdictivit
ModIisation
PIan d'Expriences
InitiaI
Approximation FinaIe
Addition de
nouveaux points
Mauvaise Mauvaise

Figure 2.9 . Principe de la methodologie adaptative
La premiere etape de la methodologie consiste a determiner les valeurs de chaque
parametre de lètude pour lesquels les simulations numeriques dècoulement vont tre
eIIectuees. Puisque les simulations de reservoir sont tres coteuses en temps de calcul, il est
important de selectionner un nombre reduit de simulations inIormatives. La methode des
plans dèxperiences est particulierement bien adaptee a ce type de probleme. Parce que nous
ne connaissons pas la nature de la relation entre la reponse et les parametres, le dispositiI
experimental initial doit permettre dàjuster une variete de modeles et doit donner des
inIormations sur chaque partie du domaine experimental. Dans ce contexte, lùtilisation de
plans hypercubes latins de distance dite maximin est recommandee puisque ces plans
combinent les proprietes de deux criteres. Les hypercubes latins imposent la selection de
points a lìnterieur du domaine, et du Iait de leurs proprietes de projection, ils peuvent tre
utilises dans des situations pour lesquelles seulement un ou plusieurs parametres ont un
impact important sur la reponse. La distance maximin impose une repartition uniIorme des
points experimentaux : on ne peut avoir de points du plan trop proches ou uniquement sur la
diagonale du domaine. On gagne donc en inIormation. Le compromis consistant en
lùtilisation dùn critere de distance maximin et dìndice minimum dans la classe des
hypercubes latins permet lòbtention de plans eIIicaces pour predire la reponse, a la Iois
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

39
quand peu ou beaucoup de parametres sont importants |55|. Une description detaillee des
diIIerents types de plans est presentee en annexe. Remarquons que si nous avons une
hypothese a priori sur la regularite de la reponse a ajuster, les plans dèxperiences classiques
tels que les plans Iactoriels ou composites peuvent sàverer tout aussi pertinents.
Des lors que le dispositiI experimental initial est determine, la mise en place de cette
methodologie adaptative demande dùne part la deIinition dùn modele dàpproximation pour
des experiences deterministes, dùn moyen pour ameliorer la predictivite a priori de cette
approximation, et enIin une strategie dèchantillonnage optimal du domaine experimental.
AIin de contrler au mieux le nombre de simulations realisees, nous proposons de proceder de
maniere evolutive, dènrichir graduellement le dispositiI experimental courant. Ce type
dàpproche va egalement permettre dòptimiser lèmplacement des nouvelles
experimentations et donc dàugmenter la quantite dìnIormation apportee par ces simulations.
Les diIIerentes etapes de cette methodologie seront presentees en details dans les
chapitres suivants. Chaque chapitre representant une etape du processus, nous les presentons
dans lòrdre ou ils interviennent dans làpproche de modelisation adaptative.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

41
Chapitre 3
Modlisation dèxpriences dterministes
3.1 Introduction
Ce chapitre est consacre a la presentation des travaux et reIlexions menes autour de la
methode dàpproximation que nous proposons dans le cadre dùne modelisation adaptative de
reponses deterministes non-regulieres. Ainsi, ce chapitre a pour objet la description de la
phase centrale schematisee en Figure 3.1.
Bonne Bonne
ModIisation
PIan d'Expriences
InitiaI
Addition de
nouveaux points
Mauvaise Mauvaise
AmIioration
de Ia
prdictivit

La modelisation de reponses non-regulieres est tout a Iait possible en Iaisant appel aux
outils de la statistique inIerentielle, comme par exemple la methode des moindres carres non
lineaires, mais sa mise en uvre pratique est generalement delicate |3|. Il Iaut en eIIet
disposer de la Iorme et de la structure a priori du modele que lòn souhaite ajuster. Or, dans le
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

42
cadre dùne quantiIication des incertitudes, nous ne disposons generalement que de tres peu
dìnIormation a priori sur le type de non-regularite, nous nàvons aucune idee de la Iorme de
la Ionction de regression. Dans ce cas, les algorithmes dòptimisation pour lòbtention des
termes et des coeIIicients du modele a ajuster sont tres coteux en temps de calcul et
demandent un nombre eleve de simulations. Il parat donc necessaire dènvisager une autre
approche, plus empirique, celle que nous proposons est basee sur un principe dàpprentissage.
Section d'equation 3Dans ce chapitre, nous precisons le type dàpproximation du
modele numerique dècoulement que nous preconisons dans le cadre dùne methodologie de
modelisation adaptative de Ionctions non-regulieres. Ce modele approche, appele , est
souvent designe sous le terme de proxy dans la bibliographie anglo-saxonne. Il sàgit soit
dùne Ionction analytique des parametres, soit dùn tableau dìnterpolation numerique. Ce
modele approche doit permettre une estimation de la reponse Y en un quelconque point x du
domaine experimental D ou lòn ne dispose pas de mesures. Il est obtenu a partir des reponses
issues du plan dèxperiences, cèst-a-dire a partir des x
i
et des Y(x
i
) associes. En modiIiant de
Iaon continue la position du point x
i
, nous pouvons ainsi estimer la Ionction sur lènsemble
du domaine incertain et nous avons : Y (x).
Nous proposons ici une technique adaptative, basee sur lùtilisation de plans
dèxperiences evolutiIs qui vont permettre dùne part de detecter, pas a pas, les non-
regularites de la Ionction reponse et dàutre part, de contrler et matriser le cot de
simulation. Lèmploi des plans dèxperiences est ici associe a une technique de modelisation
interpolatrice, proposee par Sacks et al. |54| et |55| en 1989, pour tenir compte du Iait que les
experimentations sont deterministes.
3.2 Prdiction des expriences dterministes : position du
problme
Nous commenons tout dàbord par expliciter les notations employees dans la suite de
ce document. Soient :
k le nombre de parametres incertains et n le nombre de points dèxperimentation ou
simulations,
X
f
, f1,..., k, les parametres incertains,
x
i
les n points pour lesquels des simulations ont ete realisees, generalement, selon un
plan dèxperiences :
( )
1
, ,
i i ik
x x = x , i 1,., n
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

43
( )
i
Y x les reponses observees aux points x
i
: ( )
i
Y x est donnee par le simulateur
dècoulement. Chacune des simulations etant tres coteuse en temps de calcul, le nombre total
n dòbservations doit rester limite, typiquement a quelques dizaines.
La quantiIication dìncertitude sur les reponses en production necessite au prealable la
deIinition des diIIerents parametres a prendre en compte pour la modelisation ainsi que leurs
intervalles de valeurs, aIin de determiner le domaine experimental qui est donc :
min max
1
,
k
f f
f
D X X
=
( =

ou :

min
f
X represente la valeur minimale que peut prendre le parametre
f
X ,

max
f
X la valeur maximale que peut prendre le parametre
f
X .
Rappelons tout dàbord que lors dètudes de reservoir, les phenomenes physiques en jeu
sont observes par le biais dèxperiences simulees via un modele numerique dècoulement en
milieu poreux. Il Iaut ainsi noter que, contrairement au cas dèxperiences reelles, nous
sommes en presence dèxperimentations deterministes. Ainsi, si un mme essai est repete
plusieurs Iois, le simulateur donnera exactement la mme valeur de reponse : il n`y a aucune
erreur liee aux conditions experimentales. De plus, pour toute valeur Iixee des parametres x
dèntree, la reponse Y est reproductible puisquèlle est entierement determinee par les
parametres de simulation. Il Iaut touteIois rappeler que la reponse Y nèst pas exacte
Par consequent, les methodes utilisees pour les plans classiques, tels que les plans en
bloc ou la randomisation, basees sur lìnterpretation dèxperiences repetees, ne sont pas
pertinentes. Il est ainsi important de noter que la methodologie des plans dèxperiences
simules diIIere des methodes statistiques utilisees depuis plusieurs decennies pour les
experiences reelles.
Dans la methodologie classique dàjustement de surIace de reponses, nous avons precise
au chapitre precedent que la modelisation de la reponse est generalement donnee par :
Y(x) f(x) (3.1)
ou est lèrreur liee a lèxperimentation.
Dans ces approches classiques, la Ionction inconnue est approximee par une Ionction
parametrique dont la Iorme est connue par avance, soit implicitement ou explicitement, par
exemple polynomiale ou de courbure minimale. Les parametres de la Ionction parametrique
sont alors determines de maniere a optimiser un critere donne, aIin dàjuster les observations
de la meilleure Iaon possible. Une Iois que la Ionction dàpproximation est determinee, il est
aise et peu coteux de lèvaluer en tout point du domaine de deIinition.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

44
Dans le cas de simulations deterministes on ne considere pas dèrreur de mesure et de ce
Iait, on souhaite que la surIace de reponse ajuste parIaitement les simulations numeriques.
Mathematiquement, ce probleme peut tre vu comme un probleme dìnterpolation. Cèst
pourquoi, dans la bibliographie pour la modelisation dèxperiences simulees, des techniques
dìnterpolation sont souvent preconisees. Ainsi, on considere le modele (3.1) ou est le
residu de làpproximation introduite a làide de f. La methode proposee par Sacks et al.
consiste a considerer que est la realisation dùn processus spatial, ce qui revient a Iaire
appel aux techniques statistiques pour proceder a cette interpolation.
Ainsi, nous proposons ici dùtiliser des techniques dànalyse de processus spatiaux
observables, donc aleatoires, issues essentiellement de la geostatistique, mais pour traiter des
donnees de simulations non aleatoires. On introduit en Iait ces processus pour prendre en
compte la meconnaissance des residus dùne approximation Ionctionnelle, par exemple par
une Ionction polynomiale de degre deux, dùne Ionction simulee certaine. Bien quàucune des
donnees observees ne soit aleatoire, il est Iait usage des techniques statistiques et du
vocabulaire de cette discipline.
3.3 Expression du modle
3.3.1 Modle composite
Nous avons vu, dans le chapitre deux, quùne interpolation a làide dùne Ionction
polynomiale de degre un ou deux nèst pas suIIisante dans une majorite de cas. Lìdee ici est
alors dàjouter un terme correctiI a làjustement polynomial de la reponse moyenne, ce terme
etant aleatoire. En Iait, il sàgit de modeliser la reponse deterministe Y(x) comme la
combinaison dùn modele de regression (lineaire ou quadratique) et dùne realisation dùn
processus stochastique Z ayant une structure de correlation entre les observations. Ce concept
est largement utilise dans le contexte des experiences simulees |54| et |55|, il est illustre sur la
Figure 3.2.
La reponse Y(x) est alors decomposee en 2 parties :
( ) ( ) ( )
t
Y Z = + x X x x (3.2)
ou :
- x X x ) ( )| ( |
t
Y E = est làjustement de la moyenne qui est la partie deterministe
du modele (3.2), soit ici une Ionction polynomiale. ( )
p
t
, ,
1
= est le vecteur des
coeIIicients inconnus de la regression.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

45
- Z(x) est une realisation dùn processus stochastique gaussien de moyenne nulle
et de Ionction de covariance entre Z(t) et Z(u) : ) , ( )) ( ), ( ( ) , (
2
u t u t u t R Z Z Cov C = = ou
2
est la variance du processus et ( , ) R t u est la Ionction de correlation entre Z(t) et Z(u).
Nàyant aucune inIormation sur la structure de ce residu, nous le supposons classiquement
gaussien.
Cet estimateur est un excellent candidat en ingenierie de reservoir parce quìl est sans
biais (du Iait de làjustement polynomial) et que làjout dùn terme de correction residuel
assure une interpolation des donnees (cI. Figure 3.2).
Rsidus
Y

Figure 3.2 . Afustement de la reponse par superposition de lafustement moven
et du terme correctif
Nous parlerons dans la suite de cette these de modele composite pour designer un
modele du type (3.2).
Lùtilisation du predicteur composite de la Iorme (3.2) necessite lèstimation des deux
termes du modele : tendance moyenne et partie residuelle. Ceci est lòbjet de la suite de cette
partie consacree a làpproximation.
Nous commenons par presenter les techniques dèstimation de la tendance
moyenne, que nous choisissons de modeliser par regression par moindres carres ordinaires.
Notons que la construction dùn predicteur de la Iorme (3.2) peut tre adapte a nìmporte
quelle technique dàpproximation pour làjustement de la moyenne, elle ne se limite pas
seulement au choix dùn modele de regression polynomial. Il est tout a Iait possible de
considerer des polynmes de degre superieur a deux, un reseau de neurones ou une
modelisation par machines a support vectoriel. Le choix de ce modele va dependre dùne part
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

46
du nombre de simulations maximum envisageable par lùtilisateur et dàutre part du plan
dèxperiences initial utilise.
Nous presentons ensuite la methode dèstimation du processus residuel, celui-ci est
determine par la methode du krigeage. En eIIet, lèstimation de la moyenne de la reponse par
un modele polynomial est sans biais et par consequent les residus sont de moyenne nulle. Ceci
permet de determiner, par krigeage simple, un modele pour les residus. Si lèstimateur de la
moyenne nèst plus sans biais, il Iaut utiliser le krigeage ordinaire pour interpoler les residus.
Il est touteIois possible dùtiliser dàutres methodes dìnterpolation des residus, en particulier
la methode des splines. Une Iois que les residus sont interpoles, le modele est reconstruit en
superposant les resultats de lìnterpolation residuelle au modele polynomial de la moyenne.
EnIin, lùtilisation du krigeage necessite une bonne estimation de la structure de
covariance des residus, nous presentons egalement comment estimer cette Ionction de
covariance.
3.3.2 Ajustement de la Tendance Moyenne : Rgression par moindres carrs
Les resultats presentes sur la modelisation de la tendance moyenne par regression sont
classiques |37|, mais il nous a semble utile de les rappeler brievement. Nous decrivons donc
làjustement dùn modele de regression par moindres carres ordinaires.
Rgression par Moindres Carrs Ordinaires
On considere le modele :
= + Y X e (3.3)
avec :
1. X la matrice de regression du modele,
2. le vecteur des parametres du modele,
3. e le vecteur des erreurs tels que : ( ) 0 E = e et ( )
2
Cov = e I .
LòbjectiI est de determiner les coeIIicients de la regression, cèst-a-dire le vecteur a
partir des observations de la reponse Y. Pour ce Iaire, nous estimons lèsperance
mathematique ( ) E Y , parce que celle-ci depend du vecteur : ( ) E = Y X avec le vecteur
inconnu a estimer. Au vu de cette relation, lèsperance ( ) E Y appartient a lìmage de X :
Im(X) Im(X) designant le sous-espace vectoriel engendre par les colonnes de X.
Par deIinition, un estimateur
est un estimateur des moindres carres de si X
est le
vecteur de Im(X) qui est le plus proche de Y pour la metrique euclidienne usuelle. En dàutres
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

47
termes,
est un estimateur des moindres carrees ordinaires de sìl minimise la Ionction

distance :
( )( ) X Y X Y ee e = = =

=
t t
n
i
i
L
1
2

On peut Iacilement demontrer que le vecteur de Im(X) qui est le plus proche de Y est le
projete perpendiculaire de Y sur Im(X) |8|. Ceci est illustre sur la Figure 3.3.
y
m(X)
P
X
Y=X
^ ^
X

Figure 3.3 : Interpretation geometrique de MCO
En supposant que les colonnes de X soient independantes, soit par exemple pour un plan
Iactoriel classiquement utilise avec les methodes de regression, nous savons que le projecteur
P
X
sur lèspace Im(X) a pour expression X XX X P
t t
X
) (
1
= et donc lèstimateur de Y obtenu
par moindres carres ordinaires est, par deIinition :
XY XX X Y
t t
) (
1
=
De plus, nous cherchons
tel que X Y

= donc nous pouvons Iacilement deduire de
lèquation (3.3) la Iorme de lèstimateur de par moindres carres ordinaires:
XY XX
t t
) (
1
= (3.4)
Le vecteur
est egalement appele vecteur des coeIIicients de regression.

Làpplication de cette methode suppose que les erreurs sont non-correlees et de variance
uniIorme sur tout le domaine : elles sont homoscedastiques. Ces conditions peuvent, dans
certains cas, tre trop contraignantes, une alternative consiste a employer un estimateur de la
moyenne par moindres carres ponderes (MCP). Pour justiIier lèmploi de moindres carres
ponderes, on Iait appel en statistique au theoreme de Gauss-Markov en tenant ainsi compte
des correlations entre les residus. Il est de la Iorme :
1 1 1
( )
t t
= XJ X XJ Y , avec J la
matrice de correlation entre les observations. Mais ce theoreme ne sàpplique pas ici stricto
sensu puisque les observations sont obtenues par un simulateur deterministe.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

48
Discussion MCO/MCP
La principale diIIerence entre les ajustements par moindres carres ordinaires et ponderes
est que la deuxieme methode tient compte des correlations entre les erreurs, alors que la
premiere suppose les erreurs non-correlees et de mme variance (hypothese
d`homoscedasticite), ce qui est rarement le cas. Comme nous pouvons le voir sur la Figure
3.4, les deux methodes peuvent donner des ajustements diIIerents, surtout dans le cas de
grandes correlations. TouteIois, nous verrons dans le cadre dùne modelisation adaptative
avec enrichissement iteratiI du dispositiI experimental que le choix de la methode a employer
pour ajuster la moyenne a peu dìnIluence sur la modelisation Iinale, la correction des residus
etant determinante.
v
x
v
x

Figure 3.4. Afustement de la movenne par moindres carres ordinaires et ponderes
Remarque : Nous proposons ici de considerer une regression par moindres carres
ordinaires et de faire varier le degre du polvnome dafustement en fonction du nombre de
donnees. Par exemple, en debut danalvse, le nombre de points issus du plan dexperiences
nous permet generalement dafuster un polvnome du degre deux. Des lors que le dispositif
experimental est suffisamment riche, il semble fudicieux de daugmenter le degre du
polvnome, ceci permet dattacher moins dimportance aux residus et donc a la fonction de
covariance.
Voyons a present comment traiter le second terme de (3.2) : le processus residuel Z.
Deux approches diIIerentes sont considerees dans la bibliographie. Les statisticiens
construisent un predicteur lineaire sans biais de Z(x), aussi appele BLUP, alors que les
geostatisticiens utilisent le krigeage. Ces deux methodes diIIerent essentiellement par le
vocabulaire et les notations. Nous presentons ici le krigeage. En eIIet, cèst principalement
cette approche qui est exposee dans la bibliographie sur les experiences simulees. De plus,
cèst cette methode qui sera privilegiee lors de la description de la modelisation adaptative.
Nous verrons egalement que cette methode sìnscrit dans un cadre bayesien. La construction
de lèstimateur BLUP est decrite en annexe A.3.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

49
3.3.3 Ajustement de la partie rsiduelle : estimateur par krigeage
Les residus Z obtenus suite a làjustement de la tendance moyenne par regression sont
calcules aux diIIerents points du plan dèxperiences. Par residus, nous entendons la diIIerence
entre les observations et les previsions obtenues par le modele de regression. Il sàgit en Iait
des coordonnees du vecteur aleatoire ( )
X
I = Z P Y avec
X
P le projecteur sur Im(X). Les
residus Z sont interpoles aIin dàboutir a une approximation respectant les simulations
realisees. La structure du modele composite se prte bien a la problematique de modelisation
de reponses non-regulieres sans inIormation a priori car elle se decompose en deux parties :
un modele polynomial et un terme correcteur qui permet en quelque sorte de combler
lècart entre la prediction du modele polynomial et la simulation. Cèst pour cela que nous
avons choisi de ne pas eIIectuer du krigeage sur les observations mais sur les residus, de
maniere a obtenir une tendance generale du comportement de la reponse, qui peut tre
suIIisant dans certains cas. Dans le cas ou le modele polynomial est satisIaisant, il nèst pas
necessaire dàjouter ce terme correcteur. Dans le cas contraire, le modele composite permettra
de corriger la surIace de reponse pour ainsi prendre en compte les non-regularites detectees de
la reponse. Par ailleurs, ce caractere composite de la modelisation permet une grande
robustesse de làpproximation dans les zones non echantillonnees, puisque cette
approximation ne resulte pas alors de la seule regression polynomiale de la reponse moyenne.
Cnralits sur le krigeage
Lèstimation par krigeage consiste a considerer une classe dèstimateurs sans biais,
generalement lineaire par rapport aux observations et de choisir celui qui minimise
lìncertitude mesuree au travers de la variance de lèrreur. Par rapport a dàutres methodes
dìnterpolation classiques telles que les splines ou les inverses de distance, le krigeage tient
compte de la correlation entre les donnees ( )
i
Z x . Il se distingue par ses caracteristiques
dèstimation non biaisee et dèstimation de la variance associee. Le krigeage est une methode
geostatistique de prediction spatiale minimisant le carre de lèrreur moyenne. Cèst une
methode optimale dèstimation, au sens statistique du terme, car elle ajuste de maniere
parIaite les donnees et considere lòrganisation spatiale des variables etudiees |6|. De plus, le
krigeage peut rendre compte de certains types de non-stationnarites, et caracterise
explicitement la dependance spatiale des observations par la deIinition dùne Ionction de
covariance.
Làpproche de krigeage est une methode dìnterpolation lineaire, basee sur une
distribution normale multivariee, et qui prend en compte la covariance spatiale des donnees.
Le predicteur de krigeage de la reponse, qui est en Iait pour nous le residu Z de
làjustement dùn modele de regression, en un point
0
x pour lequel aucune simulation nà ete
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

50
eIIectuee, est une Ionction lineaire des n observations ( )
i
Z x aux points du plan x
i
|26| et
|34| :
0 0
1
( ) ( ) ( )
n
i i
i
Z Z
=
=
x x x (3.5)
Sous Iorme matricielle, nous avons
0
( ) Z =
t
x zZ , avec :
( )
1
, ,
n
=
t
z
( )
1
( ), , ( )
t
n
Z Z = Z x x
Le krigeage consiste a attribuer un poids
i
a chaque mesure, cèst-a-dire a determiner
les poids qui permettent dèstimer la valeur
0
( ) Z x de la Ionction en tout
0
x en interpolant les
donnees
( )
i
Z x deja observees. Ces poids dependent de lèndroit ou lòn se trouve dans
lèspace des parametres. Ils sont determines de maniere a minimiser la variance dèstimation
resultante, en prenant en compte lèmplacement des points de mesure.
On montre, par minimisation de la variance de lèrreur au point
0
x , que les poids
optimaux
i
dependent de la covariance entre les observations. La methode de calcul des
poids de krigeage
i
est donnee en annexe B.2.
Nous obtenons la relation suivante :
0 0 0
( ) ( ) ( )
t
Z

= = =
t 1 t 1
x zZ c x C Z ZC c x (3.6)
ou :

( )
( ), ( ) , , 1,
i f
Cov Z Z i f n
(
= =

C x x
( )
0 0
( ) ( ), ( ) , 1,
t
i
Cov Z Z i n = = (

c x x x
Remarque : Il est important de rappeler que lors de lutilisation du krigeage simple des
residus, on peut independamment utiliser la fonction de covariance ou la fonction de
correlation soit
0 0
( ) ( )
t
Z

=
1
x r x R Z . En effet, la relation liant la fonction de correlation R(.)
a la fonction de covariance Cov(.) est donnee par .
( ) ( )
2
( ), ( ) ( ), ( ) Cov Z Z Z Z + = + x x h R x x h (3.7)
Le terme o
2
se simplifie dans le calcul des poids de krigeage, pour donner .
1
1 2 1
2
( ) ( ) ( ) ( )
t t t
R
Cov C R R R

= = = z x x x x (3.8)
ou .
- Cov(x) et R(x) representent respectivement la covariance et la correlation entre le
point a estimer x et le plan dexperiences,
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

51
- C et R representent respectivement les matrices de covariance et correlation entre les
points du plan dexperiences.
EnIin, nous pouvons ecrire lèstimateur de krigeage comme une combinaison lineaire de
n Ionctions de covariances, n etant le nombre de points du plan dèxperiences.
Lèxpression du krigeage sous sa Iorme duale est :
( )
0 0
1
( ) ( ), ( )
n
i i
i
Z bCov Z Z
=
=
x x x , avec
1 t
= b ZC .
Le krigeage revient ainsi a ajuster localement les n donnees par une combinaison
lineaire de n Ionctions de covariance. Les b
i
sont determines de maniere a ajuster les donnees
de maniere exacte.
Le krigeage rsiduel dans la modlisation adaptative
Dans notre approche de modelisation, le krigeage est un estimateur lineaire et sans biais
du residu Z de la production du gisement (la variable caracteristique inconnue). Les residus Z
entre les simulations realisees et les predictions du modele de la moyenne sont supposes
constituer une realisation dùn processus aleatoire.
Lèquation (3.6) sècrit ainsi dans notre cas, pour tout points x
0
de D :
0
( ) Z x
1
0
( )
t
c x C Z

1
0

( )
t
(

c x C Y X
ou
X represente la regression polynomiale associee a lèchantillon.

3.3.4 Modle composite et approche baysienne
Supposer que le processus residuel est gaussien pour predire le residu ( )
0 0
: Z Z = x , a
partir des n autres residus ( )
1
( ), , ( )
n
Z Z = Z x x , cèst adopter implicitement une demarche
bayesienne |14|, |22| et |57|.
Ainsi, on suppose a priori que z
x
est la realisation dùn processus spatial ( ) Z x , indice
par D x , plus precisement un processus gaussien centre.
Soit alors ( ) ( )
1
0 1
, , ,
n
n
x x x D
+
= x puis, le vecteur aleatoire ( ) ( )
0 1
, , ,
n
Z Z Z = Z ou
( ) :
i i
Z Z i = x .

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

52
Par hypothese, on deduit la loi du (n1)-uple( )
0
, Z Z , i.e. :
( )
2 0
0
0
1
, 0,
t
Z
| | | |
| |
|
\ . \ .
r
Z
r R
N
ou :

2
est un parametre,

0
r (respectivement R) depend de
0
x et x (respectivement de x) et dùn
parametre scalaire ou vectoriel :
0
0 2
( ) c
=
x
r et
2
=
C
R .
On construit un predicteur ponctuel par projection dans lèspace de Hilbert des variables
aleatoires de carre sommable, i.e. en utilisant lèsperance conditionnelle
[ ]
0
E Z Z qui est
lineaire puisque le processus est Gaussien. Plus precisement,
[ ] ( )
1 2 1
0 0 0 0
~ 0,
t t
E Z

= Z r R Z r R r N
car le processus est centre.
La loi a posteriori de Z
0
est la distribution conditionnelle :
[ ] ( )
1 2 1
0 0 0 0
~ ,
t t
Z

= Z z r R z r R r N
Soit encore : ( )
1 1
0 0 0

( ) ( )
t t
Z

( (
= =

x r x R Y X c x C Y X et on retrouve bien
lèxpression du modele de krigeage (3.6).
Remarque : Un moven naturel deliminer
2
du processus a priori gaussien est de lui
attribuer une distribution a priori non-informative, comme par exemple un a priori de
Jeffrevs. Toutefois, Currin et al. [14] suggerent destimer
2
par maximum de vraisemblance
parce que cet estimateur est plus precis que ceux obtenus par differentes methodes de
validation croisee.
Ainsi, la methode de krigeage est equivalente a lìnterpolation bayesienne, avec un a
priori gaussien sur le residu. Lìnterpolation bayesienne a ete introduite pour la modelisation
dèxperiences simulees par Currin et al. |14| et Morris et al. |38|. Ces auteurs ont donne une
Iormulation bayesienne pour les modeles de krigeage.
3.3.5 Modle composite : synthse
Ainsi, nous proposons dans làpproche de modelisation adaptative dèstimer la reponse
par un predicteur, dit composite, de la Iorme :
1
0 0 0

( ) ( ) ( )
t
Y

(
= +

x X x c x C Y X (3.9)
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

53
Le principal intert de ce modele est que la surIace de reponse ajustee passe par les
simulations, lìnterpolation est exacte. Cèst aussi une methode de prediction optimale, au
sens statistique du terme, car les poids de krigeage sont determines de maniere a minimiser la
variance de prediction.
Remarque : Ce modele est designe sous le terme de krigeage universel par les
geostatisticiens. Dans la litterature anglophone, la terminologie emplovee est KT (kriging
with a trend model).
Nous illustrons, sur la Figure 3.5, lìntert dàjouter ce terme correctiI. Nous
considerons ici une Ionction analytique non-reguliere et localement non stationnaire, aussi
appelee Ionction Chameau , dont lèquation est :
4 2 6 4 4
4 4
3
1
10
21
4 ) , ( v v xv x x x v x F + + + = .
La Figure 3.5 represente la Ionction reIerence (a), làjustement de la moyenne par
moindres carres ordinaires (b), puis, làjustement par le modele composite (c), la correction
residuelle par krigeage menant a une evolution de làjustement ponctuellement, sans
Iortement perturber la tendance moyenne. Ces deux ajustements sont eIIectues a partir du
mme hypercube latin de distance maximin a neuI simulations.
v
x v
x
v
x
(a) (b) (c)

Figure 3.5. Afustement par regression puis par predicteur composite
Nous voyons, sur la Figure 3.5, que làjout dùn terme correctiI a la moyenne par le
biais du krigeage simple des residus ameliore la qualite dèstimation et de predictivite du
modele, la surIace de reponse estimee passe par les observations.
La qualite de prediction dùn estimateur de type (3.9) depend Iortement de la structure
de covariance entre les residus. La covariance caracterise la variabilite spatiale des residus.
Lèstimation de la structure de covariance est donc une etape tres importante dans la
construction du predicteur, elle est cruciale dans notre approche de modelisation adaptative.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

54
3.4 Problme li la modlisation : Estimation de la fonction de
covariance entre les observations
Lèstimateur de la reponse Y, donne par (3.9), depend de la Ionction de covariance du
processus residuel gaussien
Z Y = X , et par consequent les resultats de la modelisation

sont tres sensibles au choix de la structure de covariance. De plus, le processus Z est
entierement deIini par sa Ionction de covariance, parce quìl est gaussien et de moyenne
connue nulle. Lèstimation de cette Ionction de covariance est donc une etape cruciale de la
modelisation adaptative.
3.4.1 Dfinitions et proprits du variogramme
En geostatistique, la Ionction la plus utilisee pour decrire la regularite dùn processus est
le variogramme, et ce surtout parce quèlle est plus simple a estimer que la covariance qui
demande lèstimation prealable de lèsperance mathematique, mais egalement parce quèlle
sàccommode des situations ou ( ) ( )
Jar Z x nèst pas deIinie. Lèstimation de ce
variogramme est une des principales diIIicultes rencontrees au cours de ces travaux parce que
nous nàvons aucune connaissance a priori sur le type de non-regularite de la reponse a
estimer et sur la stationnarite des residus a kriger.
Proprits du variogramme
On ne peut resoudre un probleme de krigeage, cèst-a-dire calculer eIIectivement le
poids optimal quìl convient dàttribuer a chaque mesure, quà la condition de Iaire certaines
hypotheses sur les caracteristiques du processus a modeliser. Essentiellement, il Iaut se
donner un processus residuel Z stationnaire dòrdre deux, autrement dit Iaire l`hypothese que
tous les points depares dùne mme distance h, dans une direction donnee, ont une mme
covariance :
( ) ( ) ( ) ( ) , , Cov Z Z Cov D + = x x h h x .
Quant a la variance de ce processus stationnaire, puisquèlle est constante, veriIie :
( ) ( ) ( )
2
( ) ( ), ( ) 0 Jar Z Cov Z Z Cov = = = x x x (3.10)
Une autre propriete indispensable est que la covariance soit deIinie positive. Cette
contrainte assure que la variance de lèstimateur par krigeage soit positive ou nulle. Nous
supposons que ces deux proprietes sont veriIies dans la suite de ce manuscrit. Nous revenons
en detail sur ces proprietes en annexe B.4.1.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

55
Jariogramme thorique
Le variogramme represente la demi-diIIerence de deux valeurs dùne variable aleatoire
separees de la distance h. Lèxpression du variogramme theorique est donnee par :
[ ] ( )
2 1 1
( ) ( ) ( ) ( ) ( )
2 2
Jar Z Z E Z Z
(
= + = +

h x x h x x h ,
car le processus Z est stationnaire, dòu ( ) ( ) ( ) 0 E Z Z + = (

x x h .
Cette Ionction, habituellement croissante en Ionction de h, apporte beaucoup
dìnIormation sur le comportement conjoint des variables aleatoires.
Il existe un certain nombre de variogrammes theoriques qui sont souvent utilises en
geostatistique, et qui veriIient les conditions de stationnarite et de positivite requises. Une liste
non exhaustive de diIIerents variogrammes possibles est presente en annexe B.4.3. Il sàgit
des variogrammes les plus couramment employes en ingenierie de reservoir, a savoir les
variogrammes exponentiel, gaussien, spherique et puissance.
Lorsque le variogramme montre un palier, cèst-a-dire si lim ( )
h
h c
= ou c est une
constante, il existe une relation entre la valeur du variogramme pour la distance h et la
covariance pour deux observations separees de la distance h. Cette relation est tres
importante, elle est continuellement utilisee en geostatistique :
( ) h

[ ]
1
( ) ( )
2
Jar Z Z + x x h

[ ] [ ] ( ) { }
1
( ) ( ) 2 ( ), ( )
2
Jar Z Jar Z Cov Z Z + + + x x h x x h

2
- ( ) ( ), ( ) Cov Z Z + x x h
Soit enIin, du Iait de la stationnarite du processus Z :
( ) h

( )
2
Cov h (3.11)
Il est ainsi possible dèstimer le variogramme, la covariance ou la correlation pour
lùtilisation du predicteur composite (3.7).
Jariogramme exprimental
Lèstimation du variogramme theorique passe par la construction dùn variogramme
experimental, cèst-a-dire de points experimentaux qui vont servir a làjustement du
variogramme theorique.
Le variogramme experimental, dans le cas isotrope, est deIini par :
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

56
[ ]
( )
2
1
1
( ) ( ) ( )
2 ( )
N h
e i i
i
Z Z
N
=
= +
h x x h
h
(3.12)
ou N(h) represente le nombre de paires de points separes de la distance h.
Lènsemble des points du dispositiI experimental separes de la distance h permet le
calcul dùne valeur du variogramme empirique ( )
e
h associee a la distance h. La serie de
points experimentaux ( )
e i
h ainsi obtenue servira a la modelisation dùn variogramme
theorique. Une illustration de ce principe est presente sur la Figure 3.6.
h
1
h
1
h
1
h
1
h
1
Z(x)
h
2
h
2
h
2
h h
1
h
2
(h)
e

Figure 3.6. Afustement dun variogramme experimental
Pour une reponse Y donnee, rien nàssure que la correlation spatiale soit identique dans
toutes les directions. Certains parametres peuvent avoir une inIluence tres Iorte sur la reponse,
alors que dàutres non. Ainsi, des lors que le nombre dèxperimentations est suIIisamment
grand (typiquement au moins 50, preIerablement 100), on peut chercher a evaluer le
variogramme experimental dans les diIIerentes directions.
On peut ainsi calculer le variogramme selon certaines directions :
[ ]
( , )
2
1
1
( , ) ( ) ( )
2 ( , )
N
e i i
i
Z Z
N
=
= +
h q
h q x x h
h q

ou N(h, q) represente le nombre de paires de points separes de la distance h dans la
directionq.
En pratique, on sàccorde un intervalle de variation autour de h et q aIin dàvoir
suIIisamment de paires pour chaque h et chaque q. Pour chacune des classes ainsi Iormees,
on calcule la distance moyenne separant les extremites des paires (abscisse) et on evalue le
variogramme experimental pour chaque classe |17|.
On obtient donc une serie de points experimentaux auxquels on cherche a ajuster un
modele, cèst-a-dire une expression analytique parmi les plus classique (gaussien,
exponentiel, etc...), permettant de deduire la covariance entre deux points quelconque en
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

57
Ionction de leur espacement geographique et, eventuellement, de la direction quìls
deIinissent.
Une Iois le modele de variogramme adopte, toute la suite des calculs se Iait avec les
valeurs obtenues du modele et non avec les valeurs experimentales.
Nous avons donc naturellement ete amene a examiner le probleme de làjustement
dùn modele de variogramme theorique restituant au mieux les points du variogramme
experimental. Nous presentons diIIerentes methodes, dependant du nombre de donnees
disponibles pour la construction dùn variogramme empirique.
3.4.2 Estimation du variogramme dans la modlisation adaptative
Dans le cadre de notre etude, nous disposons generalement dùn nombre insuIIisant
dòbservations pour làjustement dùn variogramme. De plus, contrairement a la
geostatistique classique ou le variogramme permet de caracteriser la correlation spatiale entre
les valeurs dùne propriete dùne roche (permeabilite, porosite, etc.), aucun sens physique ne
peut tre donne au variogramme. Nous nàvons donc aucun a priori particulier sur le type de
variogramme a utiliser. Ainsi est-il important de le caracteriser.
Nous considerons ici que le variogramme est deIini par :
( ) ( ( , ))
i f
f d = h x x
La construction du variogramme requiert dùne part, la deIinition dùne distance d
adaptee au domaine experimental, et dàutre part, la deIinition dùne structure de
variogramme f. La distance d generalement utilisee est la distance euclidienne usuelle, cèst-a-
dire quèntre les points x
i
et x
f
, nous avons la distance :
( )
2
1
( , )
k
i f il fl
l
d
=
=
x x x x
avec ( )
1
, ,
i i ik
x x = x et k le nombre de parametres.
Mais comme toutes les variables dèntree nònt pas la mme inIluence sur la reponse,
il est preIerable de ne pas supposer que la covariance spatiale est la mme dans toutes les
directions et donc dùtiliser une distance euclidienne ponderee en introduisant des parametres
l
, cèst-a-dire de poser :
2
1
( , )
k
il fl
i f
l
l
d
=
| |
=
|
\ .
x x
x x
De ce Iait, on introduit un variogramme anisotrope. Des lors que la distance d est
determinee, la question du choix de la structure du variogramme se pose, cèst-a-dire le choix
de la Ionction f introduite ci-dessus.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

58
Nous allons traiter le choix de la structure du variogramme entre les observations Y
i

plus en details dans la suite de ce manuscrit. Nous verrons egalement que ceci passe par
lèstimation des parametres
l
de cette structure. Nous preconisons deux cas, en Ionction de la
taille du plan dèxperiences courant. Par plan dèxperiences courant, nous designons ici le
plan dèxperiences a une iteration donnee de la modelisation adaptative.
Cas 1 : Peu de points dans le plan dèxpriences courant
Generalement au debut de la modelisation adaptative par plans dèxperiences, nous
disposons dùn nombre de donnees beaucoup trop Iaible pour proceder a une estimation
empirique robuste de la covariance et donc a la construction du variogramme empirique. Cèst
pourquoi, nous deIinissons prealablement la structure de la Ionction f, puis nous estimons
lènsemble des parametres
l
.
Comme pour le modele composite (3.9), lèstimateur de
0
( ) Z x peut sèxprimer en
Ionction de la structure de correlation qui depend uniquement de 0 et qui est independant de
2
, nous proposons ici dèstimer la Ionction de correlation entre les residus.
Remarque : Lestimation de la variance
2
est necessaire pour estimer la variance de
krigeage de lestimateur. Nous detaillerons ce point dans le chapitre suivant.
Dans ce contexte, cèst-a-dire lorsque peu de points dòbservation sont disponibles,
nous proposons de Iaire une hypothese dàssez Iorte regularite du modele de covariance.
Ainsi, nous imposons une structure de correlation gaussienne au processus Z dans les
premieres phases dàjustement. Cette hypothese de regularite permet egalement de justiIier le
choix dùn polynme du premier ou second degre pour làpproximation moyenne de la
reponse.
Ainsi, nous deIinissons une correlation gaussienne, anisotrope, cèst-a-dire de la Iorme :
2
1
( ) exp
k
i
l
l
h
Corr
=

| |

=
` |
\ .

)
h avec ,
l fl kl
h x x k f n =
Nous proposons dèvaluer les parametres
l
par maximum de vraisemblance restreint.
La methode du maximum de vraisemblance restreint a ete introduite par Patterson et
Thompson en 1971 pour reduire le biais des estimateurs du type maximum de vraisemblance.
Ces deux methodes supposent que l`hypothese de distribution gaussienne des donnees est
veriIiee, cèst-a-dire que :
2 2
, ~ , ( )
n

( (

Y 0 X R 0 N
De plus, la methode du maximum de vraisemblance restreint suppose que la matrice X
soit de rang plein. Lèstimateur par maximum de vraisemblance restreint maximise la Ionction
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

59
de vraisemblance de combinaisons lineaires independantes de la reponse Y. Nous preIerons
utiliser cet estimateur parce quìl est sans biais, contrairement a lèstimateur par maximum de
vraisemblance.
Ainsi, dans le cas dùne estimation par maximum de vraisemblance restreint, une
estimation de la variance du processus est donnee par |22| :
2 2 1
1

( ) ( ) ( )
t
MJR MJR
n p

= =
0 Y X R Y X (3.13)
De lèxpression de la variance (3.13), nous deduisons la valeur de
MJR
0
, estimateur par
maximum de vraisemblance restreint de 0 , en minimisant la Ionction :
( ) ( ) ( ) ( ) ( ) ( ) { }
2
min log log det
MJR MJR
n p = +
0
0 0 R 0
(3.14)
avec p rang(X).
Cèst donc ce modele de correlation qui sera utilise lors du krigeage simple des residus
en debut de modelisation, du Iait du peu dòbservations disponibles. Il a pour equation :
2
1
( ) exp
l
k
l
l
MJR
h
Corr
=

| |

= |
`
|
\ .
)
h

avec ,
l fl kl
h x x k f n = .
Remarque 1 : Dans le cas dun modele sature, cest-a-dire lorsque le nombre de
coefficients de regression est le mme que le nombre dexperimentations du dispositif, il nv a
pas de degres de liberte pour estimer la variance
2
et lestimateur sans biais restreint des
parametres nest pas defini. Par consequent, dans ce cas, nous utilisons lestimateur du
maximum de vraisemblance classique.
Les methodes du maximum de vraisemblance et maximum de vraisemblance restreint,
ainsi que dàutres methodes possibles pour lèstimation des parametres
l
et
2
sont decrites
en annexe B.4.4.
Ce choix dèstimateur, plutt que dùn a priori non inIormatiI de JeIIreys a notamment
ete preconise par Currin et al. |14|. En eIIet, ils ont montre que lèstimateur par maximum de
vraisemblance est plus stable pour diIIerents tests de validation croisee eIIectues.
Cas 2 : Nombre de points dans le plan dèxpriences courant important
Au Iur et a mesure de lènrichissement du dispositiI experimental, il est judicieux de
remettre en cause l`hypothese de regularite gaussienne et donc de la conIronter a lèstimation
dùn variogramme empirique. Notons que l`hypothese de stationnarite est conservee. Des lors
que le nombre de points dòbservation est suIIisant, le choix de la structure de covariance
reste ouvert. Etant donne que nous nàvons pas de signiIication physique de la covariance, il
nèst pas possible de deIinir une structure en Ionction du type de probleme. Pour ne pas tre
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

60
penalise par le choix dùne structure a priori, nous proposons de determiner une covariance
qui minimise une Ionction objectiI : le carre de lèrreur entre le variogramme theorique et le
variogramme empirique.
Pour ce Iaire, nous construisons le variogramme empirique a partir de lèquation (3.12).
Le variogramme theorique que nous cherchons a ajuster est lùn des variogrammes classiques
utilises en ingenierie de reservoir, a savoir exponentiel, gaussien ou spherique. Etant donne
que nous eIIectuons du krigeage simple, nous ne considerons pas le variogramme puissance,
celui-ci nàyant pas de palier.
Nous cherchons le variogramme minimisant la somme des carres des ecarts avec le
variogramme empirique, cèst-a-dire qui minimise la Ionction objectiI :
( )
2
( , ) ( )
i i
e
i
J =
h h (3.15)
ou :
h
i
represente les diIIerentes distances qui interviennent dans la construction du
variogramme empirique,
( )
i
e
h represente le variogramme empirique
( , )
i
h est le variogramme a estimer, parmi un variogramme exponentiel,
gaussien ou spherique
Nous illustrons cette approche a làide de la Figure 3.7 ci-dessous. Puis nous presentons
les variogrammes exponentiels, gaussiens et spheriques obtenus apres optimisation de (3.15) a
làide de la Figure 3.8. Par commodite pour ces representations graphiques, nous nous plaons
ici dans le cas isotrope.
( ) h
h

Figure 3.7 . Afustement dun variogramme . Methode de moindres carres

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

61
Variogramme gaussien
Variogramme exponentiel
Variogramme sphrique
( ) h
h

Figure 3.8 . Afustement de variogrammes exponentiel, gaussien et spherique
Sur la Figure 3.8, les sommes des carres dècarts des variogrammes gaussien,
exponentiel et spherique sont respectivement : 9.04, 7.34 et 8.59. Ainsi, le variogramme
exponentiel est celui de meilleure qualite. Dans ce cas bien precis, cèst le variogramme
exponentiel qui est utilise pour la modelisation par krigeage.
TouteIois, le choix dùn seul de ces trois variogrammes nèst pas toujours optimal. Nous
proposons donc une generalisation de la Iormulation de la Ionction objectiI consistant a
ajuster une combinaison lineaire de ces variogrammes. Nous proposons egalement
dòptimiser la valeur de la puissance p du variogramme de type exponentiel. Notons que pour
p 1, nous obtenons le variogramme exponentiel et pour p 2, il est gaussien.
Ainsi, le variogramme que nous cherchons a optimiser est de la Iorme :
( ) ( )
1 1 1 2 2 2
( , , ) , , , , ,
exp sph
c p c = + h 0 c h 0 h 0
avec :
( ) , , , 1 exp
p
exp
c p c
| |
| |
= |
`
|
|
\ .

) \ .
h
h 0
0
et 0 2 p < .
Nous procedons a làjustement des parametres deIinissant a la Iois la structure et les
parametres du variogramme de maniere a reduire lèrreur moindres carrees par rapport aux
points du variogramme experimental. Pour ce Iaire, nous cherchons a evaluer les valeurs des
parametres
1 2 1 2
, , , , et p 0 0 c de maniere a minimiser la Ionction :
( ) ( )
2
, , min ( , , , ) ( )
i i
e
i
p p

=
`
)
0 c h 0 c h (3.16)
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

62
Nous illustrons làjustement dùn tel variogramme, toujours dans le cas isotrope, a
làide de lèxemple de la Figure 3.9.
( ) h
h

Figure 3.9 . Afustement dun variogramme . combinaison lineaire de variogrammes
Le variogramme obtenu ici est de la Iorme :
( ) ( ) ( , , ) 5.98 ,10, 4.45, 2 1.07 , 0.99,1.86
exp sph
= + h 0 c h h
Le carre des erreurs aux points du variogramme empirique est de 6.15, nous constatons
donc quìl ajuste mieux les donnees experimentales que les variogrammes pris
individuellement.
Ainsi, nous proposons la deIinition dùn variogramme qui soit combinaison lineaire de
plusieurs variogrammes simples. Ce type de variogramme permet la reduction de lèrreur
moindres carrees par rapport aux points dèxperimentation. Des lors que le nombre de
donnees du plan dèxperiences est suIIisant, nous proposons de realiser une telle optimisation
du variogramme, sàIIranchissant ainsi dùne hypothese a priori sur le choix du modele de
variogramme plutt quùn autre.
3.5 Remarques complmentaires : approches alternatives ou
complmentaires
Nous avons presente dans ce chapitre le modele dàpproximation employe dans cette
these. Par son caractere composite, ce modele permet une interpolation exacte des donnees
simulees, tout en conservant la robustesse dùne regression dans les zones peu
echantillonnees. Le choix de ce modele dàpproximation est suggere principalement par
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

63
lèxamen conjoint de la bibliographie sur le sujet et des etudes de validation permettant la
prise en compte des speciIicites des phenomenes etudies en ingenierie de reservoir. Ceci nous
a amene a etudier quelques alternatives possibles, notamment deux autres methodes
geostatistiques : le cokrigeage et le krigeage ordinaire avec voisinage glissants. Nous
presentons brievement ces methodes et expliquons leurs avantages et inconvenients par
rapport a la methode dàpproximation Iinalement preIeree.
3.5.1 Cokrigeage
Le cokrigeage est une technique basee sur le principe du krigeage, mais tenant compte
de plusieurs donnees simultanement |9|. Elle est utilisee en geostatistique, des lors que
lùtilisateur dispose de donnees provenant de diIIerentes sources. Dans le cas de la simulation
numerique dècoulement, une inIormation supplementaire peut tre Iournie dans certains cas
par le simulateur : les derivees partielles de la reponse par rapport aux parametres evaluees en
chacun des points experimentaux.
LòbjectiI ici est predire la reponse Y au point x
0
, en utilisant conjointement les valeurs
de simulations et les valeurs des derivees partielles. Comme precedemment, le cokrigeage est
applique a la modelisation de la partie residuelle.
Dans le cas ou lòn considere deux parametres x
1
et x
2
,
pour chaque point du plan
dèxperiences
i
x , nous disposons dùn residu Z, et des valeurs de derivees partielles suivant
les deux directions x
1
et x
2
, soit respectivement :
1
Z
x
et
2
Z
x
.
Lèxpression du terme residuel par cokrigeage est alors :
2 1
0 1 2
1 1 1
( ) ( ) ( ) ( ) ( ) ( ) ( )
i i i
n n n
i i i
i i i
Z Z
Z Z
x
x

= = =

= + +

x x x x x x x (3.17)
Ainsi, en supposant que lìnIormation sur les derivees partielles est disponible par des
algorithmes peu coteux, la methode de cokrigeage permet dèxploiter cette inIormation pour
contraindre làjustement et ainsi ameliorer làpproximation a moindre cot. Utiliser cette
approche permet dàpproximer une Ionction avec un nombre de simulations moins important,
sans pour autant sacriIier la predictivite de làpproximation. Cette methode peut tre utilisee
pour làjustement de Ionctions Iortement non-regulieres mais cependant continues pour
donner un sens aux gradient. Elle contient une inIormation additionnelle tres utile permettant
de reduire signiIicativement le nombre de simulations requises. TouteIois, cette amelioration
en terme de nombre de simulations se Iait au detriment du temps de calcul associe a chaque
simulation du Iait du calcul des derivees partielles.
La Figure 3.10 donne un exemple en une dimension dùne Ionction estimee dùne part,
par krigeage simple, represente en vert, et dàutre part, par cokrigeage, en rouge. La Ionction
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

64
reIerence est representee en pointilles. Nous voyons que lìnIormation apportee par les
derivees partielles est capitale ici.
Cokrigeage - 4 points

Figure 3.10 . Approximation dune fonction analvtique par krigeage et cokrigeage
Supposant que lìnIormation sur les gradients est disponible pour un cot peu eleve,
cette approche ameliore grandement la precision et lèIIicacite de la modelisation obtenue par
krigeage. Le gain est dàutant plus important que le nombre de parametres est grand |9|. En
utilisant cette approche, on peut approximer une reponse au moyen dùn nombre de
simulation grandement diminue, sans pour autant sacriIier la precision de làpproximation.
TouteIois, cette inIormation nèst pas toujours disponible, particulierement pour certains
parametres. Par ailleurs, dans le cas ou cette inIormation peut tre obtenue, elle peut
necessiter un cot de calcul tres important, parIois equivalent a celui de la simulation.
Lùtilisation de cette methode peut tre envisagee dans le cas ou lòn dispose de cette
inIormation a un cot raisonnable.
3.5.2 Krigeage Ordinaire avec Voisinages Glissants
Nous avons egalement envisage une modelisation basee sur une autre technique de
krigeage, qui consiste a approximer la reponse a làide dùn krigeage ordinaire avec
voisinages glissants. Le principe de construction de cet estimateur de krigeage presente en
eIIet lìntert de ne pas tre base sur une regression pour modeliser la tendance moyenne.
Lìnterpolation est realisee directement sur les observations de la reponse et non sur les
residus estimes a partir dùne regression. De plus, contrairement au krigeage simple, le
krigeage ordinaire ne necessite pas la connaissance de la moyenne du processus, puisquòn
impose a la somme des poids de krigeage d`tre egale a un.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

65
Pour une estimation par krigeage ordinaire, nous avons :
1
( ) ( )
L
l
l
l
v x x v
=
=

Le systeme stationnaire de krigeage ordinaire sècrit :
( )
1
1
1
1
L
l l l l
l
L
l
l
( x )Cov x x ( x ) Cov( x x ), l , , L
( x )

=
=
+ = =

avec :

l
( x ) les poids de krigeage ordinaire,
( x ) le parametre de Lagrange associe a la contrainte
1
1
L
l
l
( x )
=
=
.
Le krigeage ordinaire est generalement utilise avec des voisinages glissants. La
technique des voisinages glissants consiste a deIinir un voisinage
x
de chaque point x a
estimer et de nùtiliser que les points se situant dans ce voisinage pour estimer la valeur du
point par krigeage ordinaire. En eIIet, seules les donnees proches du point a estimer sont
prises en compte lors de lèstimation. Ceci apporte une Ilexibilite vis-a-vis de l`hypothese de
stationnarite supposee en krigeage simple. En eIIet, on peut montrer quà chaque nouveau
point x, le krigeage ordinaire estime une nouvelle moyenne m(x). Comme le krigeage
ordinaire est utilise ici avec voisinages glissants, diIIerentes donnees permettent dèstimer
cette moyenne et par consequent, celle-ci depend de la position x du point. On peut montrer
que lèstimateur de krigeage ordinaire est de type krigeage simple mais avec une moyenne
Ionction du point x au lieu d`tre contrainte, on a donc :
1
( ) ( ) ( ) 1 ( ) ( )
l
L
l l l
x l
v v m

=
(
= +
(

x
x x x x x
Ainsi, la procedure de krigeage ordinaire utilisee avec des voisinages glissants est par
construction un algorithme non stationnaire, dans le sens quìl correspond a un modele
aleatoire non stationnaire avec une moyenne variable mais une covariance stationnaire. Ceci
explique la robustesse de cet algorithme.
Les voisinages necessaires a une estimation par krigeage avec voisinages glissants
peuvent tre determines en Ionction de lèchantillonnage. En eIIet, une non-stationnarite de la
Ionction peut se traduire, par exemple, par des zones ou les variations de la reponse sont
tres lisses (quasi-polynomial) et dàutres zones ou la reponse est tres variable. Si on considere
un echantillonnage optimal dùne Ionction non-reguliere, nous aurons des zones peu
echantillonnees qui correspondent aux endroits ou la Ionction est lisse et inversement, nous
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

66
aurons des zones Iortement echantillonnees qui correspondent a de plus grandes Iluctuations
de la reponse. Il peut tre judicieux de construire des voisinages dont la taille depend du
nombre de donnees : le voisinage est dàutant plus grand que le nombre de donnees est Iaible
et dàutant plus petit que le nombre de donnees est important. En eIIet, pour chaque point a
estimer, une recherche des points les plus proches a lìnterieur dùn voisinage est eIIectuee.
On se donne un nombre maximum n
max
de points par direction (ou quadrant) et seuls les
points les plus proches, dans chaque direction, sont conserves, aIin dèviter toute redondance
dans lìnIormation. Une illustration de ce principe est presentee sur la Figure 3.11.
Lèstimation de la valeur du point est ensuite obtenue par krigeage ordinaire, a partir des
points conserves lors de la recherche de voisinage.
+
+
+
+
+
+
+
+
+
+
Non utiIiss dans
I 'estimation du point
Point estimer

Figure 3.11 . Estimation dun voisinage . deux points par quadrant
Une etude detaillee sur le cas reservoir synthetique PUNQ |62| a permis de montrer que
lèstimation obtenue par krigeage ordinaire avec voisinages glissants donne des resultats tres
satisIaisants. Làvantage de cette methode est que lèstimation se Iait uniquement a partir des
points voisins en imposant un nombre maximal n
max
de donnees par quadrants. Ainsi, seule
lìnIormation proche est prise en compte, la redondance est evitee et lòn est plus robuste en
cas de discontinuites. Cette approche sèst averee oIIrir une alternative tres interessante, en
particulier pour làjustement de Ionctions a Iorte irregularite.
La Figure 3.12 represente làjustement dùne Ionction reIerence (a) par regression et
krigeage residuel (b), puis par krigeage ordinaire avec voisinages glissants (c). Nous voyons
que la derniere methode donne des resultats moins lisses que dans la modelisation
composite, lèstimation etant eIIectuee par paliers.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

67
Rfrence
Rgession et
Krigeage RsidueI
Krigeage Ordinaire
Voisinages GIissants
v
x
v
x v
x
(a) (b) (c)

Figure 3.12 . Approximation dune fonction analvtique par regression et krigeage
residuel puis krigeage ordinaire avec voisinages glissants
Le principal inconvenient de cette methode est quèlle necessite un nombre important de
points dòbservation. Par ailleurs, le caractere local de làpproximation implique une Iaible
robustesse de cette modelisation vis-a-vis de la predictivite dans les zones ou lòn ne dispose
pas dìnIormation ou pour lèxtrapolation.
3.5.3 Bilan
Trois methodes dìnterpolation ont donc ete etudiees : un modele composite constitue
dùne regression et dùn krigeage des residus, un modele composite associant une regression
et un cokrigeage residuel et enIin un modele de krigeage ordinaire avec voisinages glissants.
Ces trois techniques se prtent tres bien a notre application de modelisation adaptative a Iaible
cot, parce que la prise en compte de la covariance entre les observations permet une bonne
evaluation du comportement de la reponse dans un voisinage des points observes. De plus, ces
methodes permettent dòbtenir une approximation exacte, cèst-a-dire que les valeurs des
simulations sont respectees.
A lìssue de lètude comparative de ces techniques de krigeage, il semble preIerable
dùtiliser la methode de cokrigeage des lors que lìnIormation sur les derivees partielles peut
tre obtenue a Iaible cot. Mais ceci nèst generalement pas le cas.
Ainsi, dans le cas de Ionctions reponses assez complexes ou discontinues, nous
proposons de debuter le processus iteratiI par des approximations globales, puis, quand le
nombre de donnees est suIIisant, dùtiliser des techniques locales, telle que le krigeage
ordinaire avec voisinages glissants. Ce krigeage ordinaire peut tre associe a un krigeage avec
derive (KT) aux Irontieres du domaine, cèst-a-dire la ou le krigeage ordinaire donne de
moins bons resultats du Iait de lèxtrapolation. La presence de la derive permet alors une
meilleure estimation la ou peu de points sont disponibles, ce qui est particulierement observe
aux Irontieres du domaine. Nous pouvons egalement compenser des eIIets de bord par làjout
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

68
de points pilotes de làutre cote des Irontieres du domaine. Ceux-ci vont permettre une
meilleure estimation de la moyenne et donc de contourner le probleme de lèxtrapolation.
De plus, sans a priori particulier, sans hypothese dùne regularite sur la reponse, ou
dans le cas dùn nombre Iaible de donnees, làjustement dùne moyenne associe a un krigeage
des residus Iournit les resultats les plus robustes.
EnIin, lùtilisation du krigeage ordinaire avec voisinages glissants pour lèstimation
dùn point presente des similarites avec les methodes statistiques inIerentielles,
particulierement les methodes semi-parametriques. Ces methodes peuvent egalement tre des
alternatives de bonne qualite, il serait interessant dèxplorer cette voie.
3.6 Conclusions
Le caractere deterministe de la reponse etudiee justiIie le choix dùn interpolateur pour
la modelisation de reponses non-regulieres. Làpproche consistant a modeliser la reponse par
la somme dùne regression et dùn krigeage residuel permet de conserver une tendance
moyenne la ou il n`y a pas dòbservations et que la Ionction de covariance est mal deIinie.
Lèstimation de la structure de covariance des residus est essentielle dans la strategie de
modelisation adaptative envisagee ici. En eIIet, du Iait de la preponderance du terme residuel
dans le predicteur, les resultats de la modelisation varient enormement en Ionction de la
valeur de la Ionction de covariance. Il sàgit dùne des nombreuses diIIicultes rencontrees lors
de ces travaux car nous ne disposons dàucune inIormation sur le type de structure de
covariance. En sìnspirant des techniques de resolution de problemes inverses, nous
proposons aussi de lèstimer de maniere a minimiser lèrreur moindres carres entre le
variogramme experimental et une combinaison lineaire de variogrammes theoriques.
Les techniques dìnterpolation nàyant pas de solutions uniques, de nombreuses
realisations diIIerentes interpolent les points de simulation. AIin de mieux decrire la classe
des interpolateurs possibles, nous proposons, dans le chapitre suivant, une approche innovante
dàjout dìnIormation Iictive, visant a construire ainsi un interpolateur de meilleure
predictivite.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

69
Chapitre 4
Recherche de lèstimateur de plus grande
prdicitiv - Ajout de points pilotes
4.1 Introduction
Dans ce chapitre, nous presentons une approche originale dòptimisation de la
predictivite a priori de làpproximation. Comme presente sur la Figure 4.1, cette etape est
realisee apres lètape de modelisation.
Bonne Bonne
ModIisation
PIan d'Expriences
InitiaI
Addition de
nouveaux points
Mauvaise Mauvaise
AmIioration
de Ia
prdictivit


t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

70
Nous rappelons que làpproximation dont nous voulons ameliorer le pouvoir de
predictivite est deIinie par : Section d'equation 4
( ) ( ) ( ) Y Z = + x x x (4.1)
avec :
làpproximation de la moyenne obtenue par regression a partir de n
experimentations simulees :
( ) ( )
t
= x X x
Z(x) un processus aleatoire entierement deIini par ses deux premiers moments :
moyenne et variogramme.
Pour un nombre n dèxperimentations donnees, il existe un grand nombre
dìnterpolateurs exacts de la Iorme (4.1) qui respectent la structure spatiale du processus, au
travers de la moyenne et de son variogramme. Dans cette classe, nous cherchons un
estimateur qui ameliore la predictivite a priori. Pour y parvenir, nous introduisons dans ce
chapitre une approche innovante dàjout dìnIormation Iictive, visant donc a construire un
interpolateur de meilleure predictivite. Plus precisement, nous procedons a làjout de points
pilotes selon une terminologie introduite par De Marsily |48|, la recherche de lèstimateur de
plus grande predictivite est realisee en contraignant làpproximation au respect de donnees
dites Iictives car non simulees, mais calibrees pour assurer une meilleure robustesse. Ces
points pilotes permettent de maintenir la correlation spatiale indiquee par le variogramme.
Ces points pilotes sont ensuite consideres comme des donnees bien quàucune
simulation nàit ete realisee et permettent de decrire la classe des estimateurs de la Iorme (4.1)
utilisee ici. LòbjectiI est de selectionner lìnterpolateur qui soit le meilleur au sens de la
predictivite a priori du modele.
4.2 Mthode des Points Pilotes - Principe
AIin de determiner lèstimateur de predictivite maximale, nous proposons une mise a
jour, a chaque iteration, de lèstimateur de la reponse Y. La methode que nous utilisons,
consiste a ajouter aux n points de simulation (points de donnees dures), n
p
points IictiIs
appeles points pilotes. Nous proposons dèstimer les valeurs inconnues de la reponse aux n
p

points pilotes aIin de maximiser un critere de predictivite de làpproximation. Ainsi, chaque
interpolateur ( )
Z x est obtenu par krigeage des residus en prenant en compte les donnees
suivantes :
- n points de donnees dures pour lesquels les valeurs de reponse ( )
1
, ,
n
Y Y = Y sont
obtenues par simulation via le simulateur dècoulement.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

71
- n
p
points IictiIs
( ) 1
, ,
p
pp pp pp
n
= x x x , appeles points pilotes, pour lesquels les valeurs
( ) 1
, ,
p
pp pp pp
n
Y Y = Y de la reponse sont inconnues. Les couples
( )
,
pp pp
i i
Y x , position-
reponse, sont determines au vu de làjustement obtenu a lètape precedente de Iaon a
ameliorer lìnterpolation. Les residus associes a la moyenne ( )
PP PP
x sont designes
par
( ) 1
, ,
p
pp pp pp
n
Z Z = Z , avec ( )
PP
x lèstimation de la moyenne des donnees simulees
et Iictives par moindres carres ordinaires.
Soit
Y lèstimateur initial obtenu a partir des n donnees simulees. Lèstimateur en un

point x du domaine experimental par krigeage est :
1
( ) ( ) ( )
n
i i
i
Y Z
=
= +
x x x
Le conditionnement de la realisation initiale
Y par les n
p
valeurs estimees et les n
valeurs de simulation nous Iournit une nouvelle realisation
pp
Y de la reponse passant par les
observations
i
Y :
1 1
( ) ( ) ( ) ( )
p
n
n
PP pp pp
pp i i f f
i f
Y Z Z
= =
= + +

x x x x
La realisation
pp
Y est plus precise en terme de predictivite que la realisation initiale
Y .
En eIIet, elle integre, grce a ce double conditionnement, dùne part lìnIormation reelle
provenant du simulateur dècoulement et dàutre part, lìnIormation Iictive calculee de
maniere a accrotre la predictivite, tout en respectant la structure spatiale de la reponse a
modeliser : la realisation
Y et la realisation
pp
Y sont deux realisations diIIerentes de la mme
Ionction aleatoire.
Sur la Figure 4.2 et la Figure 4.3 ci-dessous, nous illustrons lèIIet de làjout dùn point
pilote
pp
x sur lìnterpolation pour diverses valeurs donnees a
pp
Y . La position du point pilote
est precisee par un triangle, ce point vient sàjouter aux cinq points dùn plan dèxperiences
pour lesquels on dispose de cinq simulations.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

72

Y
PP
= - 0.2

Y
PP
= 0

Figure 4.2 . Influence dun point pilote sur lapproximation (1)
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

73
Y
PP
= 0.4

Y
PP
= 0.6

Y
PP
= 0.8

Figure 4.3 . Influence dun point pilote sur lapproximation (2)

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

74
Comme lìllustrent la Figure 4.2 et la Figure 4.3, làpproximation comprenant un ou
plusieurs points pilotes est toujours un interpolateur des donnees simulees. La valeur attribuee
a un point pilote permet de contraindre làpproximation dans un voisinage de ce point pilote,
et par consequent la predictivite de làpproximation est modiIiee localement. Ce voisinage est
bien evidemment Ionction de la longueur de correlation du variogramme.
Cette approche de pilotage des deIormations de làpproximation courante en vue dùne
amelioration de sa predictivite a necessite dùne part une reIlexion sur la maniere de
positionner ces points pilotes dans le domaine experimental, et dàutre part sur le choix dùne
technique pour determiner les valeurs de reponses a attribuer a ces points pilotes.
4.3 Emplacement des points pilotes
Generalement en ingenierie de reservoir, lèmplacement des points pilotes est souvent
eIIectue de maniere empirique, en adoptant, la plupart du temps, un pas regulier sur le
domaine incertain. Par exemple, un point pilote peut tre place toutes les demi-longueurs de
correlation aIin de perturber la totalite de lèspace incertain (cI. Figure 4.4).

Figure 4.4 . Position des points pilotes sur le domaine incertain en 2D
Mais cette approche pour placer les points pilotes, ne permet pas de prendre en compte
les speciIicites du modele courant (emplacement des experiences reelles, etc.) et conduit
generalement a un nombre de points pilotes tres eleve. Or, on peut naturellement penser que la
prise en compte de ces speciIicites peut ameliorer la predictivite a làide dùn nombre limite
de points pilotes, places de Iaon plus judicieuse.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

75
Nous envisageons donc de choisir lèmplacement et la valeur dùn point pilote en tenant
compte des deux criteres suivants :
- la contribution du point pilote dans la reduction des incertitudes sur le modele
dàpproximation obtenu precedemment,
- la capacite du point pilote a augmenter la predictivite de làpproximation courante.
Pour que ce choix soit eIIicace, il Iaut pouvoir tout dàbord quantiIier lìmpact dùn
eventuel point pilote sur la robustesse de lìnterpolation.
Plaons nous dans une partie peu echantillonnee du domaine experimental, supposons
que nous appliquons des perturbations locales sur les zones ou il n`y a pas dòbservations.
Leurs eIIets dependent de la variance de krigeage. Ainsi, nous voyons sur la Figure 4.5
representant la variance de lèstimation, que plus on sèloigne dùn point du plan
dèxperiences (represente ici par un carre noir), plus la variance de krigeage augmente. Une
variance importante signiIie que le manque dìnIormation ne permet pas de contraindre la
surIace de maniere precise. Nous proposons donc de placer un point pilote la ou la variance de
krigeage est maximale, cèst-a-dire dans les endroits peu echantillonnes du domaine
experimental.

Figure 4.5 . Jariance de krigeage dans le domaine incertain
Remarque : Une alternative serait de placer les points pilotes la ou lon observe un
gradient important des valeurs estimees ou de possibles discontinuites.
Supposons quòutre les observations, un certain nombre n
p
de points pilotes aient deja
ete positionnes dans le domaine incertain D et que lòn cherche a placer de nouveaux points
pilotes pour ameliorer la predictivite du modele. On assimile alors les points pilotes deja
positionnes a des donnees de variance de krigeage nulle. Cèst pour tenir compte de
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

76
lèmplacement de points deja existants que nous optimisons lèmplacement des points pilotes
de maniere sequentielle.
Pour cela, toujours sous hypothese de stationnarite, on construit le critere suivant qui
represente la variance de krigeage. Celle-ci est presentee en annexe B.2, pour tout point x du
domaine experimental D, on a :
{ }
{ } ( )
-1 2 -1
Var ( ) ( ) Var ( ) ( ) ( ) 1 ( ) ( )
t t
Y Y Y = = x x x c x C c x r x R r x (4.2)
ou
2
peut tre estime :
soit a làide dùne loi a priori non inIormative de JeIIreys : ( )
2
1

, soit
( )
2
2 2
1
1
( )
n
i
i
s Y Y
n p
=
= =

x ,
soit par maximum de vraisemblance restreint, comme suggere initialement par Currin
et al. |14| et recommande par dàutres auteurs par la suite |22| et |57| :
2 1
1

( ) ( )
t
n p
Y X R Y X .
Dans les deux cas, ( ) p rang = X et n le nombre dòbservations.
Et par consequent, nous cherchons le point x qui maximise la Ionction J
1
:
( ) { }
2 1
1
max 1 ( ) ( )
t
D
J

=
x
r x R r x (4.3)
Ce critere quantiIie lìmpact des incertitudes sur la variation de la Ionction dèrreur. La
position optimale dùn nouveau point pilote correspond au point x pour lequel le critere J
1
est
maximal.
Les nouveaux points pilotes peuvent donc tre positionnes en adoptant la demarche
iterative suivante :
1. calcul de la distribution de variance relative au krigeage des mesures reelles et des
points pilotes deja existants,
2. positionnement dùn nouveau point pilote selon le critere J
1,

3. retour a lètape 1 si on veut ajouter un autre point pilote, pour la mise a jour de la
distribution de variance de krigeage.
Nous avons choisi dàjouter un nombre de points pilotes inIerieur au nombre de
simulations, typiquement au plus de lòrdre de la dizaine, aIin de ne pas trop perturber le
modele. Une Iois lèmplacement optimal des points pilotes determine, il Iaut attribuer une
valeur Iictive de la reponse en ces points, aIin de maximiser la predictivite a priori de
làpproximation.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

77
4.4 Valeur fictive de la rponse aux points pilotes
Nous rappelons que la procedure dàjout dìnIormation Iictive a pour intert de choisir,
parmi la classe dìnterpolateur des donnees reelles completees par des donnees Iictives aux
points pilotes, celui qui est de predictivite maximale. Il sàgit dàmeliorer la predictivite a
priori du modele dàpproximation. Dans cette partie, nous montrons comment deIinir les
valeurs Iictives
( ) 1
, ,
p
pp pp pp
n
Y Y = Y aux n
p
points pilotes dont les positions
( ) 1
, ,
p
pp pp pp
n
x x = x ont ete Iixees. Celles-ci sont optimisees a làide dùne Ionction objectiI
qui mesure cette predictivite a priori.
Etant donne que le krigeage est une methode dìnterpolation exacte, les residus
classiques
( )

( )
i i i
e Y Y = x sont nuls. La qualite dàjustement de tout interpolateur est donc
parIaite, par consequent aucune inIormation sur la predictivite de làpproximation nèst
apportee par ces residus. Il Iaut donc recourir a dàutres residus, que nous appelons ici residus
de prediction et qui sont deIinis comme suit.
Le residu de prediction en un point du plan dèxperiences est obtenu en eIIectuant
làjustement dùn nouveau modele sans ce point. Plus precisement, si on supprime le point x
i

du plan dèxperiences, le residu de prediction en x
i
est donne par :
( ) ( )
( ) ( )
i i i i i i
e Y Y Y Y
= = x x , ou
( )
i
Y represente lèstimation au point x
i
dùn modele ajuste
sans le point x
i
|11|.
Le Iait de supprimer un point x
i
du plan dèxperiences et dèstimer un nouveau modele
va permettre de determiner si le point x
i
est suIIisant pour stabiliser làpproximation. En eIIet,
si le nouveau modele ne permet pas une bonne estimation de la reponse en ce point ou zone
du domaine experimental, alors làpproximation est instable dans un voisinage de x
i
et donc
de predictivite potentiellement Iaible a cet endroit.
Le calcul des residus de prediction en chacun des points du plan dèxperiences va ainsi
permettre le calcul de la predictivite a priori de làpproximation. On appelle le pouvoir de
predictivite a priori du modele la somme des carres des erreurs de prediction, encore appele
coeIIicient PRESS :

2
2
1 1
n n
( i ) i ( i )
i i
PRESS e Y Y
= =
(
= =

, (4.4)
avec, dàpres lèquation du modele composite (3.9) :
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )

t
i i i i i i i
Y = + X z Y X
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

78
ou :
1
( ) ( ) ( ) ( )
( , ) ( , )
t i
i i i i
Cov Cov

( =

z X X X X , X
i
est la i
eme
ligne de la matrice X et X
(i)
est la
matrice X sans la i
eme
ligne.
Maximiser le pouvoir de predictivite dùne approximation consiste a minimiser les
erreurs de prediction, donc le coeIIicient PRESS.
4.4.1 Calcul du coefficient PRESS moindre cot
Le calcul de la statistique PRESS necessite le calcul des residus de prediction pour les n
points du plan dèxperiences. Pour ce Iaire, làjustement de n modeles de regression et n
modeles de krigeage doit tre realise. En eIIet, le residu de prediction au point i est donne
par :
( ) i
e

( ) i i
Y Y

( ) ( ) ( ) ( ) ( ) ( ) ( )

t
i i i i i i i
Y X z Y X

( ) ( ) ( ) ( ) ( )
reg f f
i i f i i
f i
e
z Y X

( ) ( )
reg krig
i i
e e (4.5)

TouteIois, il est possible de calculer les residus de prediction
( )
reg
i
e a partir de resultats
provenant dùn seul ajustement par moindres carres a n observations. Nous verrons dans le
paragraphe suivant comment obtenir les diIIerents termes de lèquation (4.5) a moindre cot.
Pour ce Iaire, nous commenons par expliciter le calcul du residu de prediction
( )
reg
i
e pour un
modele de regression, puis nous optimisons le calcul du second terme
( )
krig
i
e de (4.5).
Calcul du rsidu de prdiction pour un modle de rgression
Soit
( )
i
le vecteur des coeIIicients de la regression obtenus en supprimant le i
eme
point
et
( )
reg
i
e le residu de prediction issu dùne regression par moindres carres ordinaires. Par
deIinition, nous avons :
1
( ) ( ) ( ) ( ) ( )
t
t
i i i i i
( =

X X X Y
ou
( ) i
X et
( ) i
Y sont les vecteurs X et Y obtenus sans la i
eme
observation.
Il existe une relation entre
1
t

(

XX et
1
( ) ( )
t
i i

(

X X , celle-ci est donnee par |37| :
( )
( ) ( )
1 1
1 1
( ) ( )
1
t i t i t
t t
i i
ii
h

( = +

XX X X XX
X X XX (4.6)
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

79
avec
( )
1
t i t f
if
h

= X XX X .
En utilisant la relation (4.6), nous pouvons ecrire :
( )
reg
i
e

( )
( ) ( )
1 1
1
( ) ( )
1
t i t i t
t i t t
i i i
ii
Y
h

(
(
+
(

XX X X XX
X XX X Y

( )
( ) ( )
1 1
1
( ) ( )
( ) ( )
1
t i t i t i t t
i i
t i t t
i i i
ii
Y
h

X XX X X XX X Y
X XX X Y

( ) ( ) ( ) ( )
1 1
( ) ( ) ( ) ( )
1 1
1
t i t t t i t t
ii i ii i i ii i i
ii
h Y h h
h

X XX X Y X XX X Y

( ) ( )
1
( ) ( )
1
1
t i t t
ii i i i
ii
h Y
h
X XX X Y

De plus, comme
( ) ( )
t t i
i i i
Y = + XY X Y X , le residu de prediction de la regression devient :
( )
reg
i
e

( ) ( ) ( )
1
1
1
t i t t i
ii i i
ii
h Y Y
h
X XX XY X

( ) ( ) ( )
1 1
1
1
t i t t t i t i
ii i i i
ii
h Y Y
h

+
X XX XY X XX X

( )

1
1
t i
ii i ii i
ii
h Y h Y
h
+
X

Soit enIin :
( )
reg
i
e

1
t i
i
ii
Y
h
X
(4.7)

Le numerateur de (4.7) est donc le residu classique e
i
dùne approximation par moindres
carres ordinaires des n observations. Ainsi, le i
eme
residu du coeIIicient PRESS est donne par :
( )
1
i
reg i
ii
e
e
h
=
(4.8)
Sous cette Iorme, il est Iacile de voir que ce coeIIicient ne depend que des residus
classiques du modele de regression ajuste a partir des n donnees.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

80
Calcul du PRESS pour le modle composite
Considerons a present le deuxieme terme
( )
reg
i
e de lèquation (4.5). Dàpres |37|, nous
avons la relation :

1
( )
( )

1
t i
i
i
ii
e
h
XX X
(4.9)
Par consequent :
( ) ( ) ( ) ( ) ( )
reg f f
i i f i i
f i
e
z Y X

1
( )
( )
1
t f t i
f i i
i f
f i
ii
e
h
| |
+
|
\ .
X XX X
z Y X

( )
1
if i f
i f
f i
ii
h e
e
h
| |
+
|
\ .
z
Dòu :
( )
2
( )
1
n
i
i
e
=

( )
2
( ) ( )
1
n
reg krig
i i
i
e e
=

2
( ) ( )
1
1
n
if i reg f
i i f
i f i
ii
h e
e e
h
=
| | | |
+
| |
|
\ . \ .

z

2
( )
1
(1 )
1 1
n
ii f if i f i
i
i f i
ii ii
h e h e
e
h h
=
| | | |
| |
|

\ . \ .

z

Et enIin,
( )
( )
2
( ) 2
1
1
(1 )
1
n
f
i i ii f if i
i f i
ii
PRESS e h e h e
h =
| |
=
|
\ .

z (4.10)
Le coeIIicient PRESS ne depend donc que des residus classiques issus de la regression,
du coeIIicient h
if
et enIin des poids de krigeage. Ces derniers doivent tre recalcules apres la
suppression de chaque point du plan dèxperiences, les autres coeIIicients etant obtenus
directement. Cèst cette expression du coeIIicient PRESS que nous utilisons ici pour le calcul
de la valeur des points pilotes.
4.4.2 Optimisation de la valeur fictive aux points pilotes
Dans le paragraphe precedent, nous avons presente un moyen dòbtenir le coeIIicient
PRESS a moindre cot. Celui-ci est employe dans la determination de la valeur des points
pilotes pour ameliorer la predictivite a priori de làpproximation a partir de valeurs Iictives. A
present, concentrons nous sur lèstimation des valeurs Iictives aux diIIerents points pilotes
PP
x .
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

81
La Ionction objectiI que nous considerons ici est le coeIIicient Q
2
, il mesure la
predictivite du modele. Celui-ci est lie au coeIIicient PRESS par la relation :

( )
2
2
1
1
n
i
i
PRESS
Q
Y Y
=
=

Dàpres lèquation (4.10), il peut aussi sècrire de la Iorme :
( )
( )
( )
2
( ) 2
1
2
2
1
1
(1 )
1
1
n
f
i i ii f if i
i f i
ii
n
i
i
e h e h e
h
Q
Y Y
=
=
| |

|
\ .
=
z
(4.11)
Maximiser la predictivite a priori de làpproximation est equivalente a maximiser le
coeIIicient de predictivite Q
2
donne en (4.11), cèst-a-dire de reduire les erreurs de prediction.
En eIIet, une valeur maximale du coeIIicient de predictivite Q
2
implique que le niveau
dìnIormation obtenu via les simulations pour le modele donne est necessaire et suIIisant.
Dans ce contexte, nous attribuons pour valeur
PP
i
Y au point
PP
i
x , i 1, ., n, la valeur de
reponse qui maximise le Q
2
, soit :
{ }
2
max ( )
PP
pp PP
i
Y
Y Q Y =
Lòptimisation de la valeur de la reponse Iictive aux diIIerents points est realisee de
maniere sequentielle, chaque point pilote
PP
i
x nàIIectant làpproximation que dans un
voisinage de ce point.
Nous utilisons une procedure dòptimisation non-lineaire, de type approche de plus
proIonde descente pour eIIectuer la maximisation.
Algorithmes d'optimisation non-linaire
Les methodes dòptimisation non-lineaire permettent de calculer les parametres x
inconnus, cèst a dire de localiser le minimum dùne Ionction f, par un processus iteratiI.
Lìteration (k1) dùn algorithme dòptimisation a pour but de determiner une nouvelle
estimation des parametres
1 k k
k
t
+
= + x x d , selon le principe suivant :
Calcul dùne direction : la direction d
k
est solution dùn probleme linearise en x
k
,
Recherche lineaire : le pas t est calcule aIin de satisIaire la condition de descente :
( ) ( )
k k
k
f td f + < x x
La mise en uvre numerique de ces algorithmes repose donc sur le calcul de la
direction d
k
. Cette direction est obtenue en calculant les derivees de la Ionction a minimiser f
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

82
par rapport aux parametres. Cette methode nèst donc envisageable quà condition que la
Ionction f soit diIIerentiable.
Construction d'un intervalle de variation possible des valeurs fictives
Du Iait de la diIIiculte a estimer la covariance et les longueurs de correlation associees,
il nous a semble judicieux de contraindre les variations des valeurs Iictives a un intervalle. En
eIIet, dans le cas une Iaible correlation donc de grandes Iluctuations de la reponse, les valeurs
des points optimises peuvent depasser les valeurs possibles de la reponse. AIin de limiter la
perturbation de làpproximation par de lìnIormation non reelle, nous proposons de limiter les
valeurs de la reponse Iictive a des intervalles prenant en compte lìncertitude associee au
point.
Ce principe est illustre sur la Figure 4.6, ou nous avons represente en bleu
làpproximation construite a partir du plan dèxperiences et lìntervalle de valeurs possibles
de la reponse en pointilles.

Figure 4.6 . Approximation et variance de krigeage associee
Nous avons montre, dans le chapitre precedent, que làpproche employee pour la
construction de lèstimateur composite est bayesienne, parce quòn suppose a priori que les
residus sont gaussiens.
Pour obtenir un intervalle de prediction pour ( )
0 0
: Z Z = x , on utilise les proprietes

suivantes qui permettent de construire une application pivotale de cette variable aleatoire
|57| :
(i) Z
0
a pour distribution conditionnelle sachant Z z :
[ ] ( )
1 2 1
0 0 0 0
~ , N
t t
Z

= Z z r R z r R r ,
(ii) la variable aleatoire
( )
1 2 1
0 0 0 0
~ 0, N
t t
Z

r R z r R r est independante de Z,
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

83
(iii)
1 2
2
1
, ~
n

Z R Z et cette variable aleatoire est independante de
1
0 0
t
Z

r R Z .
Si le parametre de correlation 0 est connu et que
2
est certain mais inconnu, on deduit
de (ii) et (iii) que :
( )
1
0 0
2 1
0 0
~
1
t
n
t
Z
t
r R Z
r R r
avec
2 1
1
,
n

= Z R Z
dòu une application pivotale pour la prediction de Z
0
.
Dans ce cas, on deduit, par exemple, les limites suivantes pour un intervalle de
prediction de securite 1 = :
( )
1 2 1
0 1 / 2 0 0
1
n t t
t

z r R z r R r
ou
1 / 2
t

designe le quantile dòrdre 1 / 2 de la variable aleatoire de Student a n
degres de liberte.
Dans le cas ou les parametres 0 et
2
sont inconnus, on peut envisager dìntroduire
des a priori non-triviaux pour tous les parametres. Mais cette approche presente de
nombreuses diIIicultes theoriques, comme Santner et al. |57| le signalent. Il sàgit de supposer
que le parametre
( )
2
, = 0 du modele est la realisation dùn alea
( )
2
, = o 0 et a introduire
une distribution a priori pour 0 , puis a utiliser le theoreme de Bayes pour en deduire, si
possible, une application pivotale pour la prediction de Z
0
.
TouteIois, on peut surmonter, au moins partiellement, les diIIicultes liees a
lèstimation en completant làpproche bayesienne par lìntroduction dùn a priori sur tout ou
partie des parametres. On peut ainsi introduire un a priori sur
2
, par exemple celui de
JeIIreys. Dans ce cas, nous avons pour distribution a priori pour
2
:
( )
2
2
1

.
Des lors que lòn suppose un a priori de JeIIreys sur
2
, làpplication pivotale suit
une loi de Student. Lèstimation des intervalles de prediction est donc obtenue en utilisant les
quantiles de la loi de Student.
Ainsi, nous avons pour intervalle de prediction pour chaque point pilote
PP
i
D x :
( ) ( )
2 1 2 1

( ) 1 ( ) ( ) ( ) 1 ( ) ( )
PP PP PP t PP PP PP t PP PP
i i i i i i i i
Y I Y q Y q

(
= +
(

x r x R r x x r x R r x (4.12)
avec :

( ) ( )
1

( )
PP PP t PP
i i i
Y

= + x X x r x R Z lèstimation de la valeur de la reponse au
point
PP
i
x par le modele composite,
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

84

1 / 2
q t

= designe le quantile dòrdre 1 / 2 de la variable aleatoire de
Student a n degres de liberte.
Remarque : Des lors que lon ne suppose pas un a priori non informatif de Jeffrevs par
exemple, pour
2
, il nexiste plus dinterpretation parametrique quant a la distribution de

lapplication pivotale. Dans ce cas, lutilisation de techniques de reechantillonnage telles que
le Bootstrap pourrait tre mise en uvre pour estimer les quantiles de lapplication pivotale.

En tenant compte de cette contrainte, la valeur optimale au point pilote
PP
i
x est obtenue
par resolution du probleme de maximisation :
{ }
2
max ( )
pp PP
i
pp PP
i
Y I
Y Q Y
=
Supposons a present que lòn ajoute n
p
points pilotes au dispositiI experimental. Le
coeIIicient Q
2
donne en (4.11) est Ionction des residus classiques de la regression, cèst-a-dire
des
( )
,
PP
f i
= e e e , pour f 1,.., n et
{ }
1,...,
p
i n .
Ainsi, pour chaque point
PP
i
x , nous Iaisons varier la valeur
PP
i
Y de la reponse dans
lìntervalle
PP
i
I et nous calculons la valeur du coeIIicient de predictivite du modele Q
2
. La
valeur attribuee a la reponse Iictive
PP
i
Y est la valeur
pp pp
i
Y I qui maximise la valeur du
coeIIicient Q
2
. Cette procedure est realisee sequentiellement.
Nous illustrons la methodologie des points pilotes a làide de la Figure 4.7 et la Figure
4.8 ci-dessous.
Tout dàbord, nous rappelons que la variance de krigeage nous a permis dòptimiser la
position des points pilotes : les points de variance de krigeage maximale sont choisis pour
piloter làpproximation car ils correspondent aux points de plus grande incertitude pour la
conIiguration geometrique des donnees presentes. La procedure dàjout sequentiel de trois
points pilotes, representes en rouge, est decrit sur la Figure 4.7.

Figure 4.7 . Position sequentielle des points pilotes . points de variance maximale
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

85
Une Iois que lèmplacement de ces nouveaux points est ajuste, il est important de
determiner un intervalle de valeurs possible pour la valeur de ces points, celui-ci etant
Ionction de la variance de krigeage (eq.(4.12)). Ainsi, la Figure 4.8 montre lèmplacement des
trois points pilotes selectionnees, representes en rouge, et lìntervalle de valeur dans lequel la
valeur de reponse Iictive des points pilotes peut varier, represente par une Ileche rouge. Nous
completons ce premier graphique en representant les variations du coeIIicient Q
2
en Ionction
des valeurs possibles pour
pp
Y , et ce pour chacun des trois points pilotes. Nous indiquons
egalement la valeur optimale de la reponse Iictive pour chaque point, cèst-a-dire celle qui
maximise le coeIIicient Q
2
.
1
PP
x
2
PP
Y
1
PP
Y 3
PP
Y
2
PP
x
3
PP
x

Figure 4.8 . Estimation de la statistique Q
2
pour les points pilotes
Nous disposons a present des valeurs optimisees des points pilotes, les couples
( )
,
PP PP
i i
Y x sont determines de maniere a ameliorer la predictivite. La nouvelle approximation,
issue dùn modele composite sur des donnees reelles et Iictives est presentee en rouge sur la
Figure 4.9. Nous donnons egalement làpproximation obtenue uniquement avec des donnees
reelles, en bleu, et enIin la Ionction reIerence.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

86
Rfrence
Approximation sans Points Pilotes
Approximation avec Points Pilotes

Figure 4.9 . Approximation de predictivite maximale
Nous constatons dans cet exemple que làpproximation deduite de donnees Iictives
associees aux donnees reelles est plus precise en terme de predictivite que làpproximation
obtenue sans points pilotes. En eIIet, la valeur du coeIIicient Q
2
est de -1.54 pour
làpproximation sans points pilotes, et de 0.51 pour celle avec 3 points pilotes. De plus, nous
constatons que làpproximation avec points pilotes est plus proche de la reIerence que celle
obtenue sans points pilotes.
Nous presentons a present un exemple dàjustement avec et sans points pilotes dùne
Ionction analytique non-reguliere en deux dimensions. Une representation de cette Ionction
dans le cube unite |-1,1|
2
est donnee sur la Figure 4.10, elle a pour expression :
2
2
sin( x ) sin( v )
F( x, v )
x v
+
=
+

Sinus Dcal Rfrence
x
v
x
v

Figure 4.10 . Fonction Sinus Decalee - Reference
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

87
Nous considerons dans cet exemple un plan dèxperiences a 21 simulations, celui-ci
etant issu dùne iteration donnee du processus de modelisation adaptative. Dans un premier
temps, nous ajustons un modele a partir des 21 valeurs de reponses simulees. Ensuite, nous
ajoutons sequentiellement 6 points pilotes au dispositiI experimental, dont les valeurs sont
optimisees comme indique dans ce chapitre, cèst-a-dire de maniere a maximiser la
predictivite a priori de làpproximation courante. Une nouvelle approximation est estimee,
celle-ci prenant en compte les 21 valeurs simulees et les 6 valeurs Iictives. La Figure 4.11
presente les resultats. Ainsi, les graphes (a) et (c) donnent une illustration de superposition du
plan dèxperiences utilise, represente en gris, des points pilotes rajoutes, en rouge, et les
contours de la reIerence, en noir, et des deux approximations en bleu. Nous y avons
egalement presente les graphes (b) et (d) de la valeur estimee en Ionction de la reIerence ainsi
que le coeIIicient Q
2
obtenu dans chaque cas. Ces derniers graphes ont ete realises pour 900
valeurs de la reIerence et de làpproximation.
Ajustement sans Points Pilotes -Q
2
: 0.66
(a) (b)
v
x
Ajustement avec 6 Points Pilotes - Q
2
: 0.98
(c) (d)
v
x

Figure 4.11 . Approximation avec et sans Points Pilotes
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

88
Ainsi, dàpres la Figure 4.11, nous constatons que làjout de 6 points pilotes au plan
dèxperiences a 21 simulations est inIormatiI. En eIIet, la predictivite de làpproximation avec
points pilotes est meilleure que celle sans inIormation Iictive, la valeur du coeIIicient Q
2

passant respectivement de 0.66 a 0.98. Nous rappelons que la valeur maximale de ce
coeIIicient est 1. De plus, la comparaison des graphiques (a) et (c) conIirme lìntert des
points pilotes, nous constatons, particulierement dans la zone en bas a droite du domaine
experimental une nette amelioration de làpproximation, ceci etant du a làjout de deux points
pilotes dans cette zone. Cet accroissement de la qualite du modele est egalement visible sur
les graphes (b) et (d), ou apparat clairement une plus Iaible dispersion des valeurs autour de
la bissectrice dans le cas dùn ajout de points pilotes.
A present, toujours sur le mme exemple, nous montrons lìmpact du nombre de points
pilotes sur la predictivite de làpproximation. Nous commenons donc par calculer le
coeIIicient Q
2
pour le plan contenant uniquement les valeurs simulees, puis nous ajoutons de
un a dix points pilotes a ce plan. Les resultats de cette etude sont presentes sur la Figure 4.12.
volution de la Statistique Q
2
en fonction
du nombre de Points Pilotes

Figure 4.12 . Evolution du Q
2
en fonction du nombre de points pilotes
Ainsi, làjout de points pilotes au plan dèxperiences courant permet dàugmenter
signiIicativement la valeur du coeIIicient Q
2
sans eIIectuer de nouvelles simulations. En eIIet,
cette valeur, initialement egale a 0.66, atteint rapidement la valeur de 0.98, soit une excellente
predictivite. Un nombre limite de point pilote suIIit donc a ameliorer considerablement cette
statistique.
Ainsi, cette approche originale dàjout de points pilotes est eIIicace car elle permet, non
seulement, de selectionner làpproximation de predictivite maximale au vu des donnees
simulees, mais egalement, de reduire le nombre total de simulations a eIIectuer, car cette
approximation est obtenue sans Iaire de nouvelles simulations.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

89
4.5 Conclusions
Dans ce chapitre, nous avons propose un moyen original de contrler et dàccrotre la
predictivite de làpproximation a partir dìnIormations Iictives. La technique des points
pilotes nous a permis dàmeliorer làpproximation en des parties du domaine experimental
sous ou non-echantillonnees, i.e. dans les zones ou la variance de krigeage est maximale. Les
valeurs des reponses aux points pilotes ont ete optimisees de maniere a maximiser le
coeIIicient de predictivite a priori de làpproximation : Q
2
. Grce a cette methode, de
nouvelles valeurs de reponses sont ajoutees aux valeurs reelles sans quàucune simulation
nàit ete eIIectuee. Làjout de points pilotes devant aussi permettre de reduire le nombre de
simulations dècoulement necessaire a une bonne approximation.
Cette methode joue donc un rle essentiel dans notre approche de modelisation, mais ne
suIIit pas a assurer la predictivite du modele. Celle-ci depend Iortement de la strategie
dèchantillonnage du domaine experimental. Le plan dèxperiences initial permettant une
premiere approximation etant de petite taille, il Iaut maintenant enrichir le dispositiI
experimental par des donnees reelles pour explorer de nouvelles zones et gagner en precision.
Ces nouvelles simulations vont permettre dàmeliorer la qualite et la stabilite des surIaces
obtenues par les methodes geostatistiques. Lòbjet du chapitre suivant est de presenter
diIIerentes techniques dàjout de nouvelles simulations : il sàgit dèxplorer le domaine
experimental en recherchant les conditions des nouvelles simulations qui pourraient tre les
plus inIormatives.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

91
Chapitre 5
Stratgie dèxprimentation pour rponses
simules non-rgulires
5.1 Introduction
La deIinition dùn bon plan dèchantillonnage est essentiel pour construire un predicteur
eIIicace et precis. La qualite de lànalyse statistique et donc la predictivite du modele
dependent Iortement de la disposition des points du plan dèxperiences, cèst-a-dire de leur
nombre et de leur emplacement.
Le plan dèxperiences initial, propose pour la modelisation de reponses non-regulieres,
est un hypercube latin de distance maximin. Ce plan permet dòbtenir des simulations bien
reparties dans le domaine, mais il est generalement constitue dùn nombre dèxperiences
insuIIisant et inadequat des lors que la surIace a modeliser est complexe. AIin dàmeliorer la
qualite de làpproximation, au Iur et a mesure du processus dàjustement, de nouvelles
simulations sont rajoutees de maniere appropriee.
Comme illustre par la Figure 5.1, lòbjectiI de ce chapitre est de presenter la technique
mise en uvre pour làugmentation du dispositiI experimental courant, pour ameliorer
làpproximation de la reponse.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

92
Bonne Bonne
PIan d'Expriences
InitiaI
Addition de
nouveaux points
Mauvaise Mauvaise
AmIioration
de Ia
prdictivit
ModIisation

A chaque iteration i, soit pour un dispositiI experimental courant X
(i)
et une
approximation courante issue de X
(i)
, la phase dènrichissement comporte deux etapes
majeures :
etude de la dependance de la reponse aux parametres. Cette etape a pour objet de
determiner les parametres pour lesquels làpproximation courante ne permet pas
de decrire la complexite reelle de la reponse. En dàutres termes, il sàgit par le
biais de techniques dànalyse de sensibilite (ACP, techniques globales par
indices de Sobol, etc...) de determiner le sous-ensemble de parametres pour
lequel un enrichissement du dispositiI est necessaire aIin dàmeliorer
làpproximation en agissant sur ces parametres.
augmentation du dispositiI experimental dans le sous-espace deIini au prealable
par lètude des dependances.
Cette organisation en deux etapes est essentielle, car elle vise a matriser le nombre de
simulations. En eIIet, par la recherche de nouveaux points de simulation dans une partie du
domaine experimental, on peut reduire le nombre de simulations supplementaires a eIIectuer
pour ameliorer làpproximation.
Des lors que les parametres pour lesquels le dispositiI courant nèst pas suIIisant sont
precises, nous proposons de traiter la deuxieme etape de cette strategie experimentale, a savoir
làugmentation du dispositiI courant a proprement parler, selon quatre criteres :
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

93
Section d'equation (suivante)Recherche des maxima et minima de làpproximation
courante : ils permettent de contraindre làpproximation aux extrema locaux et de
detecter les non-regularites.
Simulation dùn ou plusieurs points du domaine experimental minimisant la norme L
2

des derivees partielles de làpproximation courante. Làjout de ce type de point peut
aider a detecter des eventuelles irregularites de la reponse, et plus particulierement,
lorsque la modelisation devient plus precise, determiner des points dìnIlexion.
Selection et simulation des points pour lesquels une variation de la reponse aIIecte
grandement le coeIIicient de predictivite Q
2
du modele. Dans ce contexte, les points
pilotes utilises comme inIormation Iictive sont dèxcellents candidats a la simulation
puisque situes dans les zones sous-echantillonnees du domaine correspondant au
maximum de la variance de krigeage.
Ajout de points de conIirmation pour evaluer la predictivite a posteriori de
làpproximation courante.
Ces diIIerents criteres que nous proposons peuvent tre mis en uvre a chaque iteration.
En eIIet, nous proposons dàjouter les nouveaux points de maniere sequentielle aIin de
matriser le nombre de simulations et de maximiser la quantite dìnIormation apportee par les
simulations. A chaque iteration, de nouveaux points sont ainsi simules et integres a
làpproximation courante avant de proceder a la recherche des points suivants. Par
consequent, on accrot progressivement la quantite dìnIormation, chaque nouveau point etant
place en Ionction du comportement de approximation courante.
Pour detailler les deux phases de la procedure dàugmentation du dispositiI
experimental, et en particulier les quatre criteres choisis pour apporter une inIormation
pertinente a chaque iteration, il nous parat important de preciser quelles raisons nous ont
conduit a selectionner ces criteres.
Classiquement, làugmentation de dispositiIs experimentaux repose sur une hypothese
de Iorte regularite et de continuite de la reponse etudiee. Ainsi, on procede a la selection de
nouvelles simulations en etudiant les proprietes de lèchantillonnage dans lèspace des
parametres. On peut, par exemple, chercher a maximiser lìnIormation a priori en se basant
sur des criteres geometriques de repartition des simulations dans lèspace. On procede ainsi
lors de la construction de plans optimaux, en assurant le respect de bonnes proprietes de
lìnIormation de Fisher du dispositiI. Il en est de mme lors du depliage de plans
Iractionnaires 2
k-p
, ou lors de la construction d`hypercubes latins. La qualite du plan est jugee
a priori sur des proprietes de distance et dòrthogonalite dans le domaine experimental,
independamment de la reponse. Ces criteres, bases sur une disposition geometrique des points
dans le domaine experimental, sont generalement motives par le Iait que le plan est exploite
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

94
pour determiner la sensibilite de la reponse aux parametres. Il est alors primordial de
construire un dispositiI possedant de bonnes proprietes dòrthogonalite dans une base donnee.
Nos travaux sìnscrivent dans un contexte diIIerent. Le plan est en eIIet construit dans le
but de proposer une modelisation approchee de la reponse qui soit Iiable et robuste. Ce
modele approche aura ainsi vocation a tre utilise comme boite noire , et non pour etudier
la sensibilite de la reponse aux parametres. Les criteres dàugmentation de dispositiI Iondes
sur une propriete dòrthogonalite ne repondent donc pas en general a notre objectiI. Pour
completer le plan dèxperiences, nous aurons le souci dèchantillonner a priori les zones peu
ou pas explorees, en tenant compte des variations de la reponse et non uniquement celle des
parametres.
Comme nous làvons precise dans cette introduction, la premiere etape de la strategie
dèxperimentation pour la modelisation de reponses non-regulieres consiste a etudier les
dependances de la reponse aux parametres.
5.2 Etude de la dpendance de la rponse aux paramtres
Les diIIerentes strategies dènrichissement du dispositiI experimental que nous
proposons visent a maximiser la quantite dìnIormation apportee par les simulations. Comme
le montre la Figure 5.2, cette methodologie dàugmentation du dispositiI est speciIique a
chaque reponse, la recherche des nouveaux points etant basee sur la qualite de
làpproximation courante.

Figure 5.2 . Echantillonnage specifique a chaque reponse
Cette methode a pour but de reduire et matriser le nombre de simulations en
comparaison a la taille requise par des plans classiques tels que les hypercubes latins.
Cependant, si la detection des non-regularites est realisee pour toutes les directions deIinies
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

95
par les parametres, le nombre de simulations requis pour obtenir une approximation de bonne
qualite peut rapidement devenir trop important.
Nous proposons donc dans un premier temps dètudier, avant tout ajout de points, le
type de dependance entre les parametres et la reponse. A cette Iin, nous proposons lèmploi de
techniques ou la dimension du domaine de recherche des nouveaux points est reduite, soit
pour k parametres, en travaillant dans un sous-espace [ ] 1,1
l
, avec l k .
Pour ce Iaire, nous avons privilegie deux approches :
lètude de la dependance des parametres entre eux, en procedant par exemple a
partir dùn a priori physique, ou par analyse en composantes principales, a la
representation de plusieurs parametres en un attribut.
lètude de la dependance des parametres a la reponse par le biais de techniques
dànalyse de sensibilite.
5.2.1 Diminution de la dimension du problme : agrgation de paramtres
Dans le cas dùn important nombre de parametres, il peut tre necessaire de reduire la
dimension du domaine pour optimiser les temps de calculs. Les methodes de type analyse en
composantes principales ou analyse canonique permettent non seulement de prendre en
compte la covariance entre les parametres, mais aussi de reduire la dimension du probleme.
Etant donne que les parametres peuvent ne pas tre independants, lùtilisation de la
distance euclidienne nèst pas appropriee dans lèspace des parametres. Ainsi, pour tenir
compte des correlations entre les parametres, nous proposons de Iaire un changement de
coordonnees en construisant une base orthogonale. Ceci peut tre eIIectue par une analyse en
composantes principales classique (ACP), qui determine une serie de nouveaux parametres,
non-correles entre eux et qui sont ordonnes en Ionction de leur variance.
Soient
( )
1
, ,
i i ik
x x = x , i 1,., n, les n points du plan dèxperiences. Dans la base
des k composantes principales
f
, les
i
x de la base initiale sont deIinis par
( )
1
, ,
i i ik
cp cp = cp |2|. On a donc :
1
k
i
i f if
f
x cp
=
=

Les nouvelles coordonnees cp
if
sont combinaisons lineaires des observations x
i
, ceci
peut tre vu comme une rotation des x
i

.
1
k
i
if f if
f
cp x
=
=
f 1,., n
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

96
Dans le cas ou la majeure partie de la variance est expliquee par les premieres
composantes principales, on peut reduire la dimension de lèspace des parametres sans perte
excessive dìnIormation. Dans ce cas, si on reduit la base a l attributs (lk), seuls les l
premiers coeIIicients cp
i
sont conserves. La contribution des autres coeIIicients est modelisee
par une constante b
f
et nous avons :
1 1
l k
i i
if f if f f
f f l
x cp b
= = +
+

Les constantes b
f
sont choisies de maniere a obtenir la meilleure approximation sur
lènsemble des donnees x
i
, soit celle qui minimise lèrreur introduite par la reduction de
dimension :
1
( )
k
i
i i f f if
f l
b cp
= +

x x
Ainsi,
1
1
n
f if
i
b cp
n
=
=

Pour que les composantes principales conservent une interpretation physique, on peut,
par exemple, envisager de trier les parametres en trois categories : variables statiques,
variables multiphasiques et variables dynamiques. Une analyse en composantes principales
est ensuite realisee pour chaque categorie, une ou deux composantes principales sont
conservees par categorie.
Lànalyse en composante principale est donc opportune pour la recherche de nouveaux
points, elle permet non seulement de limiter les temps de calculs, mais aussi de reduire le
nombre total de simulations necessaires, la dimension de lèspace de recherche de nouvelles
simulations etant reduite.
Remarque : La connaissance prealable du probleme phvsique etudie peut permettre
linference de correlations entre parametres ou la definition de modele phvsique simplifie.
Dans une optique dagregation des parametres, lutilisation de cette connaissance phvsique,
plutot que de recourir a des methodes tvpe ACP, permet la prise en compte de la
comprehension et lexpertise de lingenieur vis-a-vis de la specificite du probleme etudie.
5.2.2 Analyse de sensibilit
Une mise en uvre eIIicace et perIormante de la modelisation adaptative necessite
dèvaluer, a chaque iteration, le type de regularite ou de non-regularite des parametres vis-a-
vis de la reponse.
En eIIet, si un parametre a une inIluence lineaire sur la reponse, seuls deux niveaux
pour ce parametre sont necessaires, un troisieme niveau aidant a conIirmer ou inIirmer la
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

97
dependance lineaire. Dans ce contexte, realiser une modelisation adaptative sur lènsemble
des parametres, sans integrer cette connaissance sur la dependance lineaire ou quadratique de
la reponse a certains parametres, conduit a un echantillonnage tres coteux et non-inIormatiI.
La Figure 5.3 illustre ainsi la necessite dètudier la dependance a chaque parametre
avant de realiser la recherche de nouveaux points. A gauche, lèchantillonnage est obtenu sans
considerer la linearite de la reponse au parametre A. Le domaine est alors echantillonne
indiIIeremment dans les deux directions A et B. A droite, lèchantillonnage est realise en
privilegiant làjout de nouveaux points dans la direction B.

Figure 5.3 . Influence dun parametre lineaire et un parametre non-regulier
Ainsi, la decomposition du probleme entre les parametres ayant un comportement
regulier ou suIIisamment bien caracterise par làpproximation courante, et ceux de
comportement non-regulier et non explique, permet de reduire le nombre de simulations
necessaires pour la construction dùn modele approche de la reponse.
Ceci est classiquement eIIectue par des analyses de sensibilite, basees par exemple sur
des methodes issues de la regression, tel que lànalyse de variance ou les tests de Student.
Dans la cas dùn echantillon plus important, des techniques dànalyse de sensibilite globales
tel que la methode de Sobol` ou la methode Fast |56| peuvent tre utilisees.
Une Iois que le sous-espace du domaine experimental necessitant un enrichissement de
simulations est deIini, il Iaut Iixer les conditions des nouvelles simulations aIin dàccrotre la
predictivite du modele dans ce sous-espace.
5.3 Augmentation du Dispositif Exprimental
La modelisation dùne reponse non-reguliere est un probleme complexe, elle necessite
la detection des principales irregularites de la reponse a estimer. De plus, le modele approche
a pour vocation d`tre utilise pour les previsions de production, il doit donc tre de
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

98
predictivite maximale. La recherche des nouveaux points vise a optimiser ces deux criteres.
Ainsi, la recherche des points stationnaires permet une meilleure comprehension des non-
regularites et làjout des points de sensibilite maximale ou des points de conIirmation assure
une bonne predictivite du modele.
5.3.1 Recherche d'extrema
Le premier critere dàjout de simulation que nous proposons a pour objectiI de detecter
des extrema de la reponse. Ainsi, pour completer le dispositiI experimental, nous allons
proceder a la recherche des extrema de làpproximation courante.
Remarque : Nous presentons ici la methodologie mise en place pour la recherche des
maxima de la reponse, la recherche des minima etant realisee selon le mme principe.
La reponse en production etant supposee non-reguliere, nous envisageons la recherche
de plusieurs extrema. Par le biais de techniques dòptimisation locale, nous determinons, pour
plusieurs points initiaux, les maxima correspondants, i.e. la recherche est realisee dans un
voisinage de chaque point initial. Ce principe est illustre sur la Figure 5.4.
Points initiaux
pour l 'optimisation
Maxima locaux de
l'approximation

Figure 5.4 . Maximisation a partir de plusieurs points initiaux
A ce stade, il est important de justiIier le choix de techniques dòptimisation locale et
non globale. Dans notre cas, lòbjectiI, in fine, de cette recherche de maxima, nèst pas la
determination du maximum global de la reponse, les extrema locaux sont pour nous
interessants puisquìls nous inIorment sur les inIlexions de la reponse.
Cette premiere phase de recherche des maxima est basee sur làpproximation pour le
dispositiI experimental courant, puisque cèst cette surIace de reponse qui est optimisee. Une
conIiance a priori est donc accordee a làpproximation courante.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

99
Cette recherche initiale aboutit a la simulation dùn nouveau point, elle est ensuite
completee par une veriIication de la pertinence de lìnIormation ainsi obtenue. En eIIet, si la
valeur du nouveau point issu de la maximisation permet la detection dùn nouveau maximum
dans un voisinage de ce point, il se peut que ce nouveau maximum ne corresponde pas a un
veritable maximum de la reponse et donc que la simulation dùn nouveau point soit
necessaire. La valeur de la reponse simulee au point maximisant làpproximation courante est
ainsi dìntert capital dans la suite du processus de recherche des maxima de la reponse.
Plus precisement, en Ionction de la valeur simulee de la reponse au point maximisant
làpproximation courante, nous proposons :
de stopper la recherche de maxima dans un voisinage du point simule si la valeur de la
reponse est inIerieure a celle simulee au point initial. En eIIet, l`hypothese de
croissance constatee sur làpproximation est mise en deIaut apres simulation de la
reponse. Il en est de mme dans le cas dùne valeur simulee a peine plus grande que la
valeur au point initial, làccroissement de la reponse nètant pas signiIicatiI.
de conIirmer la presence dùn maximum de la reponse dans ce voisinage, si la valeur
de la reponse simulee est signiIicativement superieure a celle observee au point initial.
En eIIet, si ( ) ( )
max init
f f > x x , nous proposons de simuler le point symetrique de x
init

par rapport a x
max
. Cette proposition est inspiree de la technique de recherche de
maximum par methode sequentielle du simplexe proposee initialement par Spendlay,
Hext et Himsorth |66|. Elle permet, en ne se basant plus que sur les valeurs de la
reponse et non sur làpproximation, dètudier le comportement de la reponse pour une
derivee directionnelle positive.
Ainsi, comme lìllustre le schema de la Figure 5.5, la recherche des maxima de la reponse
est realisee a chaque iteration en plusieurs etapes :
selection de n
opt
points initiaux pour lòptimisation,
pour chaque point, recherche du maximum de làpproximation courante dans un
voisinage du point initial,
conIirmation de la presente de maxima, par recherche dans la direction
dàccroissement positiI de la reponse :
o arrt de la recherche,
o recherche dans la direction dàccroissement positiI.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

100
Recherche dùn
maximum x
max
dans un voisinage de x
init
Recherche dùn
minimum x
min
dans
a partir de
Recherche dùn
point initial pour
lòptimisation
f
init
x
f
init
x
Accroissement
de la reponse :
( ) ( )
f f f
rep init max
Y Y

= x x f
rep
positif
f
rep
ngatif
:
f f
init max
= x x
f
max
x
f
max
x
f
min
x

Figure 5.5 . Recherche des extrema de lapproximation . Principe
Les diIIerentes etapes necessaires a la mise en uvre de cette technique de
maximisation de la reponse sont detaillees dans la suite de cette section.
Selection des n
opt
points initiaux pour lòptimisation
Lors de la procedure dòptimisation, il est necessaire de deIinir des points dits initiaux, a
partir desquels la recherche des optima sera eIIectuee.
Nous proposons de selectionner ces points initiaux parmi les points du dispositiI
experimental courant. Ainsi, notre critere de selection est base sur la valeur de la reponse aux
points du plan. Les points initiaux sont alors determines parmi les points dùn ensemble C de
points candidats comme les points de reponses les plus elevees.
Ces points veriIient donc :
( )
, 1,..., , tq ( ) ( )
max
i
opt f opt
init init i
C
f n Y Y

= = =
`
)
x
X x x x
Lènsemble C des points candidats est initialement le dispositiI experimental initial. Il
est ensuite remis a jour a chaque iteration. En eIIet, une Iois la recherche dùn maximum a
partir dùn des points
f
init
x realisee, nous considerons le voisinage
f
de
f
init
x comme explore.
Ce point ainsi que tous les points simules lors de cette recherche de maximum sont donc
supprimes de lènsemble C des points candidats. Ainsi, au Iur et a mesure du processus
iteratiI, des nouvelles zones du domaine sont investiguees et de nouveaux maxima locaux
determines.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

101
Recherche du maximum de làpproximation courante
f
max
x dans un voisinage du
point initial
f
init
x
Làpproximation courante est alors maximisee dans un voisinage
f
du point initial
f
init
x , cèst-a-dire que nous cherchons le point tel que :
( )
( ) ou est un voisinage de arg max

f
f
f
max f init
Y
=
x
x x x .
Le voisinage
f
est deIinit comme un hypercube de taille 0.2 autour de
f
init
x , et si une
borne est atteinte, on elargit le voisinage, comme illustre sur la Figure 5.6.
D
f
init
x
(0)
f
(1)
f
(0)
f
max
x
(1)
f
max
x

Figure 5.6 . Definition du voisinage
f

Une simulation est realisee au point
f
max
x trouve lors de la maximisation de

làpproximation courante, a condition que celui-ci ne soit pas trop proche dùn point du plan
dèxperiences courant. Cette derniere condition permet dèviter des matrices de covariance
singulieres.
ConIirmation de la presence dùn maximum
A ce stade de la procedure de recherche de maxima, il est interessant dètudier
lìnIormation apportee par ce nouveau point. Pour ce Iaire, nous comparons la valeur de la
reponse au point
f
max
x avec celle au point

f
init
x : ( ) ( )
f f f
rep max init
Y Y

= x x .
dans le cas ou làpport dìnIormation
f
rep
est Iaible, nous pouvons supposer que

nous sommes peu eloignes dùn maximum local de làpproximation courante, la
reponse ne connat pas un accroissement suIIisamment important dans cette zone, il
nèst pas necessaire dàjouter de lìnIormation supplementaire dans le voisinage du
point
f
init
x .
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

102
dans le cas ou
f
rep
est negatiI, nous sommes sur une pente ascendante de

làpproximation, l`hypothese de croissance etant mise en deIaut, nous ne realisons
pas de nouvelle simulation.
dans le cas ou
f
rep
est positiI et juge non negligeable, une augmentation importante

de la valeur de la reponse est observee, làjout de points dans cette zone est donc
pertinent. De ce Iait, nous proposons de simuler un nouveau point dans cette zone,
aIin de poursuivre la recherche de maximum.
Recherche de la direction dàccroissement positiI
Dans le dernier cas, lorsque
f
rep
est juge non negligeable, nous cherchons un nouveau

point
f
new
x a simuler dans la direction dàccroissement positiI. Disposant de plusieurs valeurs

de la reponse dans un mme voisinage, nous proposons une recherche de maxima inspiree de
la methode modiIied simplex proposee par Nelder et Meat |40|. Ainsi, nous determinons
le nouveau point a simuler
f
new
x comme le symetrique du point

f
init
x par rapport a
f
max
x et dans
le cas dùn accroissement, une extension est realisee dans la direction dàccroissement.
La Figure 5.7 illustre ce procede, les coordonnees du nouveau point
f
new
x sont donnees
par : ( )
f f f f
new init init max

= + x x x x .
init
x
max
x
new
x

Figure 5.7 . Methode Iso-simplexe . Emplacement du nouveau point a simuler
Une simulation dècoulement est eIIectuee en ce point, et nous calculons de nouveau la
quantite dìnIormation apportee par cette nouvelle simulation : ( ) ( )
f f f
rep new max
Y Y

= x x . Si
cette valeur est signiIicativement positive, la recherche des nouveaux points est ainsi
poursuivie, selon le principe dèxtension propose par Nelder et Mead |40|.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

103
Cette procedure iterative, illustree par la Figure 5.8, est conduite jusquà ce que le
nouveau point nàpporte pas suIIisamment dìnIormation.
d d
f
rep
Max. de I'approx. courante

=> point simuIer
Rfrence
Approximation
(a)
(b) (c)
f
init
x
f
init
x
f
max
x
f
max
x
f
init
x
f
new
x

Figure 5.8 . Recherche dun maximum
Dans le cas presente sur la Figure 5.8,
f
init
x est le point du dispositiI experimental de
plus grande valeur de reponse. La procedure de maximisation mise en uvre a partir du point
f
init
x nous permet dìdentiIier un maximum local de làpproximation courante le point
f
max
x ,
situe sur le graphique (b). La valeur de la reponse au point
f
max
x est plus importante que celle

au point
f
init
x . Par consequent, nous recherchons le symetrique de
f
init
x

par rapport a
f
max
x ,
privilegiant ainsi un deplacement dans la direction dàccroissement positiI et nous obtenons le
point
f
new
x . Le processus de recherche est alors stoppe, car la valeur de

f
new
x est plus Iaible que

celle de
f
max
x .
Recherche dùn minimum dans un voisinage du maximum
La procedure de recherche de maxima permet une determination eIIicace des valeurs
extrmes de la reponse etudiee, ainsi quùne caracterisation locale precise du comportement
de la reponse. TouteIois, le principe mme de cette recherche, basee sur une recherche par
voisinage, aboutit a un echantillonnage dense voir a un sur-echantillonnage dans la zone
dètude. Cèst pourquoi, a lìssue de cette recherche locale des maxima, nous preconisons une
recherche de minima dans le domaine.
o Recherche de minima
Dans une optique de recherche des extrema de la reponse, et pour Iavoriser
lèchantillonnage de zones peu explorees, nous proposons la recherche de minima de
làpproximation courante, en considerant pour point initial de cette optimisation les maxima
determines au prealable.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

104
Ainsi, soit
f
max
x un maximum identiIie de la reponse. Nous cherchons, en considerant

comme point initial le point
f
max
x , le point tel que

f
min
x :
arg min ( )
f
min
D
Y
=
x
x x
ou D est le domaine experimental.
Comme lìllustre la Figure 5.9, la procedure de recherche des extrema de la reponse est
iterative, et exploite dùne part la connaissance de làpproximation courante, et dàutre part,
les valeurs de la reponse dans le voisinage explore.
Recherche dùn
maximum x
max
dans un voisinage de x
init
Recherche dùn
minimum x
min
dans
a partir de
Recherche dùn
point initial pour
lòptimisation
f
init
x
f
init
x
Accroissement
de la reponse :
( ) ( )
f f f
rep init max
Y Y

= x x f
rep
positif
f
rep
ngatif
:
f f
init max
= x x
f
max
x
f
max
x
f
min
x

Figure 5.9 . Recherche des extrema
Cette recherche des extrema de la reponse est capitale puisquèlle permet, in fine, de
caracteriser la sinuosite de la reponse et la complexite de sa variabilite. Cependant, ce seul
critere dàjout de points ne permet pas de decrire lènsemble des caracteristiques
variationnelles dùne reponse.
Ainsi, nous proposons dèxposer une recherche des points dìnIlexion de la reponse.
5.3.2 Recherche des points stationnaires
AIin de caracteriser au mieux les variations de la reponse, nous proposons la recherche
de points stationnaires. Ne disposant generalement pas de valeurs simulees des derivees
partielles de la reponse par rapport aux parametres, cette recherche sera dans un premier
temps basee sur lètude de làpproximation courante, une phase de validation completant cette
recherche dans un deuxieme temps.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

105
Ainsi, nous proposons dàjouter, a chaque iteration, le point pour lequel au moins une
des l derivees partielles de làpproximation courante sànnule, l etant la dimension du sous-
espace des parametres considere. Làpproximation de la reponse etant de plus en plus precise
au Iur et a mesure des iterations, les points ainsi determines permettront de caracteriser des
extrema ou points dìnIlexion de la reponse.
Nous proposons de calculer la derivee analytique du modele composite de la reponse
obtenue a làide du plan dèxperiences courant. La structure composite du modele permet en
eIIet ce calcul analytique. La regression est derivable sur lènsemble du domaine et le terme
de krigeage possede des proprietes de derivabilite qui ne dependent que du variogramme.
Generalement, le second terme du modele est derivable partout, sauI aux points du plan
dèxperiences.
Ainsi, la derivee de
Y en tout point x de lèspace est donnee par :

1

( ) ( ) ( ) , 1,..,
t
i i i
Y
i l
X X X

(
= + =

X r
x x x R Y X (5.1)
Sans perte de generalite, la recherche des zeros de la derivee
i
Y
X
peut tre Iormalisee

comme un probleme de minimisation :
2
( )
, , 1, , t.q. arg min
g i
D
i
Y
X i l
X

| |

= = =
| `
\ .
)
x
x
x x x (5.2)
La dependance de la reponse aux parametres nètant a priori pas isotrope, nous
chercherons a annuler au moins une des derivees partielles de la reponse.
La mise en uvre pratique de la recherche des points x
g
est realisee en considerant n
points initiaux pour la minimisation du carre de la derivee, comme lìllustre la Figure 5.10. Ce
choix est motive par la non-regularite a priori de la reponse. En eIIet, nous nous plaons dans
un contexte ou lùnicite de x
g
nèst pas assuree. Nous proposons donc lùtilisation de
techniques dòptimisation locale a partir de plusieurs points initiaux.
Comme dans le cas de la recherche des extrema, le choix des points initiaux est
essentiel. Pour eviter un sur-echantillonnage local, nous selectionnons, dans une grille
uniIorme, les points possedant une grande derivee, donc a priori eloignes des points
recherches, aIin de parcourir plus grandement le domaine experimental.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

106
Points initiaux
pour l 'optimisation
Points de drive
nulle

Figure 5.10 . Optimisation de n valeurs de derivees
Remarque 1 : Dans le cas dun variogramme non gaussien, le modele composite nest
pas derivable aux points du plan dexperiences. Dans ce cas, nous proposons de ne pas
prendre des points du plan dexperiences comme points initiaux pour loptimisation, mais de
prendre un point du domaine dans un voisinage de ces points.
Remarque 2 : Cette approche, possible pour le modele composite, ne peut tre mise en
pratique dans le cas dun afustement par krigeage ordinaire avec voisinages glissants. En
effet, du fait des voisinages, ce tvpe dapproximation nest pas derivable.
Remarque 3 : Le point x
g
avant la plus petite valeur de derivee nest simule qua
condition quil soit suffisamment eloigne des autres points du dispositif experimental. En
effet, comme nous lavons defa mentionne, apres un certain nombre diterations, le modele
dapproximation devient plus precis, les extrema et points dinflexions locaux sont localises.
La recherche des points de derivees partielles nulles pourrait amener a un sur-
echantillonnage de certaines :ones. De plus, dans le cas ou le point obtenu est trop proche
dun point existant, ce point nest pas simule afin deviter des matrices de covariances
singulieres.
La determination de x
g
etant basee sur làpproximation courante, il est essentiel de
passer a une phase de validation, visant a conIirmer les proprietes de stationnarite
directionnelle de x
g
.
Ainsi, un nouveau modele dàpproximation, integrant lìnIormation apportee par la
simulation en x
g
, est construit.
La valeur de la derivee directionnelle en x
g
est alors calculee a partir de cette nouvelle
approximation :
'
0

( ) ( )
( ) lim
g g i
g
Y Y
Y

+
=
e
x e x
x
e

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

107
avec
( )
0, , 0, , 0, , 0
f
= e .
Le recours a une derivee numerique est ici necessaire puisque la derivee analytique du
modele dàpproximation nèst pas deIinie aux points du plan dèxperiences.
Cette valeur de la derivee x
g
est alors etudiee, dans le but de rechercher des points
stationnaires de la reponse Y :
si
'
( ) 0
i
g
Y x , la recherche de points stationnaires a cette iteration est achevee
avec la determination de x
g
,
si
'
( ) 0
i
g
Y x , le point nèst pas stationnaire pour la nouvelle approximation. Un
nouveau point stationnaire est recherche a partir de x
g
.
La recherche des points de derivees partielles nulles est une etape essentielle de la
modelisation de Ionctions non-regulieres. Elle permet en eIIet la detection des extrema et des
points dìnIlexion de la reponse, Iacilitant ainsi la modelisation de la variabilite de la reponse
sur le domaine incertain. Une illustration du principe dàjout de points a derivee partielle nulle
est presentee sur la Figure 5.11. Dans cet exemple, un seul point de derivee nulle est ajoute,
tant que sa valeur de derivee apres simulation nèst pas nulle. Nous pouvons voir quùn point
dìnIlexion de làpproximation a ete identiIie.
Recherche du point de
drive nulle
Drive de l'approximation positive
=> Recherche d'un point de
drive nulle
Drive de l'approximation ngative
drive nulle
Drive de l'approximation ngative
drive nulle
Drive de l'approximation positive
drive nulle
Drive de l'approximation nulle
=> Arrt du processus
Approx
Rfrence

Figure 5.11 . Recherche dun point dinflexion
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

108
Les deux criteres presentes jusquìci, a savoir la recherche dèxtrema et la recherche des
points stationnaires, sont importants pour la modelisation du comportement de la reponse.
TouteIois, comme ils sont bases sur une optimisation de làpproximation courante, ils peuvent
amener a intensiIier lèchantillonnage de zones deja explorees, negligeant dans le mme
temps des zones du domaine pour lesquelles aucune inIormation nèst connue. Ainsi, nous
proposons dètudier le comportement de làpproximation courante aux points maximisant la
variance de krigeage. Ces points sont en eIIet les plus eloignes spatialement des points deja
simules.
5.3.3 Sensibilit du modle l'apport d'information dans les zones non-
chantillonnes
Le critere introduit ci-dessous ne vise pas le mme objectiI que les criteres precedents.
En eIIet, les criteres precedents visaient a ameliorer localement làpproximation dans les
zones du domaine experimental deja echantillonnees pour mieux caracteriser les inIlexions de
la reponse. Ici nous proposons un critere permettant dìnitialiser lèchantillonnage dans les
zones jusquàlors non-explorees.
Ce critere est base sur la methode des points pilotes presentee dans le chapitre 4. Làjout
de ces points visait a ameliorer la predictivite du modele dans les zones non-explorees par le
plan dèxperiences courant. Dans ce chapitre, quelques elements nouveaux sont introduits a
lùtilisation des points pilotes. En eIIet, aIin de selectionner au mieux les simulations a
realiser dans les zones sous-echantillonnees du domaine experimental, nous proposons
dètudier a priori lìnIluence de làpport dìnIormation dans ces zones par làjout de points
pilotes. Les points pilotes vont ainsi determiner les zones les plus sensibles et pour lesquelles
une simulation est necessaire.
Notre strategie comporte donc deux etapes :
determination des zones sous-echantillonnees par lètude de la Ionction de variance de
krigeage des residus J
1
, introduite dans le chapitre 4. Cette phase aboutit ainsi a la
deIinition dùne serie de points candidats a la simulation, ces points maximisant la
Ionction de variance J
1
. Lènsemble des points candidats a la simulation est designe
par C
PP
.
etude de la sensibilite de làpproximation a làpport dìnIormation en ces points. Pour
ce Iaire, pour chacun des points candidats a la simulation
PP
i
x , nous proposons
dàttribuer une valeur Iictive
PP
i
Y a la reponse, que nous Iaisons varier dans un
intervalle de conIiance approximatiI. Si la variation de la valeur Iictive
PP
i
Y a un
impact important sur làpproximation, le point est simule, sinon une valeur Iictive lui
est attribuee.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

109
! Determination des zones sous-echantillonnees
Nous considerons ici que nous sommes a une iteration donnee de la modelisation
adaptative. A ce stade de la modelisation, nous proposons dàjouter n
p
nouveaux points pilotes
au dispositiI experimental. Lèmplacement de ces points dans le domaine experimental D est
choisi aIin de maximiser la variance de krigeage (cI. chapitre 4) :
( ) { }
2 1
1
max 1 ( ) ( )
t
D
J

=
x
r x R r x (5.3)
Avec :

( )
2
2 2
1
1
( )
n
i
i
s Y Y
n p
=
= =

x dans le cas dùne estimation a làide dùne loi a priori
non inIormative de JeIIreys.

2 1
1

( ) ( )
t
n p
Y X R Y X pour une estimation de

2
par maximum de
vraisemblance restreint, avec ( ) p rang = X et n le nombre dòbservations.

Ces nouveaux points sont potentiellement inIormatiIs car ils sont, du Iait du critere J
1
,
situes dans les zones non-echantillonnees du domaine. En eIIet, comme illustre sur la Figure
5.12, la variance de krigeage est nulle aux points du dispositiI experimental et maximale dans
les zones non-echantillonnees.

Figure 5.12 . Jariance de krigeage dans le domaine experimental
! Sensibilite de làpproximation a làpport dìnIormation
Des lors que lèmplacement
PP
i
x des points candidats a tre simules est determine, nous
etudions lìmpact dùn ajout dìnIormation en ces points. Nous proposons dàttribuer une
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

110
valeur Iictive
PP
i
Y de reponse au point IictiI
PP
i
x , puis de perturber cette valeur pour etudier la
sensibilite de làpproximation a un apport dìnIormation aux points
PP
i
x . Ainsi, nous
identiIions les points pour lesquels un apport dìnIormation pourrait changer signiIicativement
le comportement de làpproximation, notamment en terme de predictivite.
Toujours en nous basant sur les resultats du chapitre 4, pour tout point
PP
i
x de
lènsemble C
PP
, lìntervalle de conIiance approximatiI que peut prendre la valeur de la
reponse Iictive est donne par (4.12) :
( ) ( )
2 1 2 1

( ) 1 ( ) ( ) ( ) 1 ( ) ( )
PP PP PP t PP PP PP t PP PP
i i i i i i i i
Y I Y q Y q

(
= +
(

x r x R r x x r x R r x
avec :

( )
1

( )
PP t PP
i i
Y

= + x X r x R Z lèstimation de la valeur de la reponse au point
PP
i
x par le modele composite,

1 / 2
q t

= designe le quantile dòrdre 1 / 2 de la variable aleatoire de
Student a n degres de liberte dans le cas dùn a priori de JeIIreys sur
2
.
Nous proposons de selectionner, dans cet ensemble de points C
PP
, tous les points
PP
i
x
qui soient les plus inIormatiIs vis-a-vis de la predictivite et qui permettent, de ce Iait, une
amelioration de cette derniere. Pour ce Iaire, nous calculons la valeur du coeIIicient Q
2
en
Ionction des valeurs de la reponse Iictive
PP
i
Y dans son intervalle de variation
PP
i
I .
Le coeIIicient de predictivite Q
2
mesure la qualite de predictivite de làpproximation
courante. Une valeur de Q
2
proche de 1 signiIie que làpproximation est predictive, et au
contraire, une Iaible valeur de Q
2
indique une mauvaise stabilite de làpproximation. Suivant
les valeurs du coeIIicient Q
2
et de sa variation
2 2 2
max( ) min( ) Q Q Q = en Ionction des
valeurs
PP
i
Y attribuees a chaque point IictiI
PP
i
x , il peut tre envisage, comme le schematise la
Figure 5.13, de :
Simuler le point
PP
i
x ,
Maintenir le point
PP
i
x dans le dispositiI courant, en tant que point IictiI et
proceder a lòptimisation de la valeur Iictive
PP
i
Y en vue dàmeliorer la predictivite
de làpproximation courante,
Supprimer le point
PP
i
x , si les variations de
PP
i
Y nìnduisent pas une grande
modiIication de làpproximation.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

111
Test de l'inIluence de la
reponse sur Q
2
2
2
grand
grand
Q
Q
2
2
Iaible
ou Iaible
Q
Q
Optimisation de la position de n
p1
points pilotes
n
p
n
p1
n
p2
points pilotes dans le dispositiI
Calcul de la predictivite Q
2
pour
, i 1,...,n
p
PP PP
i i
Y I
Q
2
Q
2
Rponse
PP
i
I
Suppression du
point pilote
PP
i
x
Optimisation de la
valeur au point
PP
i
Y
PP
i
x
Simulation
au point
PP
i
x
2 2
maximal et grand Q Q

Figure 5.13 . Traitement des differents points pilotes
Ces diIIerentes possibilites sont proposees en Ionction de la valeur du coeIIicient de
predictivite Q
2
et de la variation de cette statistique dans lìntervalle de valeurs
PP
i
I de la
reponse. Nous proposons donc de proceder de la maniere suivante, pour chaque
PP PP
i
C x :
Simulation du point
PP
i
x pour lequel la variation du coeIIicient Q
2
est maximale.
Làjout dìnIormation reelle est justiIiee ici par le Iait quùne variation de la reponse
Iictive au point
PP
i
x entrane une grande variation de la predictivite. Ainsi,
làpproximation est instable dans un voisinage du point
PP
i
x , ce point est donc le plus
inIormatiI vis-a-vis de la predictivite, dòu la decision de le simuler.
Optimisation de la valeur
PP
i
Y de la reponse au point
PP
i
x dans le cas dùne bonne
predictivite, typiquement un coeIIicient
2
0.7 Q , et dùne variation non-negligeable
de ce coeIIicient, cèst-a-dire superieure a
2
0.05 Q . Da ns ce cas, làpproximation
est deja de bonne qualite dans un voisinage du point
PP
i
x et nous souhaitons
maximiser cette derniere en choisissant pour valeur
PP
i
Y , la valeur correspondant au
maximum du coeIIicient de predictivite Q
2
, comme presente dans le chapitre 4.
Suppression du point
PP
i
x du dispositiI experimental dans les autres cas. En eIIet, des
lors que la valeur du coeIIicient Q
2
est quasi-constante et elevee, le point
PP
i
x ne
permet pas une amelioration signiIicative de la predictivite. De plus, dans le cas dùne
mauvaise predictivite de làpproximation, il est risque dàjouter de lìnIormation
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

112
Iictive, puisque celle-ci est Iondee sur làpproximation courante peu Iiable. Nous
preIerons dans ce cas poursuivre la recherche de points dìnIlexion ou dèxtrema.
Nous donnons un exemple, sur la Figure 5.14, des variations du coeIIicient de predictivite
Q
2
pour diIIerents points pilotes, representes en rouge, et du traitement qui leur est
associe.
x
1
x
3
x
2
x
4
x
5
x
1
x
2
x
3
x
4
x
5
Q
2
Rponse
Q
2
x
v

Figure 5.14 . Jaleur de la statistique Q
2
pour differentes valeurs fictives
Ainsi, a chaque iteration, certains points pilotes sont directement simules (x
1
), certains
sont optimises (x
2
et x
3
) et dàutres sont supprimes du plan dèxperiences (x
4
et x
5
). Cette
technique dàjout de points permet de determiner les zones les plus sensibles a une variation
de la reponse en terme de predictivite et pour lesquelles une variation de la reponse inIlue
enormement sur la qualite dàpproximation.
Remarque : Des lors que le nombre de parametres augmente, il est fudicieux de simuler,
a chaque iteration, plusieurs points pilotes de grande influence sur la predictivite de
lapproximation courante.
Ainsi, la methodologie dàjout de points pilotes a un double enjeu dans cette these.
Dùne part, comme expose au chapitre 4, elle nous permet de contrler la predictivite a priori
de làpproximation et donc, a nombre de simulations Iixe, dòbtenir une meilleure
approximation. Dàutre part, elle permet de determiner des zones du domaine pour lesquelles
làpproximation est instable en terme de predictivite, justiIiant ainsi la realisation dùne
simulation numerique dècoulement supplementaire. Làjout de ce type de points a donc une
importance cruciale, puisquìl permet de stabiliser làpproximation.
Des lors que la predictivite a priori de làpproximation courante est optimale, une
evaluation de la predictivite a posteriori du modele courant peut tre realisee aIin de juger de
la qualite de celui-ci. Cette evaluation passe par làjout de nouvelles simulations dites
simulations de conIirmation.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

113
5.3.4 Evaluation de la prdictivit du modle : Ajout de Simulations de
Confirmation
Supposons a present que le modele courant ajuste la reponse de maniere satisIaisante.
Ainsi, les phases de recherche dèxtrema et de points dìnIlexion nònt pas aboutit a la
simulation de nouveaux points.
A ce stade de la modelisation, nous avons besoin de deIinir un critere permettant de
juger de la necessite dùne amelioration du modele par làjout de nouveaux points au plan
courant. Ce critere doit tre Ionction de la qualite de prediction du modele, car cèst
principalement celle-ci qui nous interesse.
Nous proposons ainsi de veriIier la predictivite du modele selon deux criteres :
calcul dùne predictivite a priori sur un echantillonnage restreint,
calcul dùne predictivite a posteriori apres simulation de points de conIirmation.
Lèvaluation de la predictivite a priori que nous considerons consiste a eIIectuer une
validation croisee en certains points du plan tires aleatoirement. Il sàgit de calculer un
coeIIicient Q
2
pour lequel seuls quelques points du dispositiI courant sont utilises. Nous ne
prenons quùn echantillon du plan dèxperiences pour des raisons de cot. Ce coeIIicient est
deIini par :
( )
( )
2
( )
2
2
1
1
prior
i i
I i I
n
i
i
Y Y
Q
Y Y

avec :
I un tirage aleatoire de certains points du plan dèxperiences,

( )
i
Y lèstimation au point supprime x
i
par le modele composite ajuste sans le point x
i.

Des lors que ce coeIIicient conIirme la potentielle qualite du modele dàpproximation,
une evaluation de la predictivite a posteriori est realisee avec làjout de points de
conIirmation.
Làjout de ces points va permettre de conclure quant a la qualite predictive du modele
dàpproximation. Dans ce cas le processus dèchantillonnage evolutiI est interrompu. Dans le
cas contraire, on procede a une ou plusieurs iterations supplementaires.
Lèmplacement des points de conIirmation doit tre choisi de maniere a detecter les
eventuels deIauts dàjustement ou de prediction de làpproximation. Par consequent, il semble
judicieux de placer ces points dans des zones non-echantillonnees, cèst-a-dire la ou lòn ne
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

114
dispose que de peu dìnIormation reelle sur la reponse. Pour ce Iaire, nous proposons de
retenir les points pour lesquels la variance de krigeage est maximale.
Suivant le nombre de parametres, le nombre de points de conIirmation peut tre plus ou
moins important. Le nombre de points de conIirmation a une importance non negligeable sur
les resultats de la modelisation. Cèst en eIIet sur la base de ces points que lòn va juger
làpproximation courante comme satisIaisante ou non.
Lorsque lèmplacement de ces nouveaux points est determine, les simulations sont
eIIectuees. Nous comparons alors les valeurs des simulations avec les valeurs predites par le
modele courant. Nous calculons, un coeIIicient de type R
2
evaluant la capacite de
làpproximation courante a predire la reponse aux points de conIirmation :
( )
( )
2

2
2
1
1
conf
conf conf
post n
n
i
i
Y Y
Q
Y Y
=

avec :
x
conf
les n
conf
points de conIirmation ajoutes,

conf
Y la valeur de la reponse obtenue via le simulateur aux points de conIirmation
x
conf
,

conf
Y la valeur de la reponse predite par le modele courant aux points de
conIirmation.
Sìl y a adequation entre les simulations et les predictions du modele courant, cèst-a-
dire que
2
1
post
Q , le modele est juge satisIaisant et le processus iteratiI est stoppe. Cèst cette
derniere approximation qui sera utilisee comme modele approche du simulateur
dècoulement. Dans le cas contraire, un nouveau modele est construit en integrant
lìnIormation issue des simulations de conIirmation. Le processus iteratiI reprend donc la
recherche dùn extrema, dùn point qui annule la derivee de cette nouvelle approximation ou
làjout dìnIormation Iictive, comme illustre sur la Figure 5.15.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

115
Valeur simule
aux points pilotes
Valeur fictive
aux points pilotes
Simulation des maxima et minima
Simulation des points de drive nulle
Test de la sensibilit des points
pilotes sur l'approximation
Test de la predictivite
a priori
Simulation de points de confirmation
Test de la predictivite
a posteriori
Bonne prdictivit
Mauvaise prdictivit
Mauvaise prdictivit
Bonne prdictivit
Arrt du
processus itratif

Figure 5.15 . Principe denrichissement du dispositif experimental
Ce processus iteratiI est realise tant que la qualite de làpproximation nèst pas jugee
satisIaisante.
5.4 Conclusions
Dans ce chapitre, nous avons montre que le processus iteratiI de modelisation adaptative
peut tre envisage a partir dùn plan dèxperiences initial de petite dimension. Nous
proposons lùtilisation dùn hypercube latin de distance maximin du Iait de ses bonnes
proprietes de repartition dans le domaine incertain. AIin dàmeliorer la qualite de
làpproximation, de nouvelles simulations sont ajoutees successivement.
Nous proposons ici diIIerents criteres dàjout de nouvelles simulations. Chaque critere
est essentiel dans làpproche adaptative, chacun ayant des proprietes speciIiques et utiles.
Ainsi, làjout des points minimum et maximum va determiner les extrema locaux de la
reponse, làjout des points de derivee nulle va permettre une bonne detection des points
dìnIlexion de la reponse. De plus, la simulation du point de plus grande inIluence sur le
coeIIicient de predictivite Q
2
permet de stabiliser làpproximation dans des zones peu
echantillonnees et tres variables et donc de maximiser la predictivite a priori de
làpproximation. EnIin, les points de conIirmation vont juger la qualite de la modelisation et
diagnostiquer làrrt du processus iteratiI.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

116
Cette technique dènrichissement du dispositiI est novatrice, lèmplacement des
nouveaux points est determine a partir de làpproximation courante, lèchantillonnage est
ainsi speciIique a chaque reponse etudiee.
AIin dìllustrer par des exemples les criteres ci-dessus, et particulierement
lènrichissement du plan dèxperiences, le chapitre suivant est consacre a la presentation
dèxemples dàpplication sur des Ionctions a plusieurs variables.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

117
Chapitre 6
Modlisation adaptative applique des
fonctions types
Dans ce chapitre, nous presentons plusieurs exemples dèstimation de Ionctions
analytiques non-regulieres, modelisees par approche evolutive et plans dèxperiences
adaptatiIs. Tout dàbord, nous presentons toutes les etapes de làjustement dùne Ionction
non-reguliere. Ensuite, nous validons cette approche de modelisation adaptative a làide de
plusieurs exemples en partant de diIIerents dispositiIs experimentaux initiaux. EnIin nous
testons lìmportance de chaque critere dàjout de points dans la modelisation. Nous
comparons egalement les approximations obtenues par la methode de modelisation adaptative
a celles obtenues par un hypercube latin ou par un plan complet N
k
comportant un nombre
comparable de simulations.
6.1 Dmarche et notations
Pour chacune des Ionctions analytiques non-regulieres etudiees, nous presentons
diIIerents graphes permettant de juger de la qualite de làpproximation. Ainsi, nous illustrons
les resultats par :
une representation en perspective de la Ionction reponse de reIerence a ajuster en
Ionction des parametres,
le plan dèxperiences Iinal, obtenu par enrichissement successiI selon les criteres
dàjout de points presentes dans le chapitre 5. Ce graphe permet de situer dans le
domaine experimental, les simulations eIIectuees tout au long du processus.
Chaque type de points : minima, maxima, points de derivee partielle nulle, point
pilote est alors represente par une couleur speciIique,
une superposition des iso-contours dans lèspace des parametres de la Ionction de
reIerence, representee en noir, et de làpproximation Iinale, representee en bleue,
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

118
un graphe presentant les predictions obtenues grce au modele dàpproximation
Iinal comparees aux valeurs de reIerence, aIin dèxaminer les proprietes de
làpproximation en terme de prediction. Ce graphe permet de juger de la qualite
predictive, une approximation parIaite correspondant a la premiere bissectrice.
Ce dernier graphe est obtenu a partir des points dùne grille 30, soit 900 points. Sur ce
graphe, nous reportons egalement la valeur de lèrreur relative
rel
, que nous deIinissons par :
1
1
( )
n
i i
i
rel n
i
i
Y Y
Y
=
=
x

Dans le cas dùn ajustement parIait, cette erreur est nulle. La valeur de lèrreur relative
va nous permettre, dùne part, de juger la qualite de làpproximation et dàutre part, de
comparer les qualites des approximations obtenues, pour une mme Ionction de reIerence, a
partir de diIIerents plans dèxperiences ou diIIerents types de points ajoutes.
Dans cette section, nous commenons par detailler les diIIerentes etapes de
làpproximation dùne Ionction non-reguliere, avec les resultats obtenus a chaque iteration,
puis nous presentons les resultats dàjustement pour plusieurs exemples.
6.2 Ajustement de la fonction non-rgulire Chameau
Cette section est consacree a la presentation detaillee des resultats de modelisation de la
Ionction Chameau . Les diIIerentes Ionctions sont nommees suivant une terminologie
classique utilisee en modelisation. Nous presentons en eIIet les resultats dàpproximation a
chaque iteration du processus dènrichissement. Lèxpression de la Ionction dite Chameau
est la suivante :
4 2 6 4 4
4 4
3
1
10
21
4 ) , ( v v xv x x x v x F + + + =
Une representation en perspective de cette Ionction dans le cube unite |-1,1|
2
est
proposee sur la Figure 6.1 (a). La Figure 6.1 (b) illustre les resultats dùn ajustement par un
modele de regression du second ordre, obtenu a partir du plan dèxperiences initial. Le
recours a la modelisation adaptative est donc justiIie, un polynme de degre 2 ne permettant
pas lòbtention dùn predicteur eIIicace.
Nous presentons, sur la Figure 6.2, lèvolution au cours des iterations du plan
dèxperiences courant, des iso-contours de làpproximation, ainsi que le pouvoir de prediction
associe.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

119
Plan nitial Maxim a issus d'un point Max Maxim a issus d'un point Min
Minima issus d'un point Max Minima issus d'un point Min Points de conf irmation
Drive nulle
Drive nulle non confirm e
Points Pilotes sim uls
Points Pilotes non simuls

x v
x
v
(a) (b)
Figure 6.1 . Fonction Chameau . Reference et approximation polvnomiale
x
v
Approximation tration 1 13 simulations
v
x
Erreur ReIative : 0.065
x
v v
x
x
v v
x
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

120
x
v v
x
x
v v
x

Approximation Finale 42 simulations
x
v v
x

x v
x
v x
v

Figure 6.2 . Differentes etapes de lafustement de la fonction Chameau
dans la methode de modelisation adaptative
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

121
Làjustement de la Ionction Chameau est dèxcellente qualite. Lènsemble de la
procedure de modelisation adaptative a necessite un total de 42 simulations, ajoutees au Iur et
a mesure des iterations.
Dans cet exemple, nous considerons une Ionction de covariance gaussienne et
anisotrope. Le plan dèxperiences initial est un hypercube latin de distance maximin
comportant 9 simulations. Une Ionction polynomiale de second degre est alors ajuste par
regression. A chaque iteration, un maximum de six points pilotes est autorise, deux points de
derivee partielle nulle sont rajoutes, un maximum et un minimum sont optimises avant
làpproche iso-simplexe .
Le type de points du dispositiI experimental Iinal est reparti comme suit :
9 points constituant le plan dèxperiences initial : un hypercube latin de distance
maximin,
1 maximum,
6 minima,
7 points de derivee nulle,
1 point de derivee nulle non-conIirmee,
13 points pilotes simules,
2 points pilotes ayant des valeurs Iictives,
3 points de conIirmations.
Nous constatons que làjout dìnIormation Iictive par points pilotes non-simules est
dìmportance non negligeable en milieu de processus. En eIIet, lors des premieres iterations,
làjout de valeurs Iictives peut sàverer risque car base sur une inIormation reelle encore
insuIIisante. Nous avons donc une a deux valeurs Iictives au maximum. A lìnverse, lors des
dernieres iterations, seules deux valeurs Iictives sont conservees. En eIIet, làpproximation est
alors representative de la reponse et làjout de points pilotes nèst plus necessaire pour
accrotre la predictivite.
Par contre, nous voyons quàux iterations quatre et cinq, nous avons respectivement
cinq et six valeurs Iictives dans le dispositiI experimental, ce qui contribue grandement a
ameliorer la qualite de làpproximation.
La qualite de làpproximation est amelioree a chaque iteration, pour obtenir, in fine, une
erreur relative Iinale de 0.0015.
A present, nous presentons les resultats obtenus par làpproche de modelisation
adaptative sur plusieurs Ionctions non-regulieres a deux variables.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

122
6.3 Exemples de modlisation de diffrentes fonctions deux
variables
Nous presentons, pour chaque Ionction, son equation et une vue en perspective de la
reIerence, ainsi que les contours de la reIerence et de làpproximation et enIin le graphique
des valeurs predites par le modele en Ionction de valeurs observees. Pour chaque exemple,
nous considerons une Ionction de covariance gaussienne anisotrope et nous optimisons les
valeurs de six points pilotes.
6.3.1 Fonction Chameau Dcal
Nous souhaitons modeliser a present une Ionction diIIerente de la Ionction
Chameau , celle-ci ayant principalement des irregularites au centre du domaine.
Lèxpression de la Ionction Chameau Decale est la suivante :
( ) ( ) ( )
4 6
4 2 4
21 1
81 3 3 9 36 81
10 3
F x, v x x x xv v v = + + +
La Figure 6.3 illustre les resultats de modelisation obtenus avec :
(a) une representation en perspective de la Ionction reIerence, sur le carre unite
|-1,1|
2
,
(b) la localisation des essais dans le dispositiI experimental Iinal,
(c) les contours superposes de la Ionction de reIerence et de làpproximation
Iinale,
(d) le graphe des valeurs predites aux 900 points du domaine en Ionction des
valeurs observees.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

123
Chameau Dcal Rfrence
x
v
(a)

x
v v
x
(b) (c) (d)

Figure 6.3 . Approximation de la fonction Chameau Decale
La modelisation de la Ionction Chameau Decale est tres satisIaisante, les deux contours
sont superposes et lèrreur relative, calculee pour 900 points de prediction, est de 0.014. Les
diIIerences entre la reIerence et làpproximation sont minimes. Lènsemble de la modelisation
a necessite un total de 43 simulations. On notera par ailleurs que la repartition des points du
dispositiI experimental nèst pas uniIorme, mais adaptee aux speciIications de la reponse,
avec en particulier une concentration dèssais dans la zone centrale du domaine.
6.3.2 Fonction Sinus
La Ionction Sinus consideree ici a pour expression :
3 5
3 5
sin( x ) sin( v )
F( x, v )
x v
+
=
+

|-1,1|
2
,
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

124
Iinale,
valeurs observees.
.
Sinus Rfrence
x
v
(a)
x
v

x
v v
x
(b) (c) (d)

Figure 6.4 . Approximation de la fonction Sinus
Nous pouvons voir que la modelisation de la Ionction Sinus est de tres bonne qualite :
seule une diIIerence, pour les valeurs negatives des deux parametres, est constatee. Lèrreur
relative, calculee aux 900 points de prediction est tres Iaible puisque egale a 0.006.
Lènsemble de la modelisation a necessite un total de 27 simulations.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

125
6.3.3 Fonction Sinus Dcale
La Ionction consideree dans cette section est la Ionction Sinus Decalee. Son expression
est la suivante :
2
2
sin( x ) sin( v )
F( x, v )
x v
+
=
+

|-1,1|
2
,
Iinale,
valeurs observees.
Sinus Dcal Rfrence
x
v
(a)
x
v

x
v v
x
(b) (c) (d)

Figure 6.5 . Approximation de la fonction Sinus Decalee
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

126
Nous voyons sur ces deux Iigures que làpproximation de la Ionction Sinus Decalee est
tres precis. Un nombre total de 36 simulations a ete necessaire pour obtenir ces resultats.
Lèrreur relative, calculee pour 900 points de prediction, est egalement tres satisIaisante,
puisque valant 0.012.
Nous voyons dans cet exemple lìmportance capitale de làjout des extrema : ils
permettent en eIIet dìdentiIier les optima de la Ionction. Ils sont cruciaux pour les detections
des non-regularites de la Ionction.
Il est ici important de souligner le caractere reellement speciIique de lèchantillonnage,
dont on voit quìl concentre làjout de dìnIormation autour des points dìnIlexion de la
reponse.
6.3.4 Fonction Branin
Lèxpression de la Ionction Branin est donnee par :
2
2
2
5 1 5 1
6 10 1 10
4 8
.
F( x, v ) v x x cos x

| | | |
= + + +
| |
\ . \ .

|-1,1|
2
,
Iinale,
valeurs observees.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

127

Branin Rfrence
x
v
(a)

x
v v
x
(b) (c) (d)

Figure 6.6 . Afustement de la fonction Branin
Une Iois encore, làjustement de la Ionction Branin est tres satisIaisant, les contours de
la reIerence et de làpproximation sont tres proches. La modelisation a necessite un total de 27
simulations, pour une erreur relative calculee en 900 points de prediction egale a 0.007.
Les zones de non-regularites sont ici encore plus echantillonnees que les autres parties
du domaine experimental.
6.3.5 Fonction analytique non-rgulire 1
La Ionction que nous presentons ici est la Ionction suivante :
( ) ( )
( )
6 4 2 2 4
2 2
1 7 3
0 2e 0 2 4 4
3 10
2 2 1
x
F( x, v ) . . v v v v x x
x v
= + + + +
+ +

|-1,1|
2
,
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

128
Iinale,
valeurs observees.
Fonction analytique 1 Rfrence
x
v
x
v v
x
(b) (c) (d)

Figure 6.7 . Afustement de la fonction analvtique 1
Làjustement de la Ionction analytique 1 a necessite un nombre total de 62
simulations pour une erreur calculee sur 900 points de prediction egale a 0.013. Làjustement
est encore une Iois de tres bonne qualite, les contours de la reIerence et de làpproximation
etant quasiment superposes.
6.3.6 Fonction analytique non-rgulire 2
EnIin, nous proposons dàjuster ici une Ionction analytique Iortement non-reguliere,
notamment du Iait du caractere non-stationnaire des irregularites. Cette Ionction a pour
expression :

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

129

|-1,1|
2

Iinale,
valeurs observees.

Fonction analytique 2 Rfrence
x
v
x
v v
x
(b) (c) (d)

Figure 6.8 . Afustement de la fonction analvtique 2
Sur cet exemple, nous constatons que làpproximation de la Ionction analytique 2
par la methode de modelisation adaptative est de bonne qualite, avec une erreur relative
calculee pour 900 points de prediction de 0.016. Un total de 58 simulations a ete necessaire a
( -3) 6 2 4 4 2
3 2
2 2
( , ) 0.2 2.2 1.3 2 0.5 0.5 2.5
3
0.7 sin(5 ) cos(3 )
(8 - 2) (5 - 3) 1
x
F x v e v v v v x x
x x x
x v
= + + +
+ + +
+ +
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

130
lòbtention de cette approximation. Le maximum local de cette approximation, situe en
(0.25,0.6), a ete detecte, grce a la mise en uvre dùne recherche iso-simplexe dans la
direction de plus grand accroissement, alors quàucun point du dispositiI initial ne se trouvait
dans un voisinage de ce maximum.
Ainsi, ces six exemples pour deux parametres montrent que les resultats obtenus par la
methode de modelisation adaptative sont de bonne qualite. En eIIet, on constate que les non-
regularites sont detectees, les courbes des reIerences et les approximations Iinales etant tres
proches, dans tous les cas. Nous avons egalement eIIectue des tests sur dàutres Ionctions a
deux variables, ceux-ci donnant des resultats tout aussi satisIaisants.
De plus, chaque type de point a un apport crucial dans la modelisation, nous distinguons
bien les points maximum ou minimum ou ceux de derivee nulle qui sont situees aux extrema
de la Ionction. La strategie dàjout de point est speciIique a la reponse etudiee maximisant
ainsi lìnIormation apportee a chaque iteration : le plan dèxperiences nèst pas uniIorme.
Nous avons donc vu que làpproche iterative permet une modelisation precise de
Ionctions non-regulieres a deux parametres. La section suivante est consacree a lètude de
lìnIluence du plan dèxperiences initial sur la qualite des resultats. En eIIet, il apparat de
premiere importance de sàssurer que le principe de modelisation par enrichissement evolutiI
nèst pas dependant du dispositiI experimental initial.
6.4 Indpendance au dispositif exprimental initial
Nous allons a present donner des exemples dàjustement dùne Ionction pour diIIerents
plans dèxperiences initiaux. En eIIet, nous souhaitons juger de lìnIluence du choix du
dispositiI initial sur la qualite de la modelisation. Les plans que nous considerons sont :
le plan Iactoriel (II) et le plan composite centre (ccI),
deux hypercubes latins maximin a quatre simulations (HL41 et HL42),
deux hypercubes latins maximin a six simulations (HL61 et HL62),
deux hypercubes latins maximin a neuI simulations (HL91 et HL92).
Comme precedemment, nous presentons ici les graphes du plan dèxperiences Iinal, les
superpositions des contours de la Ionction reIerence Sinus decalee et de son approximation
par la methode evolutive ainsi que le graphe des valeurs estimees en Ionction des valeurs
predites. Dans cette partie, pour chaque graphique, seul le dispositiI experimental initial
change lors de la modelisation adaptative. Les resultats obtenus sont illustres sur la Figure 6.9.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

131
Plan nitial Maxim a issus d'un point Max Maxim a issus d'un point Min
Minima issus d'un point Max Minima issus d'un point Min Points de conf irmation
Drive nulle
Drive nulle non confirm e
Points Pilotes sim uls
Points Pilotes non simuls

Approximation Finale ff 43 simulations
x
v v
x
Approximation Finale HL41 36 simulations
x
v v
x
x
v v
x
x
v v
x

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

132
x
v v
x

x
v v
x

x
v v
x

Approximation Finale ccf 40 simulations
x
v v
x
Figure 6.9 . Approximation de la fonction Sinus decalee
pour differents plans dexperiences initiaux
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

133
Nous avons represente sur la Figure 6.9 diIIerentes approximations de la Ionction Sinus
decalee pour diIIerents plans dèxperiences initiaux. Les approximations ont ete obtenues par
làpproche evolutive. Ainsi, les trois premiers graphes representent les approximations
obtenues avec des plans initiaux a quatre experimentations : respectivement le plan Iactoriel et
deux hypercubes latin de distance maximin. Ensuite, nous avons represente les resultats
obtenus pour deux hypercubes latin de distance maximin contenant chacun 6
experimentations. EnIin, la derniere serie de plans est constituee respectivement d`hypercubes
latin de distance maximin a 9 simulations et du plan composite centre.
Cet exemple montre que le choix du plan dèxperiences initial, que ce soit en terme de
distribution spatiale ou de taille, a tres peu dìnIluence sur la qualite de làpproximation. En
eIIet, dans tous les cas, la modelisation est tres precise en terme de prediction. Nous obtenons
des erreurs relatives tres proches pour un nombre comparable de simulation, quelque soit le
dispositiI initial choisi.
Ces tests ont ete realises sur lènsemble des Ionctions presentees dans la section 6.3. Du
Iait de la constance des resultats, nous avons choisi de les exposer uniquement sur la Ionction
Sinus decalee.
Le choix dàjouter les extrema, les points de derivee nulle et de variance maximale
permettent donc dèchantillonner lèspace de maniere optimale. Nous constatons mme quìl
est tout a Iait possible de partir dùn plan dèxperience classique (Iactoriel ou composite
centre), ce qui est primordial dans làpproche introduite ici. En eIIet, il est alors possible, dans
le cas ou lòn ne sait pas si la reponse a ajuster est reguliere ou non, de commencer par
construire une approximation polynomiale avec la methodologie des plans dèxperiences
classiques, puis, dans le cas ou les resultats ne sont pas satisIaisants (les residus issus de
làpproximation sont eleves) et non uniIormes sur le domaine, de proceder a un
enrichissement du plan dèxperiences par modelisation adaptative presentee dans ce rapport.
Ce caractere evolutiI est en eIIet un des points Iorts de cette methodologie, lui assurant ainsi
une grande Ilexibilite.
Nous voulons a present veriIier que lèchantillonnage issu de la modelisation adaptative
de reponses non-regulieres est inIormatiI, cèst-a-dire quìl nous permet de reduire le nombre
total de simulations par rapport a làjustement de la reponse sur un plan complet N
k
ou un
hypercube latin de grande taille.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

134
6.5 Echantillonnage informatif : Mthode volutive, plan complet
et hypercube latin
Nous proposons, dans cette partie, de modeliser les diIIerentes Ionctions presentees
precedemment pour des plans complets de taille N
k
et puis (N1)
k
ou N est Iixe de sorte que
le nombre de points requis par modelisation adaptative soit compris entre ces bornes. Nous
eIIectuons egalement un ajustement pour un hypercube latin de mme taille et enIin, nous
cherchons la taille necessaire dùn hypercube latin pour obtenir a la mme qualite que celle
obtenue par modelisation adaptative. Nous commenons par presenter les resultats sous Iorme
dùn tableau recapitulatiI, puis nous verrons plus en detail certains ajustements. Dans le
Tableau 6-1 ci-dessous, nous presentons la valeur de lèrreur relative obtenue lors de la
prediction aux 900 points du domaine experimental pour chacune des Ionctions testees dans la
partie 6.3 et pour diIIerents echantillonnages. Entre parentheses Iigure le nombre de points du
dispositiI experimental.

Modelisation
adaptative
Plan
complet
N
2

Plan
complet
(N1)
2

HL
mme nb.
sim.
HL
mme err.
rel.
Chameau 0.002 (42) 0.010 (36) 0.007 (49) 0.003 (42) 0.002 (55)
Chameau Decalee 0.014 (43) 0.070 (36) 0.015 (49) 0.032 (43) 0.014 (58)
Sinus 0.006 (41) 0.052 (36) 0.002 (49) 0.011 (41) 0.006 (49)
Sinus Decalee 0.007 (36) 0.023 (36) 0.015 (49) 0.021 (36) 0.007 (42)
Branin 0.007 (27) 0.037 (25) 0.005 (36) 0.010 (27) 0.007 (31)
Fonction
analytique 1
0.013 (62) 0.09 (49) 0.054 (64) 0.070 (62) 0.013 (95)
Fonction
analytique 2
0.016 (58) 0.015 (49) 0.012 (64) 0.022 (58) 0.016 (74)
Tableau 6-1 . Resultats de modelisation pour differents echantillonnages
Dàpres les resultats presentes dans le Tableau 6-1, nous constatons que les
perIormances des modelisations adaptatives sont en general superieures a celles obtenues par
echantillonnage systematique par plan complet ou hypercube latin de taille similaire. Les
erreurs relatives de la modelisation adaptative sont plus Iaibles dans la plupart des cas,
excepte pour certains plans complets, mais ceci est au prix de simulations supplementaires
(10 a 25).
De plus, pour une qualite de prediction egale, nous constatons que le nombre de
simulations requises pour un hypercube latin maximin est beaucoup plus important que lors
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

135
de làjustement par la methode adaptative. En eIIet, dans le cas de deux parametres, le gain de
simulation constate avec la methode adaptative varie entre 13 et 26.
Nous detaillons ci-dessous les resultats obtenus avec des hypercubes latins de mme
taille que les plans issus de la methode de modelisation adaptative. Ils sont presentes sous
Iorme de graphes de la Figure 6.10 a la Figure 6.15. En eIIet, les tests presentes dans le
tableau ci-dessus montrent que la methode de modelisation adaptative est plus inIormative
que les methodes dèchantillonnage systematique par plan complet : avec moins de
simulations on obtient au moins la mme erreur voire une erreur plus Iaible. De plus, etant
donne que lùtilisation dèchantillonnage systematique par plan complet nèst pas
envisageable car trop coteuse pour de plus grandes dimensions, la comparaison nèst pas
etendue et nous nous interessons plus particulierement a une comparaison entre la methode de
modelisation adaptative et un echantillonnage par hypercubes latins.
Nous commenons donc par ajuster la Ionction Chameau a làide dùn hypercube latin
constitue de 42 simulations. La Figure 6.10 presente le plan utilise ainsi que les courbes de
niveaux de làpproximation et la reIerence, puis respectivement les graphes de prediction
obtenus pour la modelisation par hypercube et pour la modelisation adaptive.
Hypercube Latin
Hypercube Latin 42 simulations
v
x
ModIisation Adaptative

Figure 6.10 . Fonction Chameau hvpercube latin 42 simulations
Dans le cas de làjustement de la Ionction Chameau a làide dùn hypercube latin de 42
points, nous constatons que le modele obtenu est de bonne qualite, les principales erreurs se
trouvent au niveau des extrema de la Ionction. Lèchantillonnage par hypercube latin mene a
une estimation moins precise aux Irontieres du domaine, particulierement dans les coins
du domaine experimental qui sont peu echantillonnes.
La Figure 6.11 presente les resultats de làjustement de la Ionction Chameau Decalee a
partir dùn hypercube latin de 43 simulations.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

136
v
x
Hypercube Latin

Figure 6.11 . Fonction Chameau Decalee hvpercube latin 42 simulations
Dans le cas de la Ionction Chameau Decalee, les principaux deIauts dàjustements se
situent au centre du domaine, la ou lòn trouve les principales irregularites. En eIIet, du Iait de
lèchantillonnage par hypercube, il nèst pas possible de concentrer les points au centre du
domaine, aIin de gagner en precision en ces endroits. De plus, comme precedemment, les
valeurs maximales de la Ionction sont mal ajustees car situees aux Irontieres du domaine
experimental.
La Figure 6.12 presente les resultats de làjustement de la Ionction Sinus a partir un
hypercube latin de 41 simulations.
v
x
Hypercube Latin

Figure 6.12 . Fonction Sinus hvpercube latin 41 simulations
Làjustement de la Ionction Sinus a partir dùn hypercube latin de 41 simulations donne
des resultats satisIaisants, avec touteIois quelques deIauts dàjustement au voisinnage des
valeurs maximales de la Ionction. Encore une Iois, du Iait des proprietes des hypercubes
latins, il nèst pas possible dèchantillonner le domaine experimental avec precision dans les
directions de montee ou de descente de làpproximation et par consequent, ce type de plan
Iournit des resultats moins satisIaisants que ceux obtenus par la methode de modelisation
adaptative.
La Figure 6.13 presente les resultats de làjustement de la Ionction Sinus Decalee pour
un hypercube latin de 36 simulations.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

137
x
v
Hypercube Latin

Figure 6.13 . Fonction Sinus Decalee hvpercube latin 36 simulations
Comme le montre la Figure 6.13, nous constatons que les erreurs de làjustement de la
Ionction Sinus Decalee a partir dùn hypercube latin de 36 simulations sont plus importantes
que pour la modelisation adaptative. En eIIet, la dispersion des erreurs relatives est plus
grande. De plus, les plus grandes erreurs dàjustement sont situees pour les valeurs negatives
des parametres, cette partie du domaine ne contenant que tres peu de simulation.
La Figure 6.14 presente les resultats de làjustement de la Ionction Branin par un
hypercube latin de 27 simulations.
v
x
Hypercube Latin

Figure 6.14 . Fonction Branin hvpercube latin 27 simulations
Dans le cas de la Ionction Branin, làjustement global est de bonne qualite mais une Iois
encore, les principales dispersions sont situees au voisinnage du maximum de la Ionction.
Nous notons egalement un deIaut dàjustement pour des valeurs autour de 40. Les deIauts
dàjustement se situent dans des zones non-echantillonnees.
La Figure 6.15 presente les resultats de làjustement de la Ionction analytique 1 par
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

138
v
x
Hypercube Latin

Figure 6.15 . fonction analvtique 1 hvpercube latin 62 simulations
Dans cet exemple, il apparat clairement que les principaux deIauts dàjustement sont
situes dans la zone peu echantillonnee du dispositiI experimental, a savoir dans le coin en bas
a gauche du domaine. Tout comme dans lèxemple precedent, nous constatons que les
diIIerences entre les valeurs de reIerences et les valeurs approximees sont beaucoup moins
uniIormes pour un hypercube latin que pour la modelisation adaptative. En eIIet, dans ces
deux derniers cas, il peut y avoir des erreurs assez consequentes, ce qui nèst pas le cas de
avec la modelisation adaptative ou les erreurs sont dùne part plus Iaibles mais aussi plus
reparties dans le domaine de variation de la reponse.
La Figure 6.16 presente les resultats de làjustement de la Ionction analytique 2 par
v
x
Hypercube Latin

Figure 6.16 . fonction analvtique 2 hvpercube latin 58 simulations
Pour la Ionction analytique 2 , nous constatons que làjustement a partir dùn
hypercube latin de 58 points donne une erreur plus elevee que pour la modelisation
adaptative. Le maximum local de la Ionction est sur-estime, malgre la presence de deux points
de l`hypercube latin a proximite du point ou cette Ionction atteint son maximum.
Ainsi, nous avons montre que lùtilisation de la methode de modelisation adaptative
permet de reduire le nombre de simulations par rapport aux methodes dèchantillonnage
systematique ou hypercube latin. La strategie dènrichissement du plan dèxperiences initial
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

139
est donc inIormative. Ces resultats ont ete obtenus pour des Ionctions a deux parametres, nous
verrons a la Iin de ce chapitre que le gain de simulation est dàutant plus grand que le nombre
de parametres est important. En eIIet, la taille dùne grille crot de Iaon exponentielle par
rapport au nombre de parametres, celle dùn hypercube latin de Iaon quadratique. EnIin, la
strategie dèchantillonnage par hypercube latin Iournit des resultats variables, du Iait du grand
nombre d`hypercubes latins possibles pour un nombre donne de simulations. Il est donc
possible dàvoir une bonne ou une mauvaise approximation pour un hypercube latin, tout
depend du dispositiI retenu.
Nous venons de montrer que la strategie dènrichissement du dispositiI experimental
dans la modelisation adaptative est pertinente et inIormative, puisquìl reduit le nombre total
de simulations. Nous exposons a present lùtilite de chaque type de points : maxima, minima,
points de derivee partielle nulle et points pilotes.
6.6 Intrt des diffrents critres dàjout de points
Dans cette section, nous voulons tester lìntert des diIIerents criteres dàjout de points
dans la methodologie de modelisation adaptative. Nous commenons par evaluer la pertinence
de lìnIormation apportee par les extrema et les points de derivee nulle, puis nous montrons
que làjout de points pilotes au dispositiI experimental est egalement crucial dans la
modelisation adaptative de reponses non-regulieres.
Dans cette partie, nous nous limitons a deux Ionctions a deux variables, la Ionction
Sinus Decalee et la Ionction analytique 2 de la partie 6.3. Pour ces deux Ionctions, nous
avons presente dans les sections precedentes un ajustement de tres bonne qualite pour, un total
de 36 et 58 simulations respectivement, le nombre de simulations ne constituant dans ce cas
pas une limitation. Cependant, pour de grandes dimensions, un compromis entre la taille de
lèchantillon et la qualite de làpproximation doit tre Iait. Ainsi, il semble judicieux de
presenter les resultats pour une approximation Iinale de precision moindre mais necessitant
moins de simulations. Ainsi, nous contraignons la taille de lèchantillonnage a un total de 21
et 40 simulations respectivement.
Les approximations ainsi obtenues sont presentees sur la Figure 6.17 et la Figure 6.18.
Dans les deux cas, six valeurs Iictives sont optimisees a chaque iteration pour accrotre la
qualite de prediction de làpproximation.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

140
Approximation 21 simulations
x
v v
x

Figure 6.17 . Approximation de la fonction Sinus Decalee pour 21 simulations
x
v v
x

Figure 6.18 . Approximation de la fonction analvtique 2 pour 40 simulations
Ces deux approximations sont prises pour reIerence lors de la presentation de lìntert
de chaque critere de points.
6.6.1 Intrt de l'ajout des extrema au dispositif exprimental courant
Dans cette partie, nous etudions lìntert de considerer comme candidats a la simulation
les minima et maxima de làpproximation courante lors de la modelisation adaptative. Pour
ce Iaire, nous considerons la Ionction Sinus Decalee, et nous mettons en uvre un ajustement
adaptatiI dans les mmes conditions que dans la partie 6.3 : plan dèxperiences initial, nombre
de points pilotes, critere dàrrt, etc., a lèxception du Iait que nous nàjoutons pas les extrema
de làpproximation courante. Làpproximation obtenue, a partir du plan dèxperiences initial
enrichi par les points de derivee partielle nulle et les points pilotes, est presentee sur la Figure
6.19.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

141
x
v
ModIisation sans
extrema

Figure 6.19 . Approximation de la fonction Sinus Decalee sans extrema
Comme nous pouvons le voir sur la Figure 6.19, enrichir le dispositiI experimental par
les extrema de làpproximation courante est dìmportance cruciale dans notre approche. En
eIIet, pour un dispositiI experimental de mme taille que celui issu de la modelisation
adaptative, lèrreur relative est beaucoup plus importante. Dans le cas dùn ajustement avec
les extrema, un total de 21 simulations etaient necessaires pour une erreur relative de 0.07,
alors que lèrreur relative obtenue ici est de 0.144. Nous observons egalement une plus grande
dispersion des erreurs, principalement pour les grandes valeurs de la reponse.
Nous presentons a present les resultats de la modelisation adaptative de la Ionction
analytique 2 sans làjout dèxtrema et pour un total de 40 simulations. Ils sont illustres sur la
Figure 6.20.
ModIisation sans
extrema
v
x

Figure 6.20 . Approximation de la fonction analvtique 2 sans extrema
Dans le cas de la Ionction analytique 2 , lèrreur relative obtenue par un ajustement
avec extrema et sans extrema est respectivement de 0.026 et 0.041. Encore une Iois, lìntert
quìl y a a ajouter, a chaque iteration les points maximum ou minimum de làpproximation
courante est conIirme, un plus grand nombre dìrregularite est detecte, a nombre de
simulations Iixe.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

142
Remarque : Nous avons effectue les mmes tests sur les autres fonctions analvtiques
presentees dans la partie 6.3, et des resultats similaires ont ete observes. Nous ne les
presentons donc pas ici.
Làjout des extrema de làpproximation courante a chaque iteration est une etape
indispensable dans la methode de modelisation adaptative. Ces points permettent de disposer
dùn echantillonnage inIormatiI, assurant la detection des extrema locaux de làpproximation
courante, tout en gardant un cot de simulation convenable. Ils contribuent grandement a
lòbtention dùn echantillonnage inIormatiI.
Dans le paragraphe suivant, nous etudions lìntert dàjouter des points de derivee
partielle nulle dans la methode de modelisation adaptative.
6.6.2 Intrt des points de drive partielle nulle
Dans cette partie, nous modelisons les deux mmes Ionctions que ci-dessus, sans làjout
des points de derivee partielle nulle. Pour cela, nous realisons le mme nombre de simulations
que celui obtenu par la modelisation adaptative et nous travaillons dans les mmes conditions,
excepte pour làjout des points de derivee partielle nulle. Les resultats obtenus, pour la
Ionction Sinus Decalee et la Ionction analytique 2 sont presentes sur la Figure 6.21 et la
Figure 6.22.
ModIisation sans
points de drive nuIIe
x
v

Figure 6.21 . Approximation de la fonction Sinus Decalee sans les points de derivee nulle
Dàpres le graphe de la Figure 6.21, nous constatons que làjustement de la Ionction
Sinus Decalee est de moins bonne qualite que celui obtenu par la modelisation adaptative. En
eIIet, pour un mme nombre de simulations, lèrreur relative avec et sans les points de derivee
partielle nulle est respectivement de 0.07 et 0.178. Malgre le Iait que làjout des points
maximum et minimum permet de detecter les principales irregularites de la reponse, la
dispersion des erreurs est plus importante, certaines zones ne sont pas precisement
modelisees.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

143
La Figure 6.22 presente les resultats de la modelisation de la Ionction analytique 2
sans làjout des points de derivee partielle nulle.
ModIisation sans
points de drive nuIIe
v
x

Figure 6.22 . Approximation de la fonction analvtique 2 sans les points de derivee nulle
Comme precedemment, nous constatons que, pour un nombre de simulations Iixees a
40, la modelisation obtenue sans point de derivee partielle nulle donne une moins bonne
qualite de predictivite que celle obtenue par la modelisation adaptative avec points de derivee
partielle nulle. En eIIet, les erreurs relatives sont respectivement de 0.026 et 0.041.
La contribution des points de derivee partielle nulle est donc de grande importance dans
làpproche de modelisation adaptative, la qualite de lèchantillonnage est grandement
amelioree. Làjout de ce type de point permet dèxplorer des zones du domaine experimental
non-explorees par làjout des extrema de làpproximation courante.
6.6.3 Intrt des points pilotes
Dans cette partie, nous mettons en evidence lìntert dàjouter des points pilotes pour
determiner les nouveaux points a simuler dans les zones non-echantillonnees du domaine
experimental. Pour ce Iaire, plusieurs niveaux dènrichissement du dispositiI experimental
sont envisagees :
! niveau dènrichissement 1 : enrichissement adaptatiI du dispositiI experimental
avec uniquement les points extrmes et les points de derivee partielle nulle, donc
sans points pilotes.
avec les extrema, les points de derivee partielle nulle et le point de variance de
krigeage maximale. Il sàgit dèIIectuer une simulation au point de variance de
krigeage maximale, sans etude au prealable de lìnIormation apportee par ce
point selon la technique des points pilotes.
avec les extrema, les points de derivee partielle nulle et le point de variance
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

144
maximale ayant la plus grande inIluence sur la predictivite. Nous selectionnons
plusieurs points de variance de krigeage maximale, puis par làpproche des
points pilotes decrite au chapitre 5, nous realisons une etude de la sensibilite de
chacun des points pour simuler celui dont une variation de la reponse (Iictive)
induit une variation sur la predictivite de làpproximation.
Les resultats obtenus avec les trois methodes partielles sont compares a ceux obtenus
par la modelisation adaptative.
Fonction Sinus Decalee
Nous commenons ici par ajuster la Ionction Sinus Decalee par la methode partielle 1, a
savoir uniquement avec des points maximum et minimum et des points de derivee partielle
nulle. Les resultats dùn tel ajustement sont presentes sur la Figure 6.23.
Mthode partieIIe 1
x
v

Figure 6.23 . Approximation de la fonction Sinus Decalee Methode partielle 1
Ainsi, dans le cas dùn ajustement nìmpliquant que les points extrmes ou de derivee
partielle nulle, nous constatons quìl y a un sur-echantillonnage de certaines zones, alors que
dàutres zones restent totalement inexplorees. En eIIet, au Iur et a mesure de làvancement du
processus, les extrema locaux et points dìnIlexion de la reponse sont identiIies et donc la
recherche de nouveaux extrema conduit a des points trop proches du dispositiI experimental
courant et donc ces points ne sont pas simules pour eviter un sur-echantillonnage. Dans cet
exemple, seulement 18 points ont ete simules. De plus, nous constatons que seuls deux
extrema locaux ont ete detectes, les autres ne sont pas identiIies.
AIin dènrichir le dispositiI experimental dans les zones non investiguees du domaine
experimental, nous proposons, selon la methode partielle 2, de realiser une simulation au
point de variance de krigeage maximale. Ainsi, a chaque iteration, nous ajoutons les points
extrmes, les points de derivee partielle nulle et le point de variance de krigeage maximale.
Un tel ajustement, pour la Ionction Sinus Decalee est presente sur la Figure 6.24.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

145
Mthode partieIIe 2
x
v

Nous constatons ici une grande amelioration de la qualite dàpproximation par rapport a
celle de la methode partielle 1, lèrreur relative passant de 0.22 a 0.158. Les zones non-
echantillonnees sont ainsi explorees et permettent la detection dùn plus grand nombre
dìrregularites de la reponse. TouteIois, lèrreur relative reste bien plus importante que celle
obtenue par modelisation adaptative.
Nous voulons a present comparer les resultats de la methodologie partielle 2 avec ceux
de la methode partielle 3. Nous rappelons que la methode partielle 3 consiste a ne pas simuler
directement le point de variance de krigeage maximale comme ceci est le cas pour la methode
partielle 2, mais de simuler le point, parmi plusieurs points de plus grande variance de
krigeage, qui a la plus grande inIluence sur la predictivite du modele. Les resultats sont
presentes sur la Figure 6.25.
Mthode partieIIe 3
x
v

Lènrichissement du dispositiI experimental par le point de variance de krigeage
maximal nèst pas aussi inIormatiI que làjout du point de plus grande inIluence sur la
predictivite de làpproximation. En eIIet, pour un mme nombre de simulations, lèrreur
relative est plus Iaible, passant de 0.158 a 0.104. Ainsi, la determination dùn nouveau point a
simuler par la methode des points pilotes est capitale ici.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

146
TouteIois, nous constatons que lèrreur relative obtenue par la methode partielle 3
(0.104) est plus importante que celle issue de la modelisation adaptative (0.07). La seule
diIIerence entre les deux approximations est que pour làjustement avec modelisation
adaptative, 6 points IictiIs au maximum sont optimises a chaque iteration, alors que pour la
methode partielle 3, aucune valeur Iictive nèst autorisee. Encore une Iois, lìntert dènrichir
le dispositiI experimental avec de lìnIormation Iictive est conIirme. Làjout de ces points
avec valeurs Iictives nous a permis dàmeliorer la qualite de predictivite de làpproximation,
sans eIIectuer de simulations supplementaires.
Montrons a present les resultats obtenus sur la Ionction analytique 2, plus complexe que
la precedente.
Fonction analytique 2 a 40 simulations
Comme precedemment, nous eIIectuons un premier ajustement de cette Ionction par
enrichissement du dispositiI experimental par la methode partielle 1, cèst-a-dire en
completant le plan dèxperiences uniquement par les extrema et les points de derivee nulle de
làpproximation courante. Les resultats sont presentes sur la Figure 6.26.
Mthode partieIIe 1
v
x

Figure 6.26 . Approximation de la fonction analvtique 2 Methode partielle 1
Lènrichissement du dispositiI par les criteres prenant en compte uniquement les
proprietes de làpproximation courante nèst pas suIIisant et aboutit a un sur-echantillonnage
de certaines zones alors que dàutres restent inexplorees. Ainsi, dans cet exemple, le
maximum local de la Ionction nèst pas detecte, aucune simulation nà ete possible dans cette
zone, du Iait de lèchantillonnage initial. De plus, seules 20 simulations supplementaires ont
pu tre ajoutees au dispositiI experimental courant.
Etudions a present les resultats obtenus par la methode partielle 2, cèst-a-dire en
ajoutant, a chaque iteration, le point de variance de krigeage maximale.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

147
Mthode partieIIe 2
v
x

Comme lìllustre la Figure 6.27, lèxploration des zones non-echantillonees par le
dispositiI experimental courant permet dàccrotre grandement la qualite de làpproximation.
TouteIois, enrichir le dispositiI experimental par les extrema, les points de derivee nulle et le
point de variance de krigeage maximal ne permet pas dòbtenir dàussi bons resultats que
ceux de la modelisation adaptative. En eIIet, làpproximation issue de la methode partielle 2
presente une erreur relative de 0.041 alors que celle obtenue par la modelisation adaptative est
de 0.026.
EnIin, nous proposons lèxamen des resultats obtenus par la methode partielle 3, a
savoir en ne simulant pas directement le point de variance de krigeage maximale, mais celui,
parmi plusieurs points de variance de krigeage maximale, qui a la plus grande sensibilite sur
la predictivite de làpproximation courante. Les resultats dùn tel ajustement sont presentes
sur Figure 6.28.
Mthode partieIIe 3
v
x

Lìntert de lùtilisation de la methode des points pilotes pour determiner le point du
domaine experimental a simuler est conIirme ici, puisque la qualite de làpproximation est
largement accrue par rapport a celle obtenue par la methode partielle 2. En eIIet, lèrreur
relative obtenue respectivement avec les methodes partielles 2 et 3 sont de 0.041 et 0.034.
Elles restent touteIois bien superieures a celle obtenue par la modelisation adaptative qui est
de 0.026, cette methode integrant lòptimisation de six valeurs Iictives a chaque iteration.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

148
Ainsi, nous avons prouve lìntert de la methode des points pilotes dans la
methodologie de modelisation adaptative par plans dèxperiences, que ce soit pour la
determination du nouveau point a simuler, ou pour làmelioration de la predictivite de
làpproximation par optimisation des valeurs Iictives aux points pilotes. Làmelioration de la
qualite de predictivite de làpproximation et dàutant plus grande que nous sommes en debut
de processus iteratiI. En eIIet, un des interts de la methode des points pilotes est dàccrotre
la qualite de predictivite de làpproximation : il sàgit de stabiliser làpproximation.
Lènsemble des etudes presentees jusquà present ont ete realisees sur des Ionctions a
deux parametres. Nous presentons maintenant des resultats de modelisation pour un nombre
de parametres non-reguliers plus important.
6.7 Rsultats de modlisation pour plus de deux paramtres
6.7.1 Exemple de modlisation pour trois paramtres
Nous considerons a present une Ionction non-reguliere a trois parametres. Cette Ionction
est une generalisation de la Ionction Chameau presentee precedemment. Elle a pour
expression :
4 4 6 2 4
21 1
( , , ) 4 4 4 3sin( )
10 3
F x v : x x x xv v v : x: = + + + + +
Nous proposons dàjuster cette Ionction a partir dùn plan initial de type hypercube latin
de distance maximin a 15 simulations. A chaque iteration, nous ajoutons un maximum et un
minimum avant lèventuelle application de la methode iso-simplexe et deux points de
derivee partielle nulle. De plus, nous eIIectuons une simulation aux trois points situes au
maximum de la variance de krigeage qui sont de plus grande sensibilite vis-a-vis de la
predictivite. Nous optimisons au maximum dix valeurs de points pilotes a chaque iteration.
Nous considerons une Ionction de covariance gaussienne anisotrope.
AIin de presenter les resultats dùn tel ajustement, nous proposons de representer, sur la
Figure 6.29, les courbes de niveaux de la Ionction reIerence et de làpproximation en Iixant la
cte :. Ainsi, dans cet exemple, nous considerons quatre ctes. Nous presentons egalement le
graphe des valeurs predites en 1 000 points du domaine experimental en Ionction des valeurs
de reIerence.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

149
z = -1 z = -0.33
x
v
Fonction analytique 2 3D 69 simulations
z = 0.33 z = 1
x
v
x
v
x
v

Figure 6.29 . Afustement dune fonction non-reguliere a 3 parametres
Ainsi, nous pouvons voir que la modelisation de cette Ionction de trois variables est tres
satisIaisante, les courbes de niveaux sont tres proches, pour chaque cte consideree, et lèrreur
relative, pour 1000 points de prediction est egale a 0.002. Un total de 69 simulations a ete
necessaire pour aboutir a cette approximation.
6.7.2 Tableau et graphes rcapitulatifs des rsultats obtenus
Nous presentons dans cette section les resultats de la modelisation de Ionctions non-
regulieres a trois, quatre et cinq parametres. A cette Iin, nous presentons de la Figure 6.30 a la
Figure 6.32, les graphes de prediction, pour respectivement :
(a) la modelisation adaptative,
(b) un hypercube latin de taille equivalente a làpproche evolutive,
(c) un hypercube latin dèrreur relative equivalente a làpproche evolutive.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

150
Fonction analytique 1 - 3D
(a) (b) (c)
Hybercube Latin 74 sim.
Hypercubecube 120 sim.
PIan adaptatif 74 sim.

Figure 6.30 . Graphes de prediction dune fonction non-reguliere a trois parametres
Fonction analytique 2 - 4D
(a) (b) (c)

Figure 6.31 . Graphes de prediction dune fonction non-reguliere a quatre parametres
Fonction analytique - 5D
(a) (b) (c)

Figure 6.32 . Graphes de prediction dune fonction non-reguliere a cinq parametres
Ainsi, nous constatons que quelque soit le nombre de parametres consideres,
làpproximation par modelisation adaptative est de bien meilleure qualite. Lànalyse des
graphes de prediction montre une grande dispersion des erreurs pour un hypercube latin de
taille equivalente (comparaison graphes (a) et (b)), alors que pour obtenir une qualite de
prediction comparable, le nombre de simulations requis par un hypercube latin est beaucoup
plus important (comparaison graphes (a) et (c)). No
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

151
Remarque : Au vu du tres grand nombre dhvpercubes latin envisageables pour un
nombre donne de simulations, nous avons effectue les modelisations sur une serie
dhvpercubes presentons ici les resultats de meilleure qualite.
Les erreurs relatives obtenues pour plusieurs Ionctions sont precisees dans le Tableau
6-2, avec entre parentheses le nombre de points du plan dèxperiences. Nous y avons ajoute,
dans la derniere colonne, le pourcentage de simulations gagnees grce a lùtilisation de la
methode adaptative.
Modelisation
adaptative
Hypercube Latin
mme sim.
Hypercube Latin
mme qualite
Simulations
gagnees
Fonction
analytique 1 - 3D
0.051 (74) 0.130 (74) 0.051 (120) 38
Fonction
analytique 2 - 3D
0.002 (69) 0.012 (69) 0.002 (110) 37
Fonction
analytique 1 - 4D
0.162 (100) 0.360 (100) 0.161 (345) 71
Fonction
analytique 2 - 4D
0.011 (97) 0.107 (97) 0.019 (405) 76
Fonction
analytique - 5D
0.016 (134) 0.128 (134) 0.061 (1350) 90
Tableau 6-2 . Erreur relative et nombre de simulations necessaires pour une
modelisation a partir de plans evolutifs ou dhvpercubes latins.
Dàpres les resultats presentes dans le Tableau 6-2, il est clair que la modelisation dùne
reponse non-reguliere par la methode evolutive est bien plus eIIicace que celle obtenue par
echantillonnage par hypercube latin. En eIIet, a qualite de modelisation equivalente,
lùtilisation de la modelisation adaptative permet de reduire le nombre de simulations de
respectivement 37 72 et 90, pour trois, quatre et cinq parametres, par rapport aux
hypercubes latins. LèIIicacite de làpproche adaptative est importante puisque des que le
nombre de parametres augmente, le gain de simulations est accentue.
Une illustration du nombre de simulations necessaires pour làjustement, a erreur
relative donnee, de Ionctions non-regulieres pour la methode evolutive et pour un hypercube
latin, en Ionction du nombre de parametres, est presente sur la Figure 6.33.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

152
Hypercube Latin
Modlisation adaptative
N
o
m
b
r
e

d
e

s
i
m
u
l
a
t
i
o
n
s
Nombre de paramtres

Figure 6.33 . Evolution du nombre de simulations en fonction du nombre de parametres
Ainsi, plus le nombre de parametres est important, plus le gain de simulations pour la
modelisation de reponses non-regulieres est important. En eIIet, plus on augmente la
dimension du probleme, plus les hypercubes sont creux, cèst-a-dire quìl y a des zones non-
explorees par le plan dèxperiences. Ceci nèst pas le cas de la methode de modelisation
adaptative qui rajoute les points en Ionction de làpproximation et donc les zones restees vides
correspondent a des zones non-inIormatives.
6.8 Conclusions
Comme nous avons pu constater sur ces diIIerents exemples, làpproche de
modelisation adaptative proposee dans cette these donne des resultats tres satisIaisants. Les
criteres de choix de la position des nouveaux points apparaissent tout a Iait pertinents : ils
assurent la detection des irregularites de la reponse a estimer et permettent dòbtenir des
resultats tres precis, quelque soit le dispositiI experimental initial choisi. Lèchantillonnage
ainsi obtenu est speciIique a la reponse etudiee, il est optimal pour cette reponse.
Lèchantillonnage est inIormatiI car permet de reduire considerablement le nombre de
simulations necessaires par rapport aux methodes dèchantillonnage classiques. Le gain de
simulation et donc lèIIicacite de làpproche est dàutant important que le nombre de
parametres est grand, ce qui est generalement le cas en ingenierie de reservoir.
Chaque type de point propose dans ce chapitre contribue a enrichir lìnIormation
apportee par les nouvelles simulations, làjout des extrema de làpproximation courante, et
des points de derivee partielle nulle sont indispensables a la detection des maxima, minima
locaux et des points dìnIlexions de làpproximation. De plus, la technique des points pilotes,
innovante dans la modelisation dèxperiences simulees, est dìntert crucial, aussi bien pour la
detection des points a simuler que par làjout dìnIormation Iictive. Ainsi, parmi les points
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

153
situes dans les zones sous-echantillonnees du domaine, les points de plus grande sensibilite
sur la predictivite de làpproximation sont simules. Ils apportent plus dìnIormation que la
simulation directe du point de variance de krigeage maximale. De plus, làjout dìnIormation
Iictive permet de gagner en precision et prediction sans avoir a Iaire de simulations
supplementaires.
Dans ce chapitre, nous avons valide la strategie de modelisation adaptative sur des
Ionctions a plusieurs parametres. Le chapitre suivant a pour objet dàppliquer cette methode a
deux cas speciIiques a lìngenierie de reservoir.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

155
Chapitre 7
Application lìngnierie de rservoir
Dans ce chapitre, nous proposons dàppliquer la methode de modelisation adaptative a
des problemes rencontres en ingenierie de reservoir. Nous etudions tout dàbord le
comportement de la production pour un cas synthetique largement connu du milieu petrolier,
derive dùn cas reel : Punq-S3. Ce cas Iut mis en place lors du projet europeen PUNQ :
Production Iorecasting ith UNcertainty QuantiIication. La deuxieme partie de ce chapitre est
consacree a la presentation dùn cas reel situe dans lòIIshore bresilien : PBR. Ce cas
appartient au patrimoine minier de la compagnie nationale bresilienne Petrobras.
Pour ces deux cas, nous proposons de construire un modele approche du simulateur
dècoulement par modelisation adaptative. Il est ainsi possible dèstimer le risque lie a la
presence dìncertitudes sur certains parametres caracterisant la production de ces gisements a
moindre cot.
Une modelisation basee sur des plans dèxperiences classiques, Iactoriels et composites
centres, permet tout dàbord de justiIier de lìntert dènvisager une prise en compte de non-
regularites. AIin de juger de la pertinence des resultats obtenus par modelisation adaptative,
nous avons par ailleurs procede a la construction dùn modele approche base sur un
echantillonnage par hypercube latin de mme taille que celle requise lors de la modelisation
adaptative. La perIormance predictive des modeles adaptatiI et par hypercube latin est alors
comparee sur une grille de 6
4
points. Il apparat alors clairement que le caractere speciIique de
lèchantillonnage adaptatiI permet une meilleure qualite de prediction.
7.1 Cas Punq - S3
7.1.1 Prsentation du cas Punq-S3
Le jeu de donnees utilise dans cette etude provient dùn cas test deIini dans le cadre du
projet europeen PUNQ : Production Iorecasting ith UNcertainty QuantiIication . Le cas
PUNQ-S3 est un reservoir de petite taille, derive dùn gisement exploite par ElI Exploration
Production.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

156
Le cas test PUNQ-S3 est un modele reservoir synthetique 3D. Ce modele est constitue
de 19 28 5 mailles, soit 2 660 mailles, parmi lesquelles 1 761 sont actives. Une vue de
dessus du reservoir est presentee sur la Figure 7.1. Le reservoir est entoure par un Iort
aquiIere au nord et a lèst, par des Iailles a lòuest et au sud. Ce reservoir est exploite par 6
puits producteurs localises au niveau du contact huile/eau. Il n`y a pas de puits injecteurs du
Iait de la presence dùn aquiIere actiI.

Figure 7.1 . Modele PUNQ
Les sediments ont ete deposes dans un environnement deltaque et ctier. Le modele
geologique est compose de cinq couches non communicantes, chaque couche ayant une
epaisseur dènviron 5 metres.
Les couches 1, 3 et 5 possedent de bonnes proprietes en terme de permeabilite et
porosite. Ces couches sont dites reservoir.
La couche 2 est de Iaible porosite, il sàgit dùne couche non-reservoir.
La couche 4 est de qualite intermediaire.
La distribution de la porosite dans les 5 couches a ete modelisee par simulation
geostatistique, basee sur des realisations aleatoires gaussiennes. Les proprietes petrophysiques
moyennes de chaque couche sont presentees dans le Tableau 7-1.
Couches Phi - Kh - mD Kv - mD
1 - 3 -5 30 1000 500
2 17 220 50
4 22 500 100
Tableau 7-1 . Proprietes petrophvsiques par couches
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

157
7.1.2 Analyse d'incertitude
LòbjectiI de cette etude est de construire un modele approche du simulateur
dècoulement, pour une reponse donnee. Ce modele sera ensuite utilise pour obtenir des
previsions de production sans Iaire appel au simulateur dècoulement, dans le but de realiser
une analyse de risque et donc dèstimer le risque, sur la production d`huile, lie a une
incertitude sur les parametres.
Dfinition des paramtres
La selection des parametres a priori inIluents sur le comportement des reponses en
production a resulte dùne analyse de sensibilite Iaisant intervenir 11 parametres incertains.
Les parametres pour lesquels lànalyse de sensibilite a mis en evidence une inIluence non
negligeable sont au nombre de quatre :
le coeIIicient analytique de la Iorce dàquiIere, note AQUI,
la saturation residuelle en huile apres balayage a lèau, notee SORW,
la pression au point de bulle, notee BP,
la proIondeur du contact huile/eau, notee ZOW.
Le domaine experimental est deIinit par :
4
min max
1
,
f f
f
D X X
=
( =

ou
min
f
X

et
max
f
X

sont les valeurs minimales et maximales que peuvent prendre les
variables AQUI, SORW, BP et ZOW. Ces valeurs sont donnees dans le Tableau 7-2 :
Parametre Min Max
AQUI (adim) 0.2 0.3
SORW () 0.15 0.25
BP (bar) 230.5 238.5
ZOW (m) 2385 2398
Tableau 7-2 . Intervalle de variation des parametres incertains
Dfinition de la rponse
Notre objectiI est la prediction du debit d`huile au puits PRO-1 apres 2 922 jours de
production quand on Iait varier les diIIerents parametres supposes inIluents sur cette reponse.
Ce debit, aussi note QOil, est exprime en m
3
/jours.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

158
Ainsi, nous voulons construire, par modelisation adaptative, une approximation Iiable
du debit d`huile QOil en Ionction des quatre parametres AQUI, SORW, BP et ZOW.
Avant de chercher a ajuster cette reponse, nous avons eIIectue des simulations pour un
plan complet 6
4
, soit 1 296 simulations, bien que ceci ne soit generalement pas envisageable
pour une etude de reservoir. Mais notre objectiI est ici de disposer ainsi dùn echantillon de
reIerence du comportement de la reponse en Ionction des parametres. Nous presentons sur
la Figure 7.2, diIIerentes graphes partiels de la reponse QOil qui illustrent le type de non-
regularites presentes dans cette etude.
AQU=1 BP=1 SORW=1 BP=-0.6
AQU=-1 ZOW=0.2 SORW=-0.2 ZOW=-0.2 BP=-1 ZOW=-0.2
AQU =0.6 SORW=-0.2
AQU=-0.2 ZOW=1 SORW=0.6 ZOW=-1 SORW=1 ZOW=-0.6
B
P
Z
O
W
S
O
R
W
Z
O
W
S
O
R
W
B
P
S
O
R
W
B
P
A
Q
U
B
P
A
Q
U
B
P
A
Q
U
B
P
A
Q
U
A
Q
U
Z
O
W
S
O
R
W
Q
O
i
l
(

m
3
/
j
o
u
r
s
)
Q
O
i
l
(

m
3
/
j
o
u
r
s
)
Q
O
i
l
(

m
3
/
j
o
u
r
s
)
Q
O
i
l
(

m
3
/
j
o
u
r
s
)
Q
O
i
l
(

m
3
/
j
o
u
r
s
)
Q
O
i
l
(

m
3
/
j
o
u
r
s
)
Q
O
i
l
(

m
3
/
j
o
u
r
s
)
Q
O
i
l
(

m
3
/
j
o
u
r
s
)
Q
O
i
l
(

m
3
/
j
o
u
r
s
)

Figure 7.2 . Jue en perspective de differentes coupes du debit dhuile au puits PRO-1 apres 2 992
fours
Ainsi, nous constatons que le debit d`huile au puits PRO-1 apres 2 922 jours de
production est non-regulier par rapport aux parametres consideres. Nous observons trois
niveaux de non-regularite. En eIIet, sur la premiere ligne de la Figure 7.2, nous constatons de
tres grandes variations de la reponse, celle-ci pouvant varier de plus de 90 000 m
3
pour deux
parametres Iixes. Pour la seconde ligne, nous avons represente des graphes partiels ou la
variation de la reponse est intermediaire, soit environ 10 000 m
3
. EnIin, il est important de
noter les irregularites de plus Iaible impact sur la valeur de la reponse, elles sont de lòrdre de
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

159
quelques milliers de m
3
, mais sont sources des principales diIIicultes pour lòbtention dùne
modelisation de bonne qualite.
Nous proposons a present de modeliser le debit d`huile au puits PRO-1 apres 2 922
jours de production par modelisation adaptative.
7.1.3 Approximation par modlisation adaptative
Pour eIIectuer làjustement par modelisation adaptative de QOil, nous partons dùn plan
initial qui est un hypercube latin de distance maximin de 25 simulations. Nous supposons ici
une covariance gaussienne anisotrope. En ce qui concerne lènrichissement du dispositiI
experimental, nous ajoutons, a chaque iteration :
1 maximum avant lèventuelle application de la methode iso-simplexe ,
1 minimum avant lèventuelle application de la methode iso-simplexe ,
3 points de derivee partielle nulle,
3 simulations selectionnees par la methode des points pilotes dans les zones
maximisant la variance de krigeage.
Remarquons que 10 points pilotes au maximum sont conserves dans le dispositiI
experimental.
De plus, des lors que la qualite de làpproximation apparat satisIaisante, nous ajoutons
cinq points de conIirmation aIin de juger de la predictivite de làpproximation et de la
necessite de stopper ou de continuer le processus iteratiI.
EnIin, nous limitons le nombre maximum de simulations a 150, ce type de contrainte est
generalement impose en ingenierie de reservoir.
Nous presentons, sur la Figure 7.3, les resultats dàpproximation du debit d`huile QOil
avec lèvolution des graphes des erreurs de prediction aux 1 296 points du plan complet 6
4
au
cours des iterations. Les points correspondant au plan dèxperiences servant a la modelisation
sont representes par des croix bleues, les points de prediction par des cercles violets. Pour
indiquer la qualite du modele, nous ajoutons, sur ce graphe, lèrreur relative obtenue aux
1 296 points de prediction, soit :
1296
1
1296
1
( )
i i
i
rel
i
i
Y Y
Y
=
=
x

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

160
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s
Approximation Plan nitial 25 simulations Approximation tration 3 40 simulations
Approximation tration 6 66 simulations Approximation Finale 107 simulations
Erreur relative :
0.178
Erreur relative :
0.081
Erreur relative :
0.070
Erreur relative :
0.067
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s

Figure 7.3 . Approximation de QOil par modelisation adaptative au cours des iterations
Ainsi, un nombre total de 107 simulations a ete ici necessaire pour làjustement de
QOil. Nous constatons, dàpres la Figure 7.3, que làjustement issu du plan dèxperiences
initial (un hypercube latin maximin) est de tres mauvaise qualite, avec des predictions de
debits negatives. Notons en eIIet le changement dèchelle pour ce premier graphe. Au Iur et a
mesure de làjout de points, la qualite de làpproximation est amelioree, jusquà atteindre une
erreur relative aux 1 296 points de prediction egale a 0.067. Remarquons que la qualite
dàpproximation est deja tres satisIaisante pour un dispositiI de 66 simulations, la prediction
des valeurs du debit d`huile comprises entre 40 et 80 m
3
/jour reste touteIois meilleure avec un
dispositiI a 107 simulations.
Nous presentons, sur la Figure 7.4, lèvolution des densites de probabilite au cours des
iterations. Les densites de probabilite sont calculees a partir dùn echantillonnage Monte-
Carlo resultant du tirage dùne loi uniIorme entre -1 et 1 pour les quatre parametres.
Lèchantillon comporte 10 000 points. Ainsi, nous representons en noir la densite estimee a
làide du plan initial, en bleu et vert celles issues respectivement de la troisieme et sixieme
iteration et enIin en rouge les resultats de la modelisation adaptative Iinale.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

161
Approximation nitiale
Approximation tration 3
Approximation Finale
Q Oil
D
e
n
s
i
t

Figure 7.4 . Evolution des densites de probabilite du debit dhuile au cours des
iterations
Ainsi, nous constatons que làpproximation deduite du plan initial ne restitue pas la
bimodalite de la densite et quìl y a des estimations de debit negatives. A la troisieme
iteration, le caractere bimodal commence a apparatre dans làpproximation, il devient
beaucoup plus precis pour les iterations suivantes. Remarquons enIin que, malgre la Iaible
diIIerence entre les erreurs relatives des resultats issus de la sixieme iteration et ceux de
làpproximation Iinale, une nette amelioration de lèstimation de la densite de probabilite est
observee. Apres etude des valeurs des parametres, il apparat que lèIIet bimodal correspond a
la valeur dùn seul parametre : ZOW. En eIIet, pour de petites proIondeurs du contact
huile/eau, le debit d`huile QOil est relativement Iaible, alors que pour de plus grandes
proIondeurs, il est plus important.
7.1.4 Modlisation adaptative et planification classique
Dans cette partie, nous proposons de modeliser le debit d`huile au puits PRO-1 a 2 992
jours de production, donc toujours la mme reponse QOil, a partir de plans dèxperiences
classiques. Nous considerons dans un premier temps un plan Iactoriel et un plan composite
centre, puis deux hypercubes latins de mme taille que le nombre de simulations auquel
aboutit la modelisation adaptative. Pour chaque etude, nous presentons les resultats obtenus
pour un modele de krigeage universel aIin de comparer les approximations a modelisation
Iixee et donc de veriIier lìmportance de la strategie dèchantillonnage du domaine
experimental. AIin de comparer ces diIIerents dispositiIs, nous etudions tout dàbord la
qualite des predictions obtenues pour les diIIerents plans avec les simulations dùne grille de
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

162
reIerence 6
4
. Ainsi, nous representons les valeurs estimees versus les valeurs simulees pour
cette grille, pour chacun des dispositiIs experimentaux consideres. Ensuite, nous presentons
une etude comparative de la densite estimee de la reponse : dùne part a partir des 6
4

simulations servant de reIerence et dàutre part par approximation par krigeage universel pour
des dispositiIs classiques puis par modelisation adaptative, puis echantillonnage quasi Monte-
Carlo (hypercubes latins).
Nous presentons, sur la Figure 7.5, les resultats dàpproximation obtenus a partir dùn
plan Iactoriel (a) et dùn plan composite (b).
Modle composite Plan Factoriel - 16 simulations Modle composite Plan Composite - 25 simulations
Erreur relative :
0.093
(b)
Erreur relative :
0.085
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s
(a)

Figure 7.5 . Prediction du debit dhuile par plans factoriel et composite
Nous constatons que la modelisation du debit d`huile au puits PRO-1 a partir de
dispositiIs experimentaux classiques ne permet pas une estimation precise de cette reponse.
En eIIet, dans le cas dùn plan Iactoriel (a), une importante sous-estimation du debit d`huile
est constatee, les points de prediction etant generalement au dessus de la premiere bissectrice
qui traduit un ajustement parIait. Pour le plan composite centre (b), on observe plutt une sur-
estimation du debit d`huile au puits PRO-1, un grand nombre de points de prediction etant
situes sous la premiere bissectrice.
Voyons a present lìmpact de la mauvaise qualite des approximations obtenues pour les
plans Iactoriel et composite centre sur les estimations de densite de probabilite. Dans ce but,
nous presentons, sur la Figure 7.6, les densites de probabilite deduites du plan complet, i.e.
des 6
4
simulations, que lòn considere comme reIerence (en noir), pour le plan Iactoriel, en
bleu, le plan composite, en vert et enIin pour la modelisation adaptative en rouge. Les densites
de probabilite sont obtenues par echantillonnage Monte-Carlo, pour un tirage de 10 000 points
issus de lois uniIormes sur chaque parametre.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

163
Q Oil
D
e
n
s
i
t
Plan Complet
Plan Factoriel
Plan Composite
Plan Adaptatif

Figure 7.6 . Densite de probabilite du debit dhuile au puits PRO-1 pour differents
dispositifs experimentaux
Au vu de la Figure 7.6 ci-dessus, il a apparat clairement que lùtilisation de plans
Iactoriel ou composite centre ne permet pas une estimation de bonne qualite de la densite de
probabilite de la reponse QOil, contrairement aux resultats obtenus par modelisation
adaptative. En eIIet, le caractere bimodal de la densite nèst absolument pas detecte par les
plans classiques et les analyses de risque en decoulant ne sont donc pas Iiables.
Passons maintenant, toujours a titre comparatiI, a des plans dèchantillonnage quasi
Monte-Carlo classiques, plus precisement a des hypercubes latins de mme taille que celle du
dispositiI deduit de la modelisation adaptative, soit 107 simulations. Le type de modelisation
utilise ici est un krigeage universel, la modelisation adaptative nìntervient pas ici.
Erreur relative :
0.080
Erreur relative :
0.080
Modle composite Hypercube Latin - 107 simulations Modle composite Hypercube Latin - 107 simulations
(b) (a)
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s

Figure 7.7 . Prediction du debit dhuile par hvpercubes latins
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

164
Ainsi, pour les deux hypercubes consideres ici, les approximations obtenues aboutissent
a des erreurs dèstimation non negligeables. Nous constatons par exemple que pour les Iaibles
valeurs de debit, des sous-estimations importantes peuvent tre obtenues, avec des debits au
puits PRO-1 allant de 0 a 20 m
3
/j, alors que le puits produit au minimum 40 m
3
/j.
Une estimation des densites de probabilite obtenues a partir des deux hypercubes latins
maximin et de la modelisation adaptative sont presentees sur la Figure 7.8. Lèchantillonnage
considere contient 10 000 points issus dùn tirage selon des lois uniIormes sur chaque
parametre.
Q Oil
D
e
n
s
i
t
Plan Complet
Hypercube 1
Hypercube 2
Plan Adaptatif

Figure 7.8 . Densite de probabilite du debit dhuile pour differents dispositifs
experimentaux
En se basant sur les resultats obtenus a làide du plan complet 6
4
, il apparat tres
clairement que les resultats issus de la modelisation adaptative sont plus precis que ceux
provenant des deux hypercubes latins. En eIIet, si on considere l`hypercube 1, en bleu, le
caractere bimodal de la densite est a peine detecte, nous avons egalement des valeurs de debit
nulles. Quant a l`hypercube 2, presente en vert, il permet une meilleure estimation de la
densite de probabilite de la reponse QOil, que pour l`hypercube 1, mais conIirme ainsi le
caractere aleatoire des estimations par hypercubes latin puisquìl y a non-unicite de ce type
dèchantillonnage.
Remarque : Pour confirmer les resultats ci-dessus, nous avons realise les mmes
analvses en partant dhvpercubes latin maximin a 300 points. Nous constatons que les
resultats different tres peu de ceux obtenus pour des hvpercubes latins maximin a 107 points,
la modelisation adaptative est de meilleure qualite dans tous les cas.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

165
Ainsi, les plans dèxperiences ou dèchantillonnage classiques ne permettent pas une
quantiIication Iiable des incertitudes et par consequent une modelisation adaptative est
appropriee pour làpproximation du debit d`huile au puits PRO-1.
7.1.5 Conclusions
Les resultats de lètude du debit d`huile au puits PRO-1 apres 2 922 jours de production
ont mis en evidence lèIIicacite de la modelisation adaptative pour la quantiIication des
incertitudes et lànalyse de risque. En eIIet, la comparaison des resultats avec ceux obtenus
par des techniques classiques dèchantillonnage a montre une plus grande precision pour les
resultats de la modelisation adaptative. Par ailleurs, lùtilisation d`hypercubes latins de mme
taille que les dispositiIs issus de la modelisation adaptative ne permet pas dòbtenir une aussi
bonne quantiIication des risques et reste de plus tres aleatoire, du Iait du nombre prohibitiI
d`hypercubes latins existants.
7.2 Cas PBR
7.2.1 Prsentation du cas PBR
Le champ PBR est situe dans lòIIshore bresilien, dans le bassin de Campos, a 80 km de
la cte, sous une tranche dèau comprise entre 110 et 250 m. La proIondeur moyenne du
reservoir est de 3100 m. Avec une surIace dènviron 20 km
2
et une epaisseur qui varie entre
90 et 180 m, il possede un volume d`huile estime a 110 millions de metres cubes. On peut
esperer une recuperation Iinale dènviron 40 de ce volume. Une representation en 3D du
champ PBR est presente sur la Figure 7.9.

Figure 7.9 . Jue en 3 dimensions du champs PBR
Le reservoir est Iorme de gres massiIs dòrigine turbiditique alternant avec des argiles,
des marnes et des calcilutites. Ces derniers Iacies sont non-reservoirs car ils sont de
permeabilites tres Iaibles, ils jouent un rle tres important sur le mouvement des Iluides dans
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

166
le reservoir. Par contre, les Iacies Iormes de gres sont tres permeables. La porosite moyenne
est de 26 et la permeabilite de 500 mD. L`huile de 28 API a une viscosite relativement
Iaible a la pression de saturation : 1.5 cp.
Le piege du reservoir PBR est a la Iois structurel et stratigraphique. Comme le montre la
Figure 7.10, les limites Nord et Sud proviennent de Iermetures stratigraphiques alors que les
limites Est et Ouest sont dues a la presence de Iailles. Deux Iailles principales ont ete
identiIiees dans le reservoir, en plus de celles a la Irontiere du reservoir. Le reservoir PBR se
presente sous la Iorme dùn dme allonge de direction NO-SE.

Figure 7.10 . Jue de dessus du champs PBR
La production du champ a debute en juin 1979. Le champ a ete exploite par simple
depletion pendant les cinq premieres annees, puis on a procede a une injection dèau a partir
dàvril 1984 pour assurer le maintien en pression dans le gisement et un meilleur balayage de
l`huile dans le reservoir. Comme illustre sur la Figure 7.10, le reservoir est actuellement
exploite grce a 34 puits producteurs et 13 puits injecteurs dèau.
Sept Iacies ont ete identiIies a partir des inIormations de diagraphie, dànalyse
petrophysique et de description de carottes. Ils ont ete regroupes en quatre lithotypes tout en
conservant leur signiIication geologique. Les lithotypes representent lènsemble des
caracteristiques des Iacies sedimentaires avec les proprietes petrophysiques qui leur sont
associees. Les proprietes petrophysiques de chaque lithotype sont presentees dans le Tableau
7-3 ci-dessous :
les lithotypes LT-1 et LT-2 composes de gres et possedant de bonnes proprietes
reservoirs,
les lithotypes LT-3 et LT-4 comprenent de làrgile ou une alternance de marne et
calcilutite, correspondant a des zones non-reservoirs.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

167

Facies Phi - Kh - mD Kv mD
LT-1 30 1100 100
LT-2 24 550 80
LT-3 10 10 0.1
LT-4 6 5 0.1
Tableau 7-3 . Proprietes petrophvsiques par facies
Les proprietes petrophysiques des lithotypes sont prises en compte par modelisation
geostatistique, plus particulierement avec la methode de simulation gaussienne tronquee non-
stationnaire.
Un modele Black-Oil est utilise pour les simulations dècoulement. Dans le simulateur
dècoulement, le debit total de Iluide (huile eau) du puits depend de plusieurs Iacteurs.
Parmi ces Iacteurs, on trouve la capacite de production du puits. En eIIet, un debit d`huile est
donne au simulateur comme une valeur du debit maximal a atteindre. Dans cette etude, le
debit maximal impose est de 500m
3
/j.
Le point de bulle initial est de 240 bars et la pression initiale moyenne du reservoir est
dènviron 318 bars. La temperature du reservoir est egale a 104C. Le contact huile/eau
principal du reservoir se situe environ a -3 100 m. Neanmoins, dàutres contacts ont ete
observes pendant le Iorage des puits, par exemple, dans la region sud du reservoir, le contact
huile/eau a ete trouve a -3 125 m et dans la region nord-est, a -3 152 m.
7.2.2 Analyse d'incertitudes
LòbjectiI de cette etude est de construire un modele approche du simulateur
dècoulement, pour une reponse donnee. Ce modele est construit dans le but de realiser une
analyse de risque aIin dèstimer le risque lie a une incertitude sur les parametres sur la
production d`huile et dèau.
Dfinition des rponses
Nous nous interessons ici particulierement a lèstimation de la production d`huile et
dèau cumulee apres 2 192 jours de production, soit environ six ans. Nous designons
desormais ces deux reponses par :
CumOil pour la production d`huile cumulee a 2 192 jours de production,
CumWater pour la production dèau cumulee a 2 192 jours de production.
Les valeurs de ces reponses sont exprimees en millions de metres cubes (Mm
3
).
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

168
Dfinition des paramtres
Parmi les 18 parametres susceptibles dìntervenir dans la modelisation des reponses en
production, on a procede a une selection a lìssu dùne analyse de sensibilite. On a ainsi
retenu quatre parametres, il sàgit de :
la proIondeur du contact huile/eau dans le secteur 1, note ZOW1,
le coeIIicient dèndommagement du puit, note SKIN,
la permeabilite relative maximale pour le gaz, notee KRGM,
la permeabilite relative maximale pour lèau, notee KRWM.
Le SKIN, aussi appele eIIet parietal permet de modeliser le Iait que la boue de Iorage
provoque un colmatage partiel de la zone envahie, dòu une diminution ou une augmentation
de la permeabilite dans cette zone. Ainsi, un SKIN positiI signiIie que les abords des puits ont
ete colmates, un SKIN negatiI montre une amelioration de la permeabilite aux abords des
puits.
Remarquons que seule la proIondeur du contact huile/eau de la zone 1 varie, les autres
sont supposees constantes, egales a leur valeurs indiquees plus haut.
Le domaine experimental est le pave de
4
:
4
min max
1
,
f f
f
D X X
=
( =

ou
min
f
X et
max
f
X sont les valeurs minimales et maximales que peuvent prendre les
variables ZOW1, SKIN, KRGM et KRWM. Ces valeurs sont donnees dans le Tableau 7-4 :
Parametre Min Max
ZOW1 (m) 3 092 3 118
SKIN (adim) -5 10
KRGM (adim) 0.4 0.6
KRWM (adim) 0.25 0.45
Tableau 7-4 . Intervalle de variation des parametres incertains
Ainsi, notre objectiI est de construire, par modelisation adaptative, une approximation
Iiable des deux reponses CumOil et CumWater en Ionction des quatre parametres : ZOW1,
SKIN, KRGM et KRWM.
Dans un premier temps, nous avons eIIectue des simulations pour un plan complet 6
4
,
soit 1 296 simulations. Bien que ce nombre de simulations ne soit generalement pas
envisageable dans le contexte dùne etude de reservoir, nous les avons realisees ici dans le but
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

169
de conIirmer la non-regularite des reponses aux parametres consideres. Nous presentons ci-
dessous des exemples de graphes partiels de la production d`huile et dèau cumulees apres
2 192 jours de production en Ionction des parametres consideres.
ZOW1=-1 KRGM=-1 KRGM=-0.6 KRWM=0.6
SKN=0.2 KRGM=0.2 SKN=0.6 KRWM=-1
ZOW1=-1 SKN=0.2
ZOW1=1 SKN=-1 SKN=-1 KRGM=-0.6 SKN=-0.6 KRGM=-1
K
R
G
M
K
R
W
M
S
K
N
K
R
W
M
Z
O
W
1
Z
O
W
1
S
K
N
K
R
G
M
K
R
G
M
K
R
W
M
K
R
W
M
K
R
W
M
Z
O
W
1
K
R
W
M
Z
O
W
1
K
R
W
M
Z
O
W
1
K
R
W
M
C
u
m
O
i
l
(
1
0
6
m
3
)
C
u
m
O
i
l
(
1
0
6
m
3
)
C
u
m
O
i
l
(
1
0
6
m
3
)
C
u
m
O
i
l
(
1
0
6
m
3
)
C
u
m
O
i
l
(
1
0
6
m
3
)
C
u
m
O
i
l
(
1
0
6
m
3
)
C
u
m
O
i
l
(
1
0
6
m
3
)
C
u
m
O
i
l
(
1
0
6
m
3
)
C
u
m
O
i
l
(
1
0
6
m
3
)
ZOW1=-1 SKN=0.2

Figure 7.11 . Jue en perspective de graphes partiels du Cumule dhuile a 2 192 fours
Ainsi, pour la reponse CumOil, nous observons trois types de non-regularite. En eIIet,
sur la premiere ligne de la Figure 7.11, nous observons des variations globales de la reponse
en Ionction des parametres, elles peuvent atteindre 150 000 m
3
. Nous observons, sur la
deuxieme ligne, des variations intermediaires, cèst-a-dire de lòrdre de 30 000 m
3
. EnIin, sur
la derniere ligne sont representees les variations locales de la reponse, on observe ainsi un tres
grand nombre dìrregularites.
Passons a present a la reponse CumWater.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

170
ZOW1=-1 SKN=-0.6
ZOW1=-1 KRGM=0.6 ZOW1=-1 KRGM=-1
SKN=-1 KRWM=1
SKN=-0.2 KRWM=0.6 KRGM=-0.6 KRWM=1
SKN=-1 KRGM=-0.2
KRGM=1 KRWM=0.2
ZOW1=-0.6 KRGM=1
K
R
G
M
K
R
W
M
C
u
m
W
a
t
e
r
(
1
0
6
m
3
)
C
u
m
W
a
t
e
r
(
1
0
6
m
3
)
C
u
m
W
a
t
e
r
(
1
0
6
m
3
)
C
u
m
W
a
t
e
r
(
1
0
6
m
3
)
C
u
m
W
a
t
e
r
(
1
0
6
m
3
)
C
u
m
W
a
t
e
r
(
1
0
6
m
3
)
C
u
m
W
a
t
e
r
(
1
0
6
m
3
)
C
u
m
W
a
t
e
r
(
1
0
6
m
3
)
C
u
m
W
a
t
e
r
(
1
0
6
m
3
)
Z
O
W
1
K
R
W
M
Z
O
W
1
K
R
W
M
Z
O
W
1
K
R
W
M
Z
O
W
1
K
R
G
M
Z
O
W
1
K
R
G
M
Z
O
W
1
K
R
W
M
Z
O
W
1
Z
O
W
1
S
K
N
S
K
N

Figure 7.12 . Jue en perspective de graphes partiels du Cumule deau a 2 192 fours
Encore une Iois, nous observons des irregularites de la reponse CumWater aux
parametres la caracterisant.
Ainsi, comme lìllustre la Figure 7.11 et la Figure 7.12, quelle que soit la reponse
consideree, son comportement est non-regulier aux parametres. De plus, les non-regularites ne
sont pas de mme nature suivant les parametres. Par exemple nous constatons la presence
dùn plateau , cèst-a-dire que pour certaines valeurs de parametres, la reponse est
quasiment constante, alors que pour dàutres, les Iluctuations de la reponse sont beaucoup
plus importantes, en general localement. Ainsi, une modelisation polynomiale est insuIIisante
pour bien caracteriser le comportement de la reponse et il est indispensable dènvisager une
modelisation adaptative pour les deux reponses considerees.
7.2.3 Approximation par modlisation adaptative
Nous nous plaons dans les mmes conditions pour la modelisation adaptative des
reponses CumOil et CumWater en Ionction des parametres ZWO1, SKIN, KRGM et KRWM.
Le plan initial que nous considerons est un hypercube latin de distance maximin a 25
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

171
simulations pour quatre Iacteurs Nous considerons une Ionction de covariance gaussienne
anisotrope.
A chaque iteration, nous proposons dàjouter :
1 maximum avant lèventuelle application de la methode iso-simplexe ,
1 minimum avant lèventuelle application de la methode iso-simplexe ,
3 points de derivee partielle nulle,
3 points issus de lòptimisation par points pilotes des points maximisant la
variance de krigeage.
A noter que 10 points pilotes au maximum sont conserves dans le dispositiI
experimental.
De plus, des lors que la qualite de làpproximation semble tre satisIaisante, nous
ajoutons cinq points de conIirmation aIin de juger de la predictivite de làpproximation et de
la necessite dàrrter ou de continuer le processus iteratiI.
Production d'huile cumule 2 192 jours
Les resultats de làpproximation de la production d`huile cumulee a 2 192 jours par
modelisation adaptative sont presentes sur la Figure 7.13 et la Figure 7.14. Ainsi, la Figure
7.13 presente lèvolution des graphes des erreurs de prediction aux 1 296 points du plan
complet 6
4
et de lèrreur relative pour diIIerentes iterations du processus. Les points
correspondant au plan dèxperiences servant a la modelisation sont representes par des croix
bleues, les points de prediction par des cercles violets. Pour indiquer la qualite du modele,
nous ajoutons sur ce graphe lèrreur relative obtenue aux 1 296 points de prediction. Celle-ci
est donnee par :
1296
1
1296
1
( )
i i
i
rel
i
i
Y Y
Y
=
=
x

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

172
Approximation Plan nitial 25 simulations Approximation tration 1 33 simulations Approximation tration 2 42 simulations
Approximation tration 4 51 simulations Approximation tration 5 56 simulations Approximation Finale 67 simulations
Erreur relative :
0.00275
Erreur relative :
0.00099
Erreur relative :
0.00085
Erreur relative :
0.00055
Erreur relative :
0.00044
Erreur relative :
0.00029
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s

Figure 7.13 . Approximation du cumule dhuile a 2 192 fours par modelisation adaptative au
cours de iterations
Ainsi, un total de 67 simulations a ete necessaire pour la modelisation de CumOil (le
cumule d`huile apres 6 ans de production). Pour le plan initial, nous constatons que
làpproximation obtenue aboutit a des surestimations tres importantes de la reponse. Des la
deuxieme iteration, làjout dùn point minimum a permis de corriger les estimations pour les
Iaibles valeurs de la reponse, reduisant ainsi considerablement la surestimation de la
production. Ensuite, a chaque iteration, la qualite de làpproximation est amelioree, pour
arriver a une approximation Iinale de tres bonne qualite. En eIIet, lèrreur relative pour 1 296
points de prediction est tres Iaible puisque valant 0.00029, les points de prediction sont peu
eloignes de la premiere bissectrice.
La Figure 7.14 precise lèvolution des densites de probabilite de cette reponse CumOil
au cours des iterations. Nous avons presente les densite de probabilite pour làpproximation
issue du plan dèxperiences initial, en noir, pour làpproximation aux iterations 2, en bleu, et
4, en vert, et enIin pour làpproximation Iinale, en rouge. Les densites de probabilite sont
obtenues par echantillonnage Monte-Carlo, pour un tirage uniIorme de 10 000 points.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

173
Cumoil
D
e
n
s
i
t

Figure 7.14 . Evolution des densites de probabilite de lhuile cumulee au cours des
iterations
En ce qui concerne les densites de probabilite, nous constatons que, au Iur et a mesure
de làjout de points au dispositiI, lìncertitude est reduite, les courbes se resserrant a chaque
nouvelle iteration. Ainsi, le risque lie a lìncertitude sur les parametres est considerablement
diminue du Iait de lènrichissement du dispositiI experimental. Plus la qualite de prediction du
modele est importante, plus les analyses de risques sont precises, ce qui traduit une meilleure
prise de decision dans un contexte incertain.
Production d'eau cumule 2 192 jours
Comme dans le cas de la reponse CumOil, nous presentons les resultats sous deux
Iormes :
la Figure 7.15 decrit lèvolution des graphes de prediction pour diIIerentes
iterations de la modelisation,
la Figure 7.16 montre les densites de probabilite correspondant a certains
ajustements.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

174
Approximation Plan nitial 25 simulations Approximation tration 1 35 simulations Approximation tration 2 41 simulations
Approximation tration 3 46 simulations Approximation tration 5 52 simulations Approximation Finale 68 simulations
Erreur relative :
0.913
Erreur relative :
0.283
Erreur relative :
0.248
Erreur relative :
0.175
Erreur relative :
0.169
Erreur relative :
0.153
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s
V
a
l
e
u
r
s

S
i
m
u
l
e
s
V
a
l
e
u
r
s

S
i
m
u
l
e
s
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s
Valeurs Estimes Valeurs Estimes

Figure 7.15 . Approximation du cumule deau a 2 192 fours par modelisation adaptative au
cours des iterations
La modelisation de la reponse CumWater a necessite un total de 68 simulations. Les
resultats de prediction obtenus par la modelisation issue du plan dèxperiences initial sont de
pietre qualite. La simulation de points cruciaux des la premiere iteration permet une nette
amelioration de la predictivite. Au Iur et a mesure des iterations, les Iaibles valeurs de la
reponse sont bien mieux predites et en Iin de modelisation, la simulation dùn point maximum
de làpproximation courante permet de mieux caracteriser la reponse. Làpproximation ainsi
obtenue est de bonne qualite, avec une erreur relative aux 1 296 points de prediction egale a
0.153.
Nous presentons sur la Figure 7.16 les densites de probabilite de la reponse CumWater
pour les approximations initiales et Iinales, ainsi que celles des iterations 3 et 5.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

175
Cumwater
D
e
n
s
i
t

Figure 7.16 . Evolution des densites de probabilite de leau cumulee au cours des iterations
Encore une Iois, plus la precision de làpproximation est importante, plus lìncertitude
sur la reponse est reduite et donc plus Iiables sont les analyses de risques.
Nous venons de presenter les resultats de la modelisation des reponses CumOil et
CumWater par modelisation adaptative. Nous voulons a present comparer les resultats
obtenus avec ceux issus dùne modelisation par planiIication classique, soit 68 points.
7.2.4 Modlisation adaptative et planification classique
Dans cette partie, nous presentons, a titre comparatiI, les resultats obtenus en modelisant
les deux reponses CumOil et CumWater avec un modele composite a partir de diIIerents plans
dèxperiences classiques. Pour ce Iaire, nous considerons le plan Iactoriel complet 2
4
et un
plan composite centre, puis deux hypercubes latins de distance maximin de mme taille que le
dispositiI obtenu par modelisation adaptative.
Production d'huile cumule 2 192 jours
Dans un premier temps, nous eIIectuons les simulations correspondant aux plans
dèxperiences classiques, soit un plan Iactoriel a 16 simulations et un plan composite centre a
25 simulations. Pour chaque plan, nous construisons deux types de modele, un modele
polynomial de degre un ou deux suivant le plan utilise et un modele composite constitue
dùne regression et dùn krigeage residuel. Les resultats pour les modeles de krigeage sont
presentes sur la Figure 7.17, pour respectivement, le plan Iactoriel (a) et le plan composite (b).
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

176
Nous ne procedons pas ici a un ajustement polynomial comme on le Iait classiquement avec
ce genre de dispositiI pour des experiences reelles.
Comme pour le cas Punq-S3 presente dans ce chapitre, nous comparons empiriquement
la qualite des ajustements ainsi obtenus avec celui que nous donne la modelisation adaptative.
Considerons tout dàbord la predictivite.
Erreur relative :
0.00797
Modle composite Plan Factoriel - 16 simulations
(a) (b)
Erreur relative :
0.00217
Modle composite Plan Composite - 25 simulations
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s

Figure 7.17 . Prediction du cumule dhuile par plans factoriel et composite
Comme nous pouvons le voir sur les graphes (a) et (b) de la Figure 7.17, les modeles de
krigeage universel pour les plans classiques sont de mauvaise qualite. Il nèst en eIIet pas
possible de predire de maniere precise le comportement de la production d`huile cumulee a
2 192 jours.
Si on considere làpproximation obtenue pour le plan Iactoriel a 16 simulations (a), il
est evident que ce modele nèst absolument pas predictiI, peu de points de prediction se
trouvent sur la premiere bissectrice, ils en sont generalement tres eloignes.
De mme, en considerant le plan composite centre a 25 simulations (b), on observe une
nette sous-estimation de la production d`huile cumulee.
Nous presentons, sur la Figure 7.18, lìmpact de ces deIauts dàjustement observes pour
les plans dèxperiences classiques sur les estimations de densite de probabilite de la reponse
CumOil. Les densites de probabilite sont obtenues par echantillonnage Monte-Carlo dùne loi
uniIorme entre -1 et 1 pour les quatre parametres. La taille de lèchantillon est de 10 000
points. Nous avons superpose, sur la Figure 7.18, les estimations de la reponse Cumoil issues
du plan complet a 1 296 simulations, des plans Iactoriel et composite et du plan provenant de
la modelisation adaptative.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

177
Cumoil
D
e
n
s
i
t
Plan Complet
Plan Factoriel
Plan Composite
Plan Adaptatif

Figure 7.18 . Densite de probabilite de Cumoil pour les differents dispositifs
experimentaux
Ainsi, nous constatons que la modelisation adaptative permet une amelioration tres nette
des resultats par rapport aux plans classiques, les quantiles P10, P50 et P90 etant bien plus
proches de ceux du plan complet 6
4
, considere ici comme reIerence. Les analyses de risque
issues de la modelisation adaptative seront donc beaucoup plus Iiables que celles issues des
plans classiques.
Voyons a present les resultats issus dùne modelisation a partir d`hypercubes latins.
Nous avons construit ici deux hypercubes latins de distance maximin comprenant 67
simulations, soit la mme taille que le plan issu de la modelisation adaptative. Nous
presentons les resultats sur la Figure 7.19.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

178
Erreur relative :
0.0008
Modle composite Hypercube Latin - 67 simulations
(a) (b)
Erreur relative :
0.0009
Modle composite Hypercube Latin - 67 simulations
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s

Figure 7.19 . Resultats de modelisation pour des hvpercubes latins
Ainsi, nous constatons que les approximations associees a un echantillonnage de type
hypercube latin ne permettent pas une bonne prediction, notamment pour les Iaibles valeurs
de la production d`huile cumulee a 2 192 jours. En eIIet, les valeurs minimales predites par
les modeles sont respectivement de 8.104 et 8.105 Mm
3
, alors que pour le plan complet le
minimum est de 8.08 Mm
3
. Il est evident ici que les valeurs de la reponse CumOil inIerieures
a 8.20 Mm
3
sont tres mal estimees, ce qui peut sàverer tres dommageable pour une prise de
decision.
Apres analyse des valeurs de parametres, nous constatons quùne Iorte valeur pour le
SKIN, soit un colmatage important autour du puit, engendre une Iaible production d`huile
cumule. Il nous semble donc particulierement important dètudier le risque induit pour de
grandes valeurs dèndommagement de la permeabilite aux abords des puits. Pour ce Iaire,
nous construisons un echantillonnage Monte-Carlo pour lequel les valeurs de parametres
SOW1, KRGM et KRWM sont issues dùn tirage dùne loi uniIorme entre -1 et 1 et nous
Iixons le parametre SKIN a 1, sa valeur maximale. Comme precedemment, la taille de
lèchantillon est de 10 000 points. Nous presentons sur la Figure 7.20, les densites de
probabilite obtenues respectivement par une modelisation basee sur les deux hypercubes latins
consideres, en bleu et vert, et par la modelisation adaptative, en rouge.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

179
Cumoil
D
e
n
s
i
t
Plan Complet
Hypercube 1
Hypercube 2
Plan Adaptatif

Figure 7.20 . Densite de probabilite de la reponse Cumoil pour les differents dispositifs
experimentaux
Nous observons que sìl y a un Iort endommagement de la permeabilite aux abords des
puits, les densites de probabilite obtenues par hypercubes latin de 67 points, donc sans recours
a la modelisation adaptative, sont tres eloignees de celle obtenue par le plan complet.
Lùtilisation de la modelisation adaptative donne des resultats beaucoup plus satisIaisants,
lèstimation des quantiles associes a la modelisation adaptative est bien plus Iiable dans la
procedure adaptative.
En Iait, lùtilisation d`hypercube latin ne permet pas un echantillonnage des Iaibles
valeurs de production, et par consequent ce type dèchantillonnage ne permet pas lòbtention
dùn modele predictiI et donc dùne analyse de risque precise.
De plus, la comparaison des densites obtenues pour les deux hypercubes latins de 67
points, soit les courbes bleue et verte, montre de grandes diIIerences, aussi bien pour
lèstimation de la valeur maximale de production quòn peut escompter, que pour la
production la plus probable. Ainsi, les quantiles P10, P50 et P90 ont des valeurs diIIerentes,
ce qui aboutit a des prises de decision diIIerentes suivant l`hypercube considere. Ainsi, il nèst
pas possible dàboutir de cette maniere a une quantiIication des incertitudes Iiable.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

180
Production d'eau cumule 2192 jours
Nous avons mene la mme etude pour la reponse CumWater. Nous presentons les
resultats dùne modelisation par regression polynomiale suivie dùn krigeage des residus
utilisant tout dàbord des plans dèxperiences classiques, soit un plan Iactoriel, un plan
composite centre et deux hypercubes latins. Ainsi, la Figure 7.21 represente les graphes de
prediction et de lèrreur relative aux 1 296 points de prediction pour respectivement un plan
Iactoriel (a) et un plan composite (b).
Modle composite Plan Factoriel - 16 simulations Modle composite Plan Composite - 25 simulations
Erreur relative :
2.368
(b)
Erreur relative :
0.529
(a)
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s

Figure 7.21 . Resultats de modelisation pour les plans factoriel et composites
Comme dans le cas de lèstimation de la production d`huile cumulee, nous constatons,
sur la Figure 7.21, que les approximations obtenues a làide dùn plan Iactoriel ou dùn plan
composite centre ne sont pas de bonne qualite predictive, ils nous donnent des previsions de
production tres peu Iiables. Nous remarquons egalement sur le graphe (b) quùn grand
nombre de predictions sont negatives, ce qui est impossible physiquement pour une
production cumulee.
Passons maintenant a la densite de CumWater obtenue, comme precedemment, par
echantillonnage Monte Carlo impliquant 10 000 points issus dùn tirage selon des lois
uniIormes sur chaque parametre.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

181
CumWater
D
e
n
s
i
t
Plan Complet
Plan Factoriel
Plan Composite
Plan Adaptatif

Figure 7.22 . Densite de probabilite pour les plans factoriel et composites et modelisation
adaptative
Dàpres la Figure 7.22, nous constatons que làpproximation du simulateur
dècoulement par le modele issu de la modelisation adaptative donne des resultats precis
quant a la densite de probabilite du cumule dèau. En eIIet, la densite de probabilite et donc
les quantiles associes sont tres proches de ceux obtenus par le plan complet 6
4
, ce qui nèst
pas le cas pour les plans Iactoriel et composite, pour lesquels lìncertitude reste tres
importante.
Ainsi, làpproximation par krigeage universel a partir de plans dèxperiences classiques
ne permet une analyse de risque eIIicace et Iiable, alors que la modelisation adaptative Iournit
des resultats tres satisIaisants.
Comme nous làvons Iait precedemment pour la reponse CumOil, voyons a present les
resultats de la modelisation de la reponse CumWater a partir de deux hypercubes latins
comprenant 68 simulations. Les resultats sont presentes sur la Figure 7.23.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

182
Erreur relative :
0.251
Erreur relative :
0.428
Modle composite Hypercube Latin - 68 simulations Modle composite Hypercube Latin - 68 simulations
(b) (a)
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s
Valeurs Estimes
V
a
l
e
u
r
s

S
i
m
u
l
e
s

Figure 7.23 . Resultats de modelisation pour des hvpercubes latins
Sàgissant de la predictivite, nous constatons la mauvaise qualite de làpproximation
issue d`hypercubes latins de mme taille que le nombre de simulations retenus pour la
modelisation adaptative. Les points de coordonnees (valeur estimee, valeur simulee) pour les
1 269 simulations eIIectuees sont tres eloignes de la premiere bissectrice. Ces deux modeles
aboutissent a une sous-estimation considerable de la production dèau, voire mme a des
productions negatives. Notons par ailleurs que la qualite de prediction est elle mme variable
dùn hypercube a làutre.
Les Iortes valeurs du cumule dèau a 2 192 jours correspondent a une Iaible valeur du
parametre ZOW1 et a une valeur de KRWM diIIerente de -1, cèst-a-dire a un contact
huile/eau situe a -3 092 m et une Iorte permeabilite relative maximale pour lèau. Etant donne
que ces parametres sont incertains et non-contrlables, il est important de voir lìmpact de la
mauvaise estimation des Iortes valeurs du cumule dèau sur les analyses de risques. Nous
nous plaons donc dans ce cas pour estimer les densites de probabilites pour respectivement le
modele issu de la modelisation adaptative, les deux hypercubes latins et enIin le plan complet
6
4
. Lèchantillonnage considere ici contient 10 000 points, la valeur du parametre ZOW1 est
constante et egale a -1, celle de SKIN et KRGM sont issues dùne loi uniIorme entre -1 et 1,
et enIin celle de KRWM provient dùn tirage uniIorme entre -0.8 et 1. Les resultats sont
presentes sur la Figure 7.24.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

183
CumWater
D
e
n
s
i
t
Plan Complet
Hypercube 1
Hypercube 2
Plan Adaptatif

Figure 7.24 . Densite de probabilite pour les hvpercubes latins et modelisation
adaptative
Encore une Iois, les resultats issus de la modelisation adaptative sont plus precis que
ceux provenant d`hypercubes latins. En eIIet, la densite de probabilite obtenue par cette
approche et donc les quantiles associes sont beaucoup plus proches de ceux obtenus avec le
plan complet que les resultats obtenus grce aux deux hypercubes latin de distance maximin.
7.2.5 Conclusion
Les resultats des etudes sur les reponses CumOil et CumWater ont permis de mettre en
evidence le Iait que la methode de modelisation adaptative nous donne des approximations
beaucoup plus precises que celles issues des techniques classiques dèchantillonnage et de
krigeage.
Il est evident que les analyses de risque sont dàutant plus Iiables que les
approximations sont de bonne qualite predictive. Par consequent, la construction dùn modele
approche du simulateur dècoulement par làpproche adaptative permet une meilleure
quantiIication des incertitudes et donc une estimation des risques plus precise pour aboutir, in
fine, a une meilleure prise de decision dans un contexte incertain.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

184
7.3 Conclusions
Dans ce chapitre, nous avons presente deux applications de lùtilisation de la
modelisation adaptative pour la construction dùn modele approche du simulateur
dècoulement en ingenierie petroliere. La construction de ce modele approche est en eIIet
necessaire a la realisation de quantiIication dìncertitude et dànalyse de risque a moindre
cot.
Ainsi, nous avons montre sur un cas synthetique Punq et un cas reel PBR que
lùtilisation de làpproche adaptative permet une plus grande precision et une meilleure
Iiabilite dans les prises de decision que celles obtenues par krigeage universel (ajustement
polynomial suivi dùn krigeage des residus) a partir de plans dèxperiences classiques ou
dèchantillonnage quasi Monte-Carlo classiques actuellement utilises en ingenierie de
reservoir.
De plus, la modelisation par hypercubes latins ne permet pas une quantiIication des
incertitudes Iiable, du Iait, entre autres, de la non-unicite de ce type de plans. EnIin, ne
connaissant pas a priori la taille du dispositiI a employer pour assurer une modelisation de
bonne qualite, lìntert dùne approche adaptative est dàutant plus grand.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

185
Chapitre 8
Bilan et Perspectives
Cette these est consacree a la planiIication et lànalyse statistique dèxperiences
simulees lorsque la reponse du simulateur nèst pas reguliere, cèst-a-dire approximable par
une Ionction polynomiale, sur un domaine experimental donne. Cette situation intervient
Irequemment en industrie petroliere, plus precisement dans la quantiIication des incertitudes
sur les reponses en production de reservoirs petroliers. Il Iaut ici prendre en compte la
dependance complexe, souvent Iortement non-reguliere, de ces reponses : ater-cut, cumule
d`huile, etc. par rapport aux parametres physiques : permeabilite, porosite, etc. Le probleme
consiste a construire un modele approche du modele numerique dècoulement qui soit le plus
predictiI possible, tout en contrlant le nombre de simulations numeriques dècoulement
requises pour calibrer ce modele approche.
La modelisation de reponses non-regulieres par surIaces de reponses est un probleme a
ce jour dùne grande diIIiculte, le nombre de simulations dècoulements envisageable est
reduit du Iait de leur cot. Làpproche actuellement privilegiee consiste a construire une
approximation par regression ou krigeage universel a partir dùn nombre reduit de simulations
eIIectuees dans des conditions Iixees a priori et organise selon un plan dèxperiences
classique (plan Iactoriel, plan composite centre, etc.) ou un echantillonnage quasi Monte-
Carlo usuel (hypercubes latins). Cette approche necessite une connaissance a priori du type
de dependance entre la reponse et les parametres et atteint ses limites lorsque que la reponse a
modeliser est complexe.
Làpproche de modelisation de reponses non-regulieres que nous presentons dans cette
these est novatrice, elle combine les avantages de lèchantillonnage quasi Monte-Carlo
(hypercubes latins), la methodologie statistique des plans dèxperiences et les techniques
geostatistiques dìnterpolation. Le caractere deterministe de la reponse etudiee justiIie en eIIet
le choix dùn interpolateur pour la modelisation de reponses non-regulieres. Ainsi, nous
proposons dans ces travaux lèmploi couple de techniques de regression et de krigeage des
residus pour approximer la reponse par interpolation dùn echantillon de reponses du
simulateur. Cette methode est equivalente a une methode dìnterpolation bayesienne.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

186
Le probleme de reduction du nombre de simulations justiIie une approche par plan
dèxperiences, et plus precisement par plans evolutiIs. Partant dùn plan initial, nous
proposons dàjouter iterativement de nouvelles simulations judicieusement choisies jusquà ce
que la qualite de prediction de làpproximation soit jugee satisIaisante. Le caractere evolutiI
de làpproche, permet de contrler le nombre de simulations a chaque iteration. Lìngenieur
peut decider a tout moment de stopper le processus et sacriIier un peu la precision de
làpproximation de la reponse. Cette Ilexibilite est un atout considerable par rapport aux
methodes classiques. En eIIet, pour des hypercubes latins ou des plans dèxperiences usuels
(Iactoriel ou composite centre), si la qualite de làpproximation nèst pas jugee satisIaisante,
làjout de nouvelles simulations entrane la perte des proprietes de ces plans.
Contrairement aux methodes classiques dàugmentation de dispositiI experimental qui
sont Iondees sur des criteres geometriques de repartition des simulations dans lèspace, nous
proposons dèchantillonner a priori les zones peu ou pas explorees, en tenant compte des
variations de la reponse et pas uniquement de celle des parametres. Ainsi, la simulation des
points extrmes et des points dìnIlexion de làpproximation courante permet une meilleure
caracterisation des non-regularites de la reponse. Quant aux zones non explorees par le
dispositiI experimental courant, elles sont traitees par lòptimisation et la simulation de points
pilotes, ceux-ci ayant pour but dàugmenter la qualite de predictivite de làpproximation. La
technique des points pilotes, introduite ici pour la construction de modeles approches est
originale et joue un rle majeur dans ces travaux. Elle donne de tres bons resultats, aussi bien
pour la caracterisation de points pour lesquels une simulation est necessaire parce
quìnIormative, que pour làugmentation de la predictivite de làpproximation par làjout
dìnIormation Iictive, cèst-a-dire sans realiser de simulations supplementaires. La validation
de cette approche de modelisation adaptative a ete realisee sur plusieurs Ionctions types a
deux, trois, quatre et cinq parametres. Dans tout les cas, la qualite predictive des modeles
obtenus par echantillonnage adaptatiI est de bien meilleure qualite comparee aux
approximations obtenues par krigeage universel a partir de plans dèxperiences classiques ou
d`hypercubes latins.
Le choix des criteres dàjout de points assure un echantillonnage speciIique et
inIormatiI et permet donc de reduire le nombre de simulations necessaire a lòbtention dùne
approximation de mme qualite que celle issue de la methode des plans classiques. Ce gain de
simulations est dàutant plus important que le nombre de parametres augmente. En eIIet,
dàpres les diIIerents exemples examines, le nombre de simulations requises semble
augmenter lineairement en Ionction du nombre de parametres pour lèchantillonnage
adaptatiI, alors quìl augmente apparemment de maniere quadratique, voire exponentielle
pour les plans classiques. Ceci est crucial dans notre approche, en particulier pour les
applications rencontrees en ingenierie de reservoir. En eIIet dans ce domaine, les lois simulees
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

187
dependent en general, de maniere non-reguliere dùn grand nombre de parametres de
simulation.
Nous avons ensuite monte la robustesse de la modelisation adaptative en traitant des
exemples rencontres en ingenierie de reservoir. Lùtilisation de la modelisation adaptative
pour la modelisation de la production de reservoir a hydrocarbures dans un contexte incertain
a permis une meilleure quantiIication des incertitudes et des risques associes a lìncertitude
sur certains parametres pour aboutir a une prise de decision plus rationnelle et moins risquee,
que ce soit en terme operationnel quèn terme de cots.
Une amelioration de la methode adaptative introduite ici pourrait tre obtenue par la
recherche systematique des sources de non-regularite liees aux parametres. En eIIet, une mise
en uvre eIIicace et perIormante de la modelisation adaptative necessite dèvaluer la
regularite ou la non-regularite de la reponse vis-a-vis de chaque parametre. Dans le but de
reduire le nombre de simulations necessaires a la construction dùn modele approche du
simulateur dècoulement, il est preIerable dèchantillonner plus intensement dans le sous-
domaine deIini par les parametres induisant les plus Iortes non-regularites.
Dàutres ameliorations de la procedure adaptative pourraient resulter dùne estimation
speciIique de la Ionction de covariance en des zones du domaine experimental. Ainsi,
l`hypothese de Iorte stationnarite serait aIIaiblie, par le Iait de traiter certaines zones de
lèspace experimental de maniere locale, en particulier pour les endroits ou il y a beaucoup de
simulations et ou il est donc pressenti de Iortes irregularites. On pourrait avoir recours a une
estimation de la structure de covariance par voisinages, par une modiIication locale de la
longueur de correlation lors du krigeage.
Par ailleurs, il serait interessant de tirer avantage dàutres operateurs de krigeage
proposes dans la bibliographie. Par exemple, lùtilisation dùn krigeage avec voisinages
glissants dans les zones Iortement echantillonnees du domaine experimental, devrait permettre
une modelisation moyenne locale. On pourrait aussi privilegier une regression globale et un
krigeage residuel lorsque le nombre dòbservations est Iaible.
EnIin, lèchantillonnage obtenu par modelisation adaptative est speciIique a la reponse
etudiee, et par consequent la prevision de plusieurs reponses demande lòptimisation dàutant
de dispositiIs experimentaux. Il serait donc interessant de considerer des reponses multiples
lors de la construction des plans dèxperiences evolutiIs.
Il nous apparat important de preciser que cette these sìntegre dans le projet Gestion
des Incertitudes en Exploration Production et a donne lieu au dept dùn brevet. Ce projet
de recherche a pour but de Iournir aux ingenieurs de reservoir des methodes basees sur un
Iormalisme statistique rigoureux, pour la prediction de reponses en production dans un
contexte incertain. LèIIicacite des methodes ainsi developpees est eprouvee dans le cadre
dùn projet collaboratiI, le consortium Cougar II, soutenu par six compagnies petrolieres :
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

188
Saudi Aramco, Gaz de France, Repsol-YPF, BHP-Billiton, Conoco-Phillips et Petrobras.
Ainsi, la methode adaptative introduite dans cette these doit tre integree sous Iorme dùn
module prototype au logiciel de quantiIication des incertitudes en ingenierie de reservoir :
Cougar
TM
.

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
1#$
Annexe A
Statistique Infrentielle
%ous proposons dans ce premier annexe quelques rappels relatifs aux mthodes de
statistique infrentielle9 %ous commen:ons par dfinir les principaux tests statistiques raliss
sur un modle de rgression9 Ils permettent de valider ce modle par un test de significativit,
de tester sa qualit destimation et de prdiction et enfin de dterminer les termes influents
lors dun test de Student9 Dans une deuxime partie, nous dcrivons la manire dobtenir un
estimateur par moindres carrs pondrs (MCG), puis en troisime partie une mthode
statistique permettant de dfinir le meilleur prdicteur linaire sans biais (ILKG)9 Enfin, la
quatrime partie est consacre M une description de plusieurs plans dexpriences,
particulirement ceux obtenus M partir dun critre statistique ou gomtrique9
A.1 Analyse du modle de rgression
Dans le deuxime chapitre, nous avons prcis quune tude de limpact des incertitudes
se traduisait par la construction dun modle approch et lutilisation de tests statistiques M
partir de ce modle9 %ous considrons ici que le modle est obtenu par rgression, cest-M-dire
que nous avons : Chapitre dPquation (Suivant) Section 1
! !" " ! " (A91)
avec :
# ! la matrice n p $ du modle9 Elle dpend M la fois du modle de rgression
et du dispositif exprimental,
# " le vecteur 1 n$ des observations de la rponse aux n points du dispositif
exprimental,
# ! le vecteur 1 n$ des rsidus aux n points du dispositif exprimental,
# " le vecteur 1 p$ des coefficients (paramtres) du modle,
# n le nombre dexprimentations et p le nombre de termes du modle (en
incluant la constante)9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
1$0
%ous allons M prsent prsenter plusieurs tests statistiques gnralement utiliss pour
quantifier lincertitude associe aux diffrents paramtres9 Ces mthodes sont bases sur
lanalyse des rsidus " "
T
# " % obtenus suite M lajustement du modle aux simulations9 Kne
description dtaille de ces diffrents tests sont prsents dans V#W et V11W9
A.1.1 Test de significativit de la rgression
Lobjectif de ce premier test est de dterminer sil y a bien une relation linaire entre la
rponse " et une partie des variables x
1
,X, x
n
9 Les deux hypothses M comparer pour ce test
sont les suivantes :
H
0
: !
1
!
2
. !
n
0,
H
1
: !
f
& 0 pour au moins un f9
Si lhypothse H
0
est rejete, alors au moins une des variables explique
significativement la variabilit observe sur la rponse " et donc le modle est valide9
La mise en place de ce test implique une partition de la somme du carr des carts des
observations M la moyenne, par la somme du carr des carts des estimations du modle M la
moyenne et la somme du carr des erreurs9 Ainsi, nous avons :
S
vv
Y SS
R
Z SS
E
avec :
# S
vv
la somme du carr des carts des observations M la moyenne : ' (
[
1
)
"
# "
n
i
i v
Y Y SS
qui est suppose reprsenter la variabilit totale de la rponse,
# SS
R
la somme du carr des carts des estimations du modle M la moyenne :
' (
[
1
)
"
# "
n
i
i R
Y Y
SS qui reprsente la variabilit explique par le modle,

# SS
E
la somme du carr des carts qui est suppose \tre la variabilit non explique
par le modle de rgression,
# Y lestimation de la moyenne de la rponse donne par :
)
"
"
n
i
i
Y
n
Y
1
1
9
Sous lhypothse H
0
, la statistique
E
R
E
R
MS
MS
n p SS
p SS
F "
#
#
"
) ](
) 1 ](
0
(A9[)
est une variable de îscher avec p-1 et n-p degrs de libert9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
1$1
La probabilit * de choisir H
1
alors que H
0
est vraie est fixe par lutilisateur (en gnral
_`), elle est compare M la probabilit correspondant M F
0
obtenue par les tables de îscher9 Si
cette probabilit est infrieure au seuil *, alors H
0
est rejete et le modle de rgression est
significatif9
Cette procdure est souvent appele analyse de variance9 Lanalyse de la variance a
pour but de calculer des statistiques permettant une meilleure comprhension de la qualit du
modle9
A.1.2 Coefficients de qualit du modle
+ %ualit dajustement du modle
Kne mesure de la qualit de lajustement dun modle de rgression est donne par le
coefficient de dtermination :
vv
E
vv
R
S
SS
S
SS
R # " " 1
[
(A9a)
R
[
est une mesure du pourcentage de variabilit observe sur une rponse " et explique
par les variables x
1
,X, x
n
9 Malheureusement, R
[
dpend fortement du modle, spcialement
lorsque le nombre de termes du modle varie9 Gar exemple, R
[
croit automatiquement lorsque
lon ajoute des termes au modle, m\me si ces termes ne sont pas significatifs9 Gour viter ce
problme, nous pouvons construire un coefficient de dtermination ajust donn par :
) 1 ](
) ](
1
[
#
#
# "
n S
p n SS
R
vv
E
adf
(A9b)
Ces deux coefficients donnent un estimateur de la qualit dajustement du modle,
cest-M-dire la manire dont le modle de rgression approxime la rponse aux points
exprimentaux9 Gar exemple, une valeur proche de un indique un ajustement aux donnes de
bonne qualit, alors quune faible valeur montre que le modle nest pas adquat puisquil ne
permet m\me pas la restitution des valeurs simules9
Mais, le modle de rgression ne doit pas seulement bien ajuster les donnes, il doit
aussi prdire la rponse " de manire prcise sur lensemble du domaine9 Kn modle de
bonne qualit en terme dajustement nest pas forcment un bon prdicteur9 Gar exemple, les
modles saturs (modles qui ont autant de termes quil y a dexprimentations) ajustent
parfaitement les observations de la rponse (R
[
Y 1) mais sont en gnral de trs mauvais
prdicteurs9 De ce fait, une nouvelle statistique doit \tre construite pour estimer la qualit de
prdiction du modle9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
1$[
+ %ualit de prdiction du modle
Il est intressant de voir comment le modle peut prdire la i
me
donne si celle-ci est
enleve lors de lestimation du modle9 La diffrence entre Y
i
et la valeur estime
) (
T
i
Y est
appele rsidus de prdiction au point x
i
V#W et V11W9
Lestimation du pouvoir de prdiction du modle est base sur le calcul de la somme du
carr des erreurs de prdiction (note PRESS)9 Le principe consiste M slectionner une
observation i et M la supprimer puis ajuster un modle de rgression par rapport aux n-1
donnes restantes9 Ensuite, ce modle va permettre de prdire la rponse
) (
T
i
Y et de calculer
lerreur de prdiction
( ) i
e pour lobservation i9 Cette procdure est rpte pour chaque
observation et donne la statistique suivante :
[
[
1 1
n n
( i ) i ( i )
i i
PRESS e Y Y
" "
, -
" " #
. /
) )
(A9_)
oc
) (
T
i
Y est la valeur estime par le modle pour la i
me
observation9
Le coefficient PRESS est alors utilis pour calculer une approximation de R
[
pour la
prdiction, souvent not Q
2
:
[
1
vv
PRESS
Q
S
" # (A9d)
Les modles ayant un coefficient Q
2
proche de un, sont meilleurs que ceux ayant une
faible valeur de Q
2
9 Il est tentant de penser que cette mesure est plus valide que le coefficient
de dtermination parce que ce coefficient est dtermin M partir de valeurs non prsentes lors
de lajustement du modle, et par consquent donne une information sur le pouvoir prdictif
du modle9
A.1.3 Amlioration du modle : Test de Student
Il est M prsent intressant de tester la significativit de chaque terme du modle9 Les
hypothses pour tester la significativit des coefficients !
f
sont :
H
0
: !
f
0
H
1
: !
f
& 0
Si est H
0
rejete, alors le terme en x
f
est significatif et peut \tre maintenu dans le
modle9 Sinon, ce terme est supprim du modle9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
1$a
Sous lhypothse H
0
, la statistique
0
[
T
f
ff
t
C
0
1
" est une variable de Student avec n-p-1
degrs de libert9 %otons que le terme C
ff
est le f
me
lment de la diagonale' (
1 #
XX
t
9 Il suffit
de chercher la probabilit correspondant M t
0
dans les tables de la loi de Student9 Si cette
probabilit est infrieure M la valeur *][ alors H
0
est rejete et le terme x
f
nest pas supprim
du modle9
Ce test doit \tre utilis avec prcaution car le rsultat dpend de la prsence des autres
termes dans le modle9 En effet, supprimer un terme du modle peut changer les rsultats pour
les autres termes9 Ainsi, ce test doit \tre ralis squentiellement, en enlevant un terme aprs
lautre et en suivant lvolution des qualits de lapproximation9
A.2 Ajustement par moindres carrs pondrs
Glus gnralement que pour lajustement par moindres carrs ordinaires, nous
supposons que les erreurs soient corrles VaeW, cest-M-dire que :
% " ! " !" , (A9e)
avec :
19 ! la matrice de rgression du modle,
[9 " le vecteur des paramtres du modle,
a9 % le vecteur des erreurs tels que : E(%) Y 0 et Cov(%) Y
[
1 R oc R est
une matrice dfinie positive9
Soit % linverse gnralis de R, cest M dire que %
-1
R
t
%
-1
YI9 Au lieu danalyser le
modle (A9e), nous considrons le modle quivalent :
! % !" % " %
1 1 1 # # #
! " (A9#)
Gour ce modle (A9#), nous avons :
E(%
-1
%) Y 0 et Cov(%
-1
%) Y
[
1 %
-1
R
t
%
-1
Y I9
Ce modle transform satisfait donc les hypothses du modle (a9a) dfini pour une
estimation par moindres carrs ordinaires que lon a prsent au chapitre a9
Gar le m\me raisonnement que celui appliqu dans le cadre dune rgression par
moindres carrs ordinaires, "
est un estimateur de " par moindres carrs pondrs si et

seulement si il minimise lquation :
' (' ( ' ( ' (
1 1 1 1 1 1
t
t
t
L
# # # # # #
" # # " # # % " % !" % " % !" " !" % % " !"
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
1$b
fr, nous savons que
1 1 t # #
" % R % I donc
1 1 1 t # # #
" R % % et par consquent :
' ( ' (
1
t
L
#
" # # " !" R " !" (A9$)
En fait, lestimateur de " qui minimise cette fonction est appel estimateur des
moindres carrs pondrs parce quau lieu de minimiser le carr de la distance entre " et !" ,
il minimise le carr de la distance pondre9 Les poids sont dtermins par linverse de la
matrice de corrlation entre les erreurs : R
-1
9
Comme pour lajustement par moindres carrs pondrs, nous cherchons " ! "

" tel
que lquation (A9$) soit minimale, ce qui revient M chercher le projet R
-1
orthogonal de " sur
Im(!)9 Ainsi, par dfinition de ce projecteur, nous avons :
" ! " !R ! !R ! "

) (
t t
" "
# # # 1 1 1
(A910)
Les diffrentes proprits de cet estimateur de " par moindres carrs pondrs sont
prsentes dans le thorme de gauss-Markov9 fn trouve, par exemple, une dmonstration de
ce thorme dans V#W9
Thorme de Gauss Markov:
# "
est lestimateur des moindres carrs pondrs de " si et seulement si :

" !R ! !R "
1 1 1
) (
T
# # #
"
t t
(A911)
# Si % : N(;,
[
1 R), alors, lestimateur obtenu par moindres carrs est un
estimateur sans biais qui est une combinaison linaire des Y
i
9 %ous parlons souvent, pour
qualifier les estimateur type moindres carrs de meilleur estimateur linaire sans biais
(ILKG) oc meilleur implique de variance minimale9 Cest aussi lestimateur du maximum
de vraisemblance de " 9
%ous prsentons M prsent une mthode statistique pour la construction dun
interpolateur de la rponse Y , qui soit le meilleur estimateur linaire sans biais (ILKG)9
A.3 Estimateur BLUP
%ous considrons initialement le problme gnral de prdiction dune variable
alatoire arbitraire Y
0
base sur les donnes "

Y
t
(Y(x
1
)
,X,
Y(x
n
))9 Comme les variables Y
0
et "
sont des quantits dpendantes, il semble naturel que " contienne des informations sur Y
0
et
donc que les prdicteurs de Y
0
dpendent de la distribution jointe de Y
0
et " V_eW9
Si on considre que le prdicteur recherch est donn par la formule :
) ( ) ( ) ( ) ( ) (
1
x " x ! x x x Z Z f Y
t
p
f
f f
! " ! "
)
"
0 (A91[)
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
1$_
alors, la distribution jointe de Y
0
Y Y(x
0
) et " Y
t
(Y(x
1
)
,X,
Y(x
n
)) est la loi normale multivarie :
2
2
/
-
3
3
.
,
4
4
5
6
7
7
8
9
4
4
5
6
7
7
8
9
4
4
5
6
7
7
8
9
!
R r
r
"
!
!
"
0
0 [ 0
1
0
1
, ~ 1
t
n
N
Y
,
oc !
0
Y f(x
0
) est le vecteur p$1 des fonctions de rgression pour Y(x
0
), ! est la matrice
n$p de rgression dont lPlment (i,f) est f
f
(x
i
) pour 1 : i : n et 1 : f : p, " est le vecteur n$p
des coefficients inconnus de la rgression et r
0
est le vecteur n$1
)) ( , ), ( (
0 1 0 0 n
t
R R x x x x r # # " ! et R est la matrice n$n des corrlations entre les observations
" : )) ( R (
f i
x x R # " 9
Supposons que la matrice ! soit de rang maximum p et que R est dfinie positive, alors
on peut montrer que : ; < "
0 0
T
Y E Y " et donc :
)
T
(
T
1
0 0 0
" ! " R r " ! # ! "
# t t
Y (A91a)
est le meilleur prdicteur MGSE (Mean Squared Gredictor Error) de Y
0
V_eW9

Iien sjr, ce prdicteur dpend de lestimateur "
T
de " , celui-ci est obtenu par la
mthode des moindres carrs ordinaires ou pondrs, il est donn par (A911) :
" !R ! !R "
1 1 1
) (
T
# # #
"
t t

De plus, la construction de ce prdicteur
Y impose un critre classique de la prdiction,

il est linaire et sans biais, doc sa popularit V_1W9
Le terme correcteur de la moyenne est, daprs (A91a), )
T
(
1
0
" ! " R r #
# t
, qui est une
combinaison linaire des rsidus " ! "
T
# , dont les coefficients de prdiction aux points
spcifiques sont les suivants :
' (
i
n
i
i
t
c
)
"
#
# " #
1
0
1
0
T
) ( )
T
( " ! " x " ! " R r
oc le poids c
i
(x
0
) est le i
me
lment de
1
0
#
R r
t
et
i
)
T
( " ! " # est le i
me
rsidu9
Remarque : Lafout de ce terme de correction force le predicteur ) (
T
0
x Y a interpoler les
donnees. Ainsi, supposons que x
0
x
i
pour un i fixe tel que 1 : i : n. Alors, ) (
0 i
t
f x ! " et
' ( ) ( , ), (
1 0 n i i
t
R R x x x x r # # " ! qui est la i
eme
colonne de la matrice R. Ainsi,
i
T t
e R r " "
#
) 0 , , 0 , 1 , 0 , , 0 (
1
0
! ! , qui est le i
eme
vecteur unite parce que son produit est la i
eme

colonne de
n
I R R "
#1
, matrice identite. Ainsi, " x " ! " e " ! " R r
T
) ( )
T
( )
T
(
1
0 i
t
i i
t t
f Y # " # " #
#
et
donc
' (
T T T
( ) ( ) ( )
t t
i i i i i
Y Y Y " ! # " x f x " f x " et nous observons bien les donnees.
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
1$d
La stratgie employe pour prdire Y(x
0
) est donne par la formule (A91a)9 fr, nous ne
connaissons pas la valeur et la nature de la fonction de corrlation du processus rsiduel Z9 Gar
consquent, lutilisation de la formule prcdente passe par une estimation de la structure de
covariance9 Ainsi, nous avons :
' ( " ! " R r " ! x
;
T T
T
T T
) (
T
1
0 0 0
# ! = "
# t t
Y Y (A91b)
avec, dune part ' ( " R ! ! R ! "
1
1
1 #
#
#
"
T T T
t t
, lestimateur de gauss-Markov de " et
dautre part, R
T
et
0
T r dtermins par un estimateur de la fonction de corrlation R(9)9 De tels
prdicteurs sont appels EILKG (Empirical Iest Linear Knbiased Gredictors) de Y(x
0
) malgr
le fait quils ne sont gnralement pas linaires avec la rponse " V_1W9 Diffrents EILKG
correspondent M diffrents estimateurs de R(9)9
A.4 Plans dexpriences
Cette partie traite des diffrents dispositifs exprimentaux possibles pour modliser la
tendance de la rponse M moindre cojt9 %ous dcrivons, sans prtendre \tre exhaustif,
plusieurs types de plans dexpriences, peu cojteux et particulirement adapts M la
modlisation dune rponse potentiellement non-rgulire aux paramtres9
La thorie des plans dexpriences a largement t tudie, principalement dans le cas
dexprimentations relles (i9e9 non reproductible)9 Les spcificits des expriences simules
ont toutefois t tudies lors des dernires annes Va#W, V_aW, V_bW et Vd_W9 Comme il sagit ici
dexprimentations simules dterministes (absence de bruit), il ny a pas de gain
dinformation lorsque deux simulations sont rptes9 Gar consquent, les mthodes
classiques consistant M rpter plusieurs fois les m\mes essais pour rduire la variabilit ou la
stabiliser ne sont pas pertinentes9 De plus, les plans classiques ont des proprits de symtrie
qui sont intressantes dans le cas dexpriences relles, mais qui napportent rien pour des
expriences dterministes V_aW9 Ainsi, pour les expriences simules, il est judicieux de
sintresser M toutes les parties de la rgion de manire quiprobable9 %ous axons notre
prsentation sur deux grandes classes de plans :
- les plans optimisant un critre statistique (tel que la D-optimalit, la IMSE,
lentropie)
- les plans optimisant un critre gomtrique (plans bass sur la distance entre les
points)
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
1$e
A.4.1 Construction de plans bass sur un critre statistique d'optimalit
La premire grande classe de dispositifs exprimentaux dont nous allons parler ici est la
classe de plans construits M partir dun critre statistique doptimalit9 Kn grand nombre de
critres ont t prsents dans la bibliographie, nous donnerons ici les plus utiliss9
%ous allons prsenter les diffrents critres, donner leur dfinition, les avantages et
inconvnients de chacun9
Le critre doptimalit le plus couramment utilis pour les plans dexpriences est le
critre de D-optimalit VdbW9
+ D-optimalit
Le critre de D-optimalit a t tabli par l9 Kiefer en 1$d19 Ce critre est fond sur le
calcul du dterminant de la matrice de variance-covariance associe au modle9 Cette matrice
est gale M !
t
! oc !

est la matrice du modle, soit, pour un polynnme du premier ordre :
2
2
2
/
-
3
3
3
.
,
"
np p
p
x x
x x
" "
# # #
" "
1
1 11
1
1
! (A91_)
oc p est le nombre de paramtres du modle9
Kiefer a montr quun plan continu qui maximise det(!
t
!), minimise aussi la variance
gnralise de chaque valeur prdite (obtenue en utilisant la fonction de rgression) dans
lespace exprimental9 Cest M partir de cette constatation quil a propos le critre de D-
optimalit9
Dfinition : Un plan est D-optimal (D pour determinant ) si, et seulement si, il
minimise la fonction
' (
' (
1
det
t
#
! ! ou, ce qui est equivalent, maximise
' (
det
t
! ! ou !
represente la matrice du modele pour le dispositif experimental (A91_).
La principale caractristique dun plan D-optimal est quil permet de minimiser la
variance gnralise des estimations des paramtres et par consquent dobtenir une rgion de
confiance pour les paramtres de volume le plus petit possible dans lespace des paramtres9
VdbW9 De ce fait, ce critre doptimalit a tendance M favoriser la localisation des
exprimentations sur les frontires du domaine9
Le critre de D-optimalit est certainement celui le plus utilis dans le cadre des
expriences simules aprs les plans dit classiques (orthogonaux)9 Il existe cependant dautres
critres doptimalit, tels que la g-optimalit ou la A-optimalit9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
1$#
# Kn plan est dit g-optimal si, et seulement si, la plus grande variance destimation
sur lensemble des essais possibles du domaine exprimental est minimale, cest-M-
dire sil minimise :
; <
1
Max , ( )
t t
i i
i
#
> ! !! !
# Kn plan est A-optimal (A comme o Average ) sil minimise la trace de
' (
1
t
#
!!
Mais ces critres ne possdent pas une proprit trs importante du critre doptimalit
D : linvariance par transformation linaire des facteurs et interactions (ou relations de
centrage)9 En dautres termes, quelque soit la transformation linaire effectue sur les
paramtres, le plan considr reste D-optimal9
Lutilisation de plan optimaux reste conditionne M une forme de modle donn, le plan
tant optimal pour une matrice ! fixe9 Dans notre optique, M savoir une augmentation
adaptative du dispositif exprimental, les plans optimaux ne semblent donc pas \tre trs
adapts9
+ Entropie
Kn autre critre statistique, propos par Lindley en 1$_d, est souvent utilis : la
maximisation de lentropie9 Shepry q Wynn VdaW appliquent ce critre pour lajustement de
donnes spatiales, Currin et al9 V1bW et Mitchell q Scott VadW sen servent pour slectionner
des points lors dexprimentations simules9
Lentropie est une mesure de limprvisibilit dune variable alatoire, cest aussi une
mesure de luniformit et de la dispersion de la variable alatoire9 Les plans dentropie
maximale ont pour objectif de maximiser la quantit dinformation apporte par les
exprimentations9
Dfinition : Soit Z une variable aleatoire continue de densite f(x). Alors, lentropie de la
variable Z est definie par .
' ( ' ( ' ( ' ( ' (
( ) E ln( ln( Ent Z f Z f : f : d: " # "
?

Suivant la distribution de la variable, il existe un grand nombre dentropies diffrentes9
Dans le cas particulier dun processus gaussien Z, Currin et al9 V1bW ont montr que lentropie
de Z est gale M :
' ( ' ( ' ( ' (
ln det cov Ent Z Z cte " !
Gar consquent, dans ce cas prcis, un plan D est dentropie maximale si et seulement si
il maximise la fonction ' ( det
D
R oc
D
R est la matrice de corrlation du processus Z aux
points du plan dexpriences D9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
1$$
%otons que la quantit dinformation dun plan, et particulirement lentropie, est une
fonction de la corrlation du processus Z9 fn peut qualifier lentropie de o mesure de
linformation s9
La construction de ce type de plan reste cependant dlicate puisquelle dpend
dlments inconnus, les paramtres de la matrice de corrlation
D
R , qui sont M estimer et
sont difficilement estimables9 De plus, les plans dentropie maximale sont onreux M
construire parce quils demandent une optimisation M n p $ dimension pour un plan M n
simulations9
+ IMSE (Integrated Mean Squared Error)
Enfin, le dernier critre statistique cit dans ce paragraphe est propos par Iox et
Draper en 1$_$9 Il a pour but de minimiser lerreur quadratique moyenne intgre (IMSE) de
' (
T
Y x dans lespace V0,1W
p
9 Ce critre semble particulirement bien adapt M notre cas, car
pour des expriences simules, il ny a pas derreurs de mesures9 Gar consquent, notre
objectif est de trouver un plan qui minimise lerreur dajustement, cest-M-dire la diffrence
entre la rponse du simulateur dcoulement et la valeur prdite par le modle, sans se
proccuper de la variance destimation9
Gour les expriences simules, les plans construits M partir du critre de IMSE sont
prsents en dtail par Sacks et al9 V__W9 %ous donnons ici la dfinition de ce type de plans
dexpriences9
Dfinition : Pour une valeur du coefficient de correlation " fixee, un plan D est un plan
de IMSE minimale sil minimise la fonction obfectif suivante .
[
[
V0,1W
1
T
( ) ( ) ( )
p
J D E Y Y d
@ @
1
, -
" #
. /
?
x x x
ou "
represente le meilleur estimateur lineaire sans biais de Y.

Remarque : Il est possible dinclure une fonction de poids dans lintegrale de lerreur
quadratique movenne.
Ce critre implique que le modle et la longueur de corrlation # du processus rsiduel
Z soient connus9 Comme pour le critre dentropie, la minimisation de ) D ( J
@
est une
optimisation M n p $ dimensions9 Sacks et al9 V__W proposent une optimisation de Quasi-
%epton, mais celle-ci est trs longue en temps de calcul9 De plus, du fait des nombreux
minima locaux, plusieurs donnes initiales sont ncessaires pour obtenir un rsultat
doptimisation fiable9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[00
%otons quune alternative au critre IMSE est dutiliser le critre MMSE (Maximum
Mean Squared Error)9 Au lieu dintgrer la MSE (Mean Squared Error) de prdiction, la
MMSE est un critre minimax qui choisit le plan qui minimise la fonction :
T
max MSE ( )
D
Y
A
, -
. /
x
x 9
Ce critre est plus simple M mettre en place car ne ncessite pas dintgration M plusieurs
dimensions9 Kne comparaison entre les critres IMSE et MMSE est prsente par Sacks q
Schiller V_aW9
A.4.2 Les Space Filling Designs
Glusieurs critres, bass sur des notions gomtriques ont t introduits pour construire
des plans dits o space-filling designs s9 %ous prsentons dans ce paragraphe quatre mthodes
de slection de points dans la rgion exprimentale pour la construction de tels dispositifs9
Dans un premier temps, nous voquons des plans construits M partir dune mesure de
distance entre les points, ce qui permet de ne pas avoir deux points trop proches dans le
domaine exprimental9 Ensuite, nous considrons deux types de plans construits M partir de
mthodes dchantillonnages du domaine exprimental, contraintes M des proprits de
projection spcifiques9 Kne autre possibilit de construction de plan est de slectionner les
points se rapprochant le plus possible de luniformit9
+ Les plans de distance maximin et minimax
utant donn que la fonction de corrlation du processus rsiduel est stationnaire, nous
pouvons lcrire sous la forme :
' ( ' ( ' (
, , R x u g d x u "
oc g est une fonction dfinie sur IR et d(9,9) une distance9
Gar consquent, seuls les points les plus proches deux M deux contribuent de fa:on
significative au dterminant de la matrice de corrlation9 Lide est donc de trouver un plan
tel que la distance minimale entre deux points soit la plus grande possible9 Cest ce quon
appelle la distance maximin9 En 1$$0, lohnson et al9 V[bW proposent lutilisation de plans de
distance minimax et maximin pour les expriences simules9
Dfinitions : Soit d(9,9) une distance (en general distance rectangulaire ou euclidienne)
et T un echantillon de points.
Un plan maximin D est un plan qui maximise la distance minimale entre deux points .
) ' , ( min ) ' , ( min max
' , ' ,
s s d s s d
D s s D s s D B A A
"
Un plan minimax D* est un plan qui minimise la distance maximale entre deux points .
*) , ( max ) ' , ( max min D s d s s d
T t T t D A A
"
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[01
Les plans de distance maximin sont beaucoup plus connus que ceux de distance
minimax, principalement pour des raisons de construction9 Le principal avantage des plans
maximin est quils imposent une distance minimale entre deux points du plan, il ny a donc
pas de vones oc plusieurs points sont trs proches9 Les points sont relativement distants les
uns des autres9 En fait, dans le cas dune distance euclidienne (on considre des sphre de
rayon r autour de chaque points), lide est de remplir lespace exprimental avec des points
et les sphres associes, tout en maximisant le rayon de la sphre9 Les sphres peuvent sortir
du domaine, mais pas les points9 La construction de ce type de plan est illustre sur la îgure
A919

Figure A.1 . Plan maximin pour la distance euclidienne pour n 7 points dans V-1,1W
2

Malgr le fait que ces points sont relativement bien rpartis dans lespace des
paramtres, nous voyons sur la îgure A91 quils ont tendance M rester souvent concentrs aux
frontires de la rgion exprimentale9
De plus, de tels plans ont des caractristiques asymptotiques optimales9 En effet,
lohnson et al9 V[bW ont montr lquivalence entre la D-optimalit et les plans maximin pour
de petites corrlations9 Ils ont aussi montr que si la corrlation est une fonction dcroissante
de la distance (par exemple une corrlation gaussienne), alors un plan dentropie maximale
est, dans un certain sens, un cas limite des plans de distance maximin, i9e9 pour IR
k
quand k
tend vers linfini9
Gar contre, linconvnient de ces plans et que, particulirement dans une rgion
hypercubique, ils ne sont pas bien reprsents lorsquon fait une projection sur une plus petite
dimension de lespace du plan9 Ils dpendent aussi de la fonction de corrlation mais
seulement au travers de la distance utilise, la connaissance du paramtre de corrlation @
nest donc pas ncessaire9 De plus, ils souvent trs longs et difficiles M construire, si une
slection de points na pas t tablie au pralable9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[0[
Gassons M prsent aux plans dexpriences qui sont certainement les plus connus et les
plus utiliss dans le contexte dexpriences simules : les hypercubes latins9
+ Les hypercubes latins
En 1$e$, McKay, Ieckman et Conover Va_W ont t les premiers M considrer les plans
dexpriences pour des expriences dterministes9 Ils utilisent alors des hypercubes latins9
Cette mthode a t mise en place pour gagner en prcision par rapport aux tirages alatoires
ou stratifis afin destimer la moyenne, la variance et la fonction de la distribution dune
rponse9 Les hypercubes latins sont devenus populaires en ingnierie M partir du moment oc
ils ont t utiliss pour la planification et lanalyse dexpriences simules par Sacks et al9
V__W9
Dfinition : Un hvpercube latin est une matrice de n lignes et k colonnes ou n est le
nombre de niveaux examines et k est le nombre de variables dentrees. Chacune des k
colonnes contient les niveaux 1,2,.,n permutes aleatoirement et les k colonnes sont disposees
aleatoirement pour former lhvpercube latin.
Plus generalement, le tableau P(p
if
) dordre n$ k a valeurs dans (Z/n) est un
hvpercube latin si quelque soit J, [J[1 toutes les cellules de la J-marge sont representees une
fois chacune par les lignes de P.
Les hypercubes latins assurent que chaque niveau des paramtres soit reprsent une
seule fois sur chaque marge et par consquent, ils permettent davoir des exprimentations
non concentres sur les bords du domaine exprimental9
Les plans bases sur lchantillonnage type hypercubes latins ont trs connus et utiliss
dans le cas des expriences simules parce quils ont trois grandes qualits9 La premire
qualit de ces plans est quils permettent gnralement de remplir au mieux le domaine
exprimental, ils vont donc \tre utile pour dtecter les irrgularits de la surface9 De plus, ils
sont trs faciles et rapides M construire, m\me pour un nombre lev de facteurs et enfin, tous
les niveaux de chaque facteur sont reprsents une unique fois9
Gar contre, pour un nombre donn N dexprimentations et p paramtres, il existe (Nw)
p

possibilits de construction dun hypercubes latins et par consquent, les rsultats de la
modlisation sont trs variables suivant le plan considr9 Gar exemple, la îgure A9[ montre
un exemple de deux Hypercubes Latin obtenus pour deux paramtres et neuf
exprimentations9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[0a

Figure A.2 . Hvpercubes latins pour 2 parametres - 9 experimentations
+ Les tableaux orthogonaux
Kne extension les hypercubes latins est donne par les tableaux orthogonaux9 Kn
hypercubes latins impose aux points dchantillonnage des contraintes sur les marges de
dimension un9 Cette fois, on tient compte des projections des points du plan sur des espaces
de plus faible dimension9 Ces plans sont prsents dans la bibliographie comme appropris
aux expriences simules Vb[W9
Dfinition : Soit T un tableau dordre N$d a elements dans (Z/q). T est un tableau
orthogonal de force t, d t : : 1 a q svmboles et dindex C si et seulement si dans tout bloc
forme de t colonnes de T, tous les elements de (Z/q)
t
figurent un mme nombre de fois C
chacun. On le note OA
C
(N,d,q,t) ou NCq
t
.
Remarque : Un hvpercube latin est un tableau orthogonal de force un.
Le principal avantage des plans orthogonaux est lorthogonalit des colonnes9 Cette
caractristique va permettre une meilleure estimation des effets simples du modle et des
interactions jusquM lordre C-1, ceux-ci seront indpendants9 Ceci est principalement
intressant pour les analyses de sensibilit9
De plus amples dtails sont donns par Wu et Hadama VeaW9
En 1$$1, Tang VdeW propose lutilisation de tableaux orthogonaux pour la construction
dhypercubes latins9 Ce sont les tableaux orthogonaux les plus utiliss dans le cas
dexpriences simules9 Ces plans contiennent q
[
exprimentations et deviennent des tableaux
orthogonaux de force deux aprs regroupement des observations9 Ceci permet une
amlioration des proprits des hypercubes latins, du fait de luniformit de la projection sur
les marges de dimensions infrieure M t9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[0b
Le principal inconvnient de ce type de plan est que le nombre dexprimentations du
tableau orthogonal nest pas compltement libre (NCq
t
)9 Ils sont gnralement beaucoup plus
cojteux que les autres plans cits ici, surtout pour de grandes dimensions9
%otons que ces hypercubes latins, construits M partir de tableaux orthogonaux, sont trs
proches des travaux issus des mthodes de quasi-Monte Carlo9 Mais cette mthode dispose
dun avantage supplmentaire que celle de quasi-Monte Carlo parce quelle prend en compte
les marges de plus faible dimensions et donc assurent luniformit des projections sur chaque
marge9
%ous prsentons M prsent des plans issus de mthodes de quasi-Monte Carlo, aussi
appels plans de discrpance minimale9
+ Les plans de discrpance minimale
La mthode que nous prsentons ici consiste M comparer la distribution des points dun
plan dexpriences P M la distribution uniforme, pour cela la notion de discrpance est
ncessaire9
La discrpance dun plan P mesure lampleur M laquelle le plan diffre dune
distribution compltement uniforme9 Les plans de faible discrpance sont considrs comme
o plus uniforme s que les plans de grande discrpance9 Gar plan uniforme, nous considrons
un plan dont les points sont uniformment disperss dans le domaine V[[W9
Dfinition : Soit D lespace dans lequel x peut prendre ses valeurs. La mesure de
discrepance D
p
est definie par .
1]
( ) ( ) ( )
p
p
p n
D
D P F x F x dx
, -
" #
3 2
. /
?

ou ( )
n
F x est la distribution empirique des points de P, soit .
; <
1
1
( )
n
n i
i
F x I X x
n
"
" :
)

La mesure de discrepance la plus populaire est obtenue pour p " D, elle vaut .
( ) sup ( ) ( )
n
x D
D P F x F x
D
A
" #
Lutilisation de la discrpance peut \tre envisage pour gnrer des squences de points
uniformment distribues dans le contexte de mthodes de quasi-Monte Carlo9 Les mthodes
de type quasi-Monte Carlo sont des versions dterministes des mthodes de Monte Carlo pour
lesquelles les nombres alatoires sont remplacs par des nombres dterministes qui forment
des ensembles ou des suites M faible discrpance, celle-ci ayant une meilleure distribution
uniforme9 Les suites de quasi-Monte-Carlo ou suites M faible discrpance, permettant de
choisir de manire efficace la position des points parmi un espace de points possibles9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[0_
fn peut utiliser plusieurs types de discrpance qui donnent luniformit, celles-ci
aboutissent M plusieurs constructions de plans diffrentes9 Suivant les mthodes, les plans
obtenus sont plus ou moins orthogonaux9
Linconvnient ici est la discrpance est trs dlicate M valuer pour de grandes
dimensions et nous navons aucun a priori pour choisir un type de discrpance plutnt quun
autre9
A.4.3 Combinaison de plusieurs critres
Aucun de ces critres, statistique ou gomtrique, nest compltement satisfaisant pour
slectionner un plan, m\me sils produisent des plans ayant des proprits attractives9 Gour
certains, les cojts de construction sont normes quand le nombre de variables augmente et les
dispositifs sont trs difficiles et longs M construire9 De plus, certains critres demandent des
connaissances a priori sur la forme du modle, ce qui nest pas le cas en ingnierie de
rservoir99 Du fait de la bonne rpartition spatiale des exprimentations, lutilisation de plans
o space-filling design s semble \tre approprie parce que ces plans permettent de dterminer
les irrgularits de la surface et damliorer les mthodes dinterpolation telles que le krigeage
ou le cokrigeage9 De plus, lerreur de prdiction en chaque point du plan est nulle et par
consquent, les plans qui ne sont pas des o space-filling design s ou les plans pour lesquels les
points sont proches des frontires de la rgion exprimentale, peuvent donner des prdicteurs
de moindre qualit M lintrieur du domaine9 Il semble donc que les o space-filling design s et
plus particulirement les hypercubes latins, sont M privilgier pour la modlisation de rponses
non-rgulires, ils permettent dimposer un minimum de points M lintrieur du domaine
exprimental9
Les plans bass sur un chantillonnage de type hypercube latin sont les plus connus
dans le cas des expriences simules du fait de trois de leurs proprits :
# Ils permettent de couvrir au mieux le domaine exprimental, ils sont donc utiles
pour dtecter les irrgularits de la surface,
# Ils sont de construction simple et rapide,
# Les niveaux de chaque facteurs sont reprsents une unique fois9
Le choix dun hypercube latin parmi tous ceux possibles a une grande influence sur la
qualit de la modlisation de la rponse9 Cest pour cela quil est ncessaire dimposer une
condition supplmentaire pour diminuer lespace des possibilits et ainsi rduire lPimpact du
choix du plan9 Cette condition revient, par exemple, M combiner les avantages de plusieurs
critres simultanment9 Kne ide pour construire de tels plans peut \tre de rduire les points
candidats M une classe finie M laide dun premier critre et ensuite M appliquer M cet ensemble
de plans possibles un second critre pour slectionner le plan final9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[0d
Des critres combins pour construire des hypercubes latins optimaux ont t prsents
par plusieurs auteurs9 %ous les citons ci-dessous9
Gark VbaW a tudi les hypercubes latins optimaux bass sur le critre IMSE9 Mais lM
encore, ces plans dpendent des paramtres de corrlations qui sont inconnus9 De plus, ils sont
souvent difficiles M construire et trs cojteux en temps de calcul9
Schonlau, Hadama, et Welch (1$$d) proposent lutilisation dhypercubes latins qui
maximisent la distance minimale entre les points dans le cas de projection sur un espace de
faible dimension9 fpen Vb[W suggre lutilisation dhypercubes latins avec de faibles
corrlations o extra-diagonales s9 Mais ces deux critres semblent difficiles M mettre en zuvre
et eux aussi, dpendent des paramtres inconnus de la fonction de corrlation9
Kenny V[#W propose des hypercubes latins orthogonaux et Tang9 VdeW des hypercubes
latins bass sur des tableaux orthogonaux9 Ces plans nont pas forcment de bonnes proprits
de o space-filling design s9 Ils permettent de garder les m\mes proprits que les plans
factoriels, cest-M-dire lorthogonalit des colonnes et par consquent, ces plans sont trs utiles
pour effectuer une analyse de sensibilit car lindpendance des effets est prserve9 De plus,
ils se pr\tent bien au krigeage9 Mais, le nombre de simulations de tels plans nest pas flexible,
il est souvent trs grand, ce qui dans notre cas, pose problme au vu du cojt des simulations9
Gour terminer, Morris q Micthell Va#W introduisent des hypercubes latins optimaux pour
les critres dentropie et de distance maximin9 Lutilisation de ces plans est motive par un
rsultat de lohnson et al9 V[bW qui tablit une quivalence entre les proprits des Hypercubes
Latins de distance maximin et une sorte de D-optimalit, dans une limite de petites
corrlations locales (i9e9 pour un coefficient de corrlation # petit)9 En fait, ce type de plan
assure un bon compromis entre les critres dentropie et maximin et a de bonnes proprits de
projections sur chaque dimension9 De plus, ils permettent une bonne qualit de prdiction9
Dans toute la bibliographie cite prcdemment, les plans sont dabord restreints M la
classe des hypercubes latins et ensuite un second critre est appliqu M cette classe dans le but
de choisir un hypercube latin avec des proprits dsirables9 Cependant, dautres critres
peuvent \tre utiliss pour rduire la classe des plans candidats VbW9 Gar exemple, on peut la
rduire aux plans uniformes et ensuite appliquer un second critre M cette classe restreinte9
La liste des plans dexpriences prsents ici est loin d\tre exhaustive, mais une tude
dtaille des diffrents plans dexpriences existants nest pas lobjet de cette thse9 %ous
nous sommes content de citer les plans les plus classiquement utiliss en ingnierie de
rservoir ou pour les expriences simules9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[0e
Annexe B
TECHNIQUES DE MODELISATION
Lobjectif de cet annexe est de prsenter diffrentes techniques de modlisation,
principalement issues de la gostatistique9 %ous commen:ons tout dabord par dfinir un
rseau de neurones et comment lajuster par la phase dapprentissage9 Cette technique est
encore peu utilise en ingnierie de rservoir, mais reste toujours dactualit car les mthodes
dapprentissage progressent9 Ensuite, nous dtaillons la manire de construire un estimateur
par krigeage simple (ou a moyenne connue)9 %ous introduisons galement les quations
rgissant un estimateur par cokrigeage9 Enfin, nous rappelons les principales proprits dun
variogramme gostatistique (ou covariance) et donnons des mthodes permettant dajuster les
paramtres du variogramme99 Chapitre dPquation (Suivant) Section [
B.1 Rseaux de Neurones
B.1.1 Dfinition d'un rseau de neurones
Kn rseau de neurones typique contient plusieurs niveaux de neurones, chaque neurone
est connect M tous les neurones du niveau prcdent par un simple lien pondr9 Le nombre
de neurones dentre et de neurones de sortie dpend du domaine dapplication9
Kn neurone est une sorte dautomate qui se compose dentres, dune sortie et dune
fonction des entres vers la sortie9 Il peut \tre schmatis de la fa:on suivante :
w
1
w
n
x
1
x
n
f
v

Figure B.1 . Representation dun neurone formel selon Mc Culloch et Pitts

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[0#
oc :
# les x
i
reprsentent les donnes dentres,
# w
i
reprsente le poids de la i
me
connexion,
# f est la fonction dactivation,
# v Y f(w
1
x
1
. w
n
x
n
) reprsente la sortie du neurone9
Dans le modle dorigine, la fonction dactivation f est indiffremment une fonction de
Heaviside :
1si 0
0si 0
x
f ( x )
x
E F
"
G
H
I

ou, une fonction o signe s :
1 si 0
1si 0
x
f ( x )
x
E F
"
G
# H
I

Le neurone de Mc Culloch et Gitts a t gnralis en choisissant dautres fonctions
dactivations, telles que des fonctions linaires par morceaux, des sigmo{des ou autres
gaussiennes (cf9 îgure I9[)9 Les sigmo{des sont de loin les fonctions les plus utilises dans
les rseaux de neurones, ce sont des fonctions continues, strictement croissantes et qui
possdent les comportements asymptotiques dsirs9 Et particulirement la fonction logistique
dfinie par :
' ( ' (
1
1
x
g x e
0
#
#
" !
oc 0 est le paramtre de pente de la sigmo{de9
(a) (b) (c) (d)

Figure B.2 . Fonctions dactivation . (a) seuil, (b) lineaire par morceau, (c) sigmode,
(d) Gaussienne
Les neurones formels que lon vient de dfinir doivent \tre assembls pour former un
rseau9 Comme son nom lindique, un rseau de neurones est constitu de plusieurs couches
de neurones entirement connectes entre elles (cf9 îgure I9a)9 En fait, un rseau de neurones
est constitu dunits lmentaires, les nzuds, et de liens directionnels affects de poids
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[0$
reliant ces nzuds9 Les nzuds peuvent \tre du type entre, sortie ou cach par des nzuds
intermdiaires9 Chaque nzud re:oit en entre une valeur calcule M partir des valeurs
restitues par ses nzuds amonts et pondres par les poids associs aux liens9
E
n
t
r
e
s
S
o
r
t
i
e
s

Figure B.3 . Representation dun reseau de neurone multicouches
Les rseaux de neurones dterminent la nature de la relation entre les donnes M travers
les interconnections entre les neurones9 Le rseau est nourri par les valeurs des paramtres en
entre et dans le cas dun rseau multicouche, tel celui reprsent en îgure I9a, les rsultats
en sortie sont obtenus par propagation des valeurs suivant la direction des liens et en classant
les nzuds suivant la topologie du rseau (les nzuds de la premire couche sont activs avant
les nzuds de la deuxime, etc9)9
Afin de construire un bon rseau, une phase dapprentissage est ncessaire9 Il existe
plusieurs type dapprentissage dun rseau de neurone, nous ne prsentons que celui le plus
employ en ingnierie de rservoir : lapprentissage supervis9
B.1.2 Apprentissage d'un rseau de neurone
Le but de lapprentissage supervis est dinculquer un comportement de rfrence au
rseau9 Ce comportement de rfrence est dfini M partir dun ensemble reprsentatif
dexemples appel base dapprentissage9 Cet ensemble est compos de couples
dapprentissage forms de vecteurs dentre appel patron dentre et dun vecteur de sortie
appel patron de rfrence9
Lapprentissage consistera alors M dterminer les poids des diffrentes liaisons du rseau
de manire M obtenir, lorsquon prsente au rseau un patron dentre, une valeur en sortie
aussi proche que possible du patron de rfrence correspondant9

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[10
Lapprentissage comprend quatre tapes de calcul :
19 Initialisation des poids de rseau,
[9 Grsentation des patrons dentre de la base dapprentissage et calcul de ltat
du rseau,
a9 Calcul de lerreur9 Lerreur est une fonction de la diffrence entre la sortie
obtenue et la sortie dsire9 fn choisira en gnral lerreur quadratique,
b9 Modification des poids synaptiques9 Cette modification seffectue gr|ce M un
algorithme dapprentissage, comme par exemple, la rtro propagation de lerreur9
Cette technique calcule les variations de poids pour chaque jeu de paramtres des
cas dapprentissage avec la rgle suivante :
if f i
w JK L M " ,
si le noeud est une sortie
si le noeud est intermdiaire
f f f i
f
f f k fk
a ( net )( t ) f
a ( net ) w f
L
K
K
# F
"
G
I
)

oc :
# J est une constante,
# t
f
est la mesure au nzud de sortie f,
# w
fk
est le poids dPun lien du nzud f vers le nzud k9
Ce calcul de perturbation des poids suit la rgle de Hebb qui tend M augmenter le poids
dun lien quand ses deux extrmits sont actives en m\me temps9
Les tapes [-a-b sont rptes jusquM la fin de lapprentissage : on sarr\te lorsque
lerreur descend en dessous dune certaine valeur ou aprs un certain nombre ditration9
Kne fois que la convergence des poids w
i
est obtenue, il est prfrable de tester le rseau
de neurones pour vrifier si lon obtient bien les sorties voulues9 Si les rsultats fournis par le
rseau de neurones ne sont pas de qualit suffisante, une nouvelle phase dapprentissage est
ralise avec de nouveaux poids initiaux, et un chantillon dapprentissage plus grand, et ainsi
de suite9
Kne description dtaille du fonctionnement dun rseau de neurones se trouve dans
Vd#W9
Ces deux phases, dapprentissage et de test du rseau sont trs importantes, elles
assurent la robustesse du rseau et donc la fiabilit des estimations9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[11
B.2 Le krigeage simple ou moyenne connue
La mthode de krigeage est trs populaire en gostatistique, elle consiste M construire un
interpolateur qui soit fonction linaire des observations et tenant compte de la structure
spatiale des donnes9 Soit Z le processus M modliser et x
1
,X, x
n
les points dobservation de
ce processus9 Kne condition M lutilisation du krigeage est que le processus Z soit considr
stationnaire9 Comme nous ne manipulons ici que des esprances et des variances de
combinaisons linaires (le krigeage est un estimateur linaire), la fonction alatoire Z est
entirement dfinie par ses deux premiers moments9 Gosons :
# ' (
i
( ) ( ) 1
i
E Z i n N " : : x x
# ' (
[
( ) ( ) ( ) ( )
i i i
C E Z Z N " ! # h x h x x
Le prdicteur de krigeage de la rponse Z au point x
0
du domaine exprimental est une
fonction linaire des observations Z(x
i
) aux points du plan : tout estimateur linaire de Z(x) M
partir des ' (
n i i
Z
: : 1
) ( x scrit :
k Z Z
i
i
i
! "
)
) ( ) (
T
0
x x C (I91)
Lobjectif est de dterminer les poids C
i
qui permettent destimer la valeur de la
fonction en x
0
tout en interpolant les donnes djM observes9 Ces poids dpendent de
lendroit oc lon se trouve dans le domaine9
La constante k et les poids optimaux C
i
, sont slectionns de manire M minimiser
lerreur destimation, ce qui revient M minimiser la variance de lerreur au point x
0
9
Ainsi, on veut minimiser :
' ( ' ( ' ( ' (
[ [
0 0 0 0 0 0
T T T
( ) ( ) ( ) ( ) ( ) ( ) E Z Z Jar Z Z E Z Z # " # ! # x x x x x x (I9[)
Lquation (I9[) est la somme de deux termes positifs, et par consquent, minimiser
(I9[) revient M minimiser les deux termes9
Concentrons nous tout dabord sur lPestimation de la constante k, ce qui revient M
minimiser le deuxime terme de lquation (I9[)9
Daprs lPquation (I9[), nous avons k
i
i
i
! "
)
) ( ) (
0
x x N C N avec ' (
0 0
( ) ( ) E Z N " x x 9
Minimiser le second terme de (I9[), revient M lannuler, ce qui assure un estimateur sans biais
pour Z9 fn obtient donc facilement la valeur de la constante k :
) ( ) (
0 i
i
i
k x x N C N
)
# " (I9a)
Gosons ' (
n
t
C C , ,
1
! " ! , ' ( ) ( , ), (
1 n
t
Z Z x x M ! " et ' (
n
t
N N , ,
1
! " [ 9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[1[
En rempla:ant la valeur de k dans lquation (I91) par lexpression (I9a), lestimateur
de Z en x
0
devient donc, sous forme matricielle :

0
T
( ) Z x
Y
t
k ! $M

Y
0
( )
t t
N ! # $M x $N
Soit,
0 0
T
( ) ( ) ( )
t
Z N " ! # x x $ M N (I9b)
Gassons M prsent M la minimisation du premier terme de lquation (I9[)9 %ous avons :
' (
0 0
T
( ) ( ) Jar Z Z # x x
Y ; <
0
( ) ( )
i i
Jar Z Z C #
)
x x
Y ; < ' ( ' (
0 0
,
( ) [ ( ), ( ) ( ), ( )
i i i f i f
i i f
Jar Z Cov Z Z Cov Z Z C C C # !
) )
x x x x x
(I9_)
Gosons )) ( ), ( (
f i if
Z Z Cov C x x "
Gour minimiser lquation prcdente nous devons annuler la drive de (I9_) par
rapport M C
i
, soit :
i
i
i if f
f i
i
i
C C Z Z Jar
0
,
0 0
[ )) (
T
) ( (
) )
# " #
O
O
C C C
C
x x (I9d)
Ainsi, les poids C
i
sont les solutions du systme linaire suivant :
)
" #
f
i if i
C C 0 [ [
0
C (I9e)
Gar consquent, en criture matricielle, les poids optimaux C
i
sont solution de
lquation :
' (
0
c " C$ x avec
' (
,
if
i f
C " C et ' ( ' (
0 0i
i
c C " x (I9#)
Et on obtient :
) ( ) ( ) ( ) (
T
1
0 0 0
N M C x c x x # ! "
# t
Z N (I9$)
Dans le cas de la modlisation adaptative par modle composite, du fait de lajustement
de la moyenne par un estimateur sans biais, les rsidus sont de moyenne nulle (N 0), doc :
' (
1
0 0
T
( )
t
Z c
#
" x x C M (I910)
Il sagit du krigeage simple9 Gour une description plus dtaille du krigeage simple ou
pour conna~tre les fondements du krigeage ordinaire et universel, nous renvoyons M VeW et
V[dW9

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[1a
De plus, dans le cadre de cette tude, nous avons ' ( ' ( ' (
0 0 0
T T T
Z Y 0 " # x x ! x , donc le
prdicteur de Y au point x
0
obtenu par le krigeage est :
1
0 0 0
T T T
( ) ( ) ( )
t
Y
#
, -
" ! #
. /
x ! x " c x C " !" (I911)
avec :
- ! la matrice du modle aux points du plan dexpriences,
- C la matrice de covariance aux points du plan dexpriences,
-
0
( ) c x le vecteur des covariances entre x
0
et les points du plan dexpriences9
Kn autre grand avantage du krigeage par rapport M dautres mthodes dinterpolation est
quil permet de calculer la variance associe M lestimateur9 Daprs (I9_), nous avons
' (
0 0
T
( ) ( ) Jar Y Y # x x
Y ; <
0
( )
t
Jar Y # x $"
Y ; <
0 0
( ) [ ( )
t t
Jar Y c # ! x $ x $C$
fr, daprs (I9#), ' (
1
0
t
c
#
" $ x C
Doc :
' (
0 0
T
( ) ( ) Jar Y Y # x x
Y ; <
1 1 1
0 0 0 0 0
( ) [ ( ) ( ) ( ) ( )
t t t
Jar Y c c c c
# # #
# ! x x C x x C C C x
Y ; <
1
0 0 0
( ) ( ) ( )
t
Jar Y c c
#
# x x C x
Soit encore :
; <
' ( ' ( ' (
[ 1
0 0 0 0
T
( ) ( ) 1
t
Jar Y Y r r 1
#
# " # x x x R x (I91[)
%ous remarquons que la variance du prdicteur est plus faible que celle de
0
( ) Y x , le
dernier terme tant toujours positif9
B.3 Le Cokrigeage
Cette session prsentera rapidement la thorie du cokrigeage en deux dimensions9 Gour
chaque point du plan dexpriences, nous disposons dun rsidu Z, et de deux valeurs pour la
drive, suivant deux directions x
1
et x
[
, soit respectivement :
1
Z
x
O
O
et
[
Z
x
O
O
9 Gour une
description dtaille, nous renvoyons M VeW et V[dW9
Lobjectif ici est prdire la rponse Z au point x
0
, en utilisant conjointement les valeurs
de simulations et les valeurs des gradients dans chaque direction9

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[1b
%ous avons par cokrigeage :
0 0 1 [ 1 [
1 1 1
T
( ) ( ) ( ) ( )
n n n
i i i i i i
i i i
Z Z
Z Z
x x
C C C
" " "
O O
" ! !
O O
) ) )
x x x x (I91a)
Dans le cas du krigeage, on considrait les observations des rsidus qui sont de
moyenne nulle9 Ici, la moyenne des rsidus Z est toujours nulle (N
Z
Y 0), mais celle de ses
drives, respectivement N
1
, N
[
, sont inconnues9 Gar consquent, nous effectuons du
cokrigeage ordinaire ou M moyenne inconnue9 Daprs lquation (I91a), nous avons
0 0 1 1 [ [
1 1 1
( ) ( ) ( ) ( )
n n n
i Z i i i i i
i i i
N C N C N C N
" " "
" ! !
) ) )
x x x x (I91b)
Gar dfinition, lestimateur de cokrigeage est un estimateur sans biais et par consquent,
la condition de non-biais peut se traduire par les contraintes suivantes :
P
P
P
I
P
P
P
G
F
"
"
"
)
)
)
"
"
"
0
0
1
1
[
1
1
1
0
n
i
i
n
i
i
n
i
i
C
C
C

En calculant la valeur de la covariance de Z
0
en fonction de Z et de ses deux drives et
en ajoutant la condition de non-biais prcdente, trouver lestimateur de cokrigeage de Z au
point x
0
revient M rsoudre le systme suivant :
' ( ' (
0 0 1 [ 1 [
1 1 1
0 0 1 [ 1 1 1 1 1 [
1 1 1
0 [
, , , ,
, , , ,
,
n n n
f f
i f i f f i f i
f f f
n n n
f f
i i i i
f f f f
f f f
i
Z Z
Cov Z Z Cov Z Z Cov Z Cov Z
x x
Z Z
Z Z Z Z
Cov Z Cov Z Cov Cov
x x x x x x
Z
Cov Z
x
C C C
C C C
" " "
" " "
O O 9 6 9 6
" ! !
7 4 7 4
O O
8 5 8 5
O O 9 6 9 6 O O O O 9 6 9 6
" ! !
7 4 7 4 7 4 7 4
O O O O O O
8 5 8 5
8 5 8 5
O 9
O
8
) ) )
) ) )
0 1 [ [ [ 1 [ [
1 1 1
0
1
1
1
[
1
, , ,
1
0
0
n n n
f f
i i i
f f f f
f f f
n
i
i
n
i
i
n
i
i
Z Z
Z Z Z
Cov Z Cov Cov
x x x x x
C C C
C
C
C
" " "
"
"
"
F
P
P
P
P
P
P
O O 9 6 9 6 O O O 6 9 6
P
" ! !
7 4 7 4 7 4 7 4
PP
O O O O O
5 8 5
8 5 8 5
G
P
"
P
P
P
"
P
P
P
"
P
P
I
) ) )
)
)
)

Soit, sous forme matricielle : PCYQ, cest-M-dire:
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[1_
2
2
2
2
2
2
2
2
/
-
3
3
3
3
3
3
3
3
.
,
"
2
2
2
2
2
2
2
2
/
-
3
3
3
3
3
3
3
3
.
,
2
2
2
2
2
2
2
2
/
-
3
3
3
3
3
3
3
3
.
,
0
0
1
0
0
0 0 0 1 0 0
0 0 0 0 1 0
0 0 0 0 0 1
1 0 0
0 1 0
0 0 1
a0
[0
10
[
1
0
aa a[ a1
[a [[ [1
1a 1[ 11
k
k
k
K K K
K K K
K K K
Z
N
C
C
C

Les termes K
if
sont les covariances directes et croises entre Z et ses drives, et les
termes k
f0
, a 1 : : f sont les termes de la covariance entre, respectivement les vecteurs
Z,
1
Z
x
O
O
et
[
Z
x
O
O
9 Tous ces termes peuvent \tre obtenus par diffrentiation de la fonction de
covariance de Z, en supposant que les drives existent9 Ainsi, nous avons :
# ' ( ' ( ' (
' ( ' ( ' (
[
11
,
( , ,
i f i f
i f
Cov Z Z R Z Z 1 " " P x x x x
# ' ( ' ( ' ( ' (
[
1
, ,
( , , 1
k i f i f k k
i f i f
Z Z
Cov Z R Z k
x x
1
O O 9 6 9 6
" " &
7 4 7 4
O O
8 5 8 5
P x x x x
# ' ( ' ( ' ( ' (
[
, ,
( , , 1
kl i f i f k l k l
i f i f
Z Z Z Z
Cov R k
x x x x
1
O O O O 9 6 9 6
" " &
7 4 7 4
O O O O
8 5 8 5
P x x x x
# ' ( ' ( ' (
[
01 0
,
i
i
R Z Z 1 " Q x x , ' ( ' (
[
0 0
, 1
k i k
i
Z
R Z k
x
1
O 9 6
" &
7 4
O
8 5
Q x x
De plus, la variance associe au cokrigeage au point x
0
est donne par:
' ( ' ( ' ( ' ( ' ( ' (
' ( ' (
[
0 0 0 1 0 1
1 1
[ 0 [
1
n n
ck i i i i
i i
n
i i Z
i
Z
Jar Z Cov Z ,Z Cov Z , Z
x
Z
Cov Z , Z
x
1 C C
C N
" "
"
O 9 6
" ! !
7 4
O
8 5
O 9 6
! #
7 4
O
8 5
) )
)
x x x x
x x

Le lecteur trouvera plus dinformation sur les techniques du cokrigeage dans VeW et V$W9
B.4 Estimation du Variogramme
Dans cette partie, nous dcrivons dans un premier temps les hypothses que doivent
vrifier le variogramme afin de rendre possible la construction dun modle de krigeage9
Ensuite, nous prsentons plus en dtails le principe de construction dun variogramme, nous
prcisons quelques variogrammes thoriques existants et enfin nous terminons en proposant
diffrentes mthodes possibles pour lestimation des paramtres du variogramme9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[1d
B.4.1 Hypothses de base
%ous verrons ici les hypothses indispensables M lutilisation dun estimateur par
krigeage9 Les proprits que nous prsentons sont des rsultats classiques de la thorie des
processus stochastiques9 Leur dmonstration ne prsente aucun intr\t pour la pratique
gostatistique, nous nous contentons ici de citer les proprits en les commentant9
+ Rypothse de Stationnarit :
La premire hypothse indispensable M lutilisation dun modle de krigeage est
lhypothse de stationnarit du second ordre9 Elle vise essentiellement M o dtacher s les deux
premiers moments de localisations prcises en permettant des translations des emplacements x
et x Zh9 La covariance devient donc une fonction dpendant uniquement de la distance
sparant les points dobservation et non plus de leur localisation exacte9
Dfinition : Soit Q le domaine definissant un processus Z. Le processus Z est
stationnaire au sens large sil verifie les equations suivantes .
# ' ( ( ) E Z N " > AQ x x
# ' ( ' ( ( ), ( ) Cov Z Z C ! " > AQ x x h h x
uvidement, ces hypothses supposent une certaine rgularit de la rponse9
Dans la suite de cet annexe, nous allons supposer que le processus rsiduel Z est
stationnaire dordre [, autrement dit, tous les points spars de la m\me distance ont la m\me
covariance9 %ous donnons M prsent une autre condition ncessaire sur la covariance pour
lutilisation dun krigeage sur les rsidus9
+ Condition de positivit :
%ous partons du fait que lestimateur de Y par krigeage est une combinaison linaire des
observations, et par consquent, quelque soit la combinaison linaire, la variance de
lestimateur doit \tre positive ou nulle9
Soit un processus alatoire stationnaire du [
nd
ordre Z, desprance m et de covariance
Cov(h)9 Soit une combinaison linaire finie quelconque, dfinie par :
1
( )
n
i i
i
Y Z C
"
"
)
x avec les
i
C des poids quelconques9
Cette combinaison linaire Y est un processus alatoire, sa variance ne doit jamais \tre
ngative9 Explicitons cette variance :
' ( ' ( ' ( ' (
[
Jar Y E Y E Y " #

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[1e
%ous calculons chaque terme de cette quation :
' ( ; <
1 1 1
( ) ( )
n n n
i i i i i
i i i
E Y E Z E Z m C C C
" " "
F R
" " "
G S
I T
) ) )
x x
; <
[
1 1 1 1 1
( ) ( ) ( ) ( ) ( ) ( )
n n n n n
i i i f i f i f i f
i i f i f
E Y E Z E Z Z E Z Z C C C C C
" " " " "
F R
F R
9 6 P P
" " "
G S G S
7 4
8 5
I T P P
I T
) )) ))
x x x x x
fr, par dfinition de la covariance, nous avons :
' ( ; < ; < ; < ; <
( ), ( ) ( ) ( ) ( ) ( ) ( ) ( )
i f i f i f i f
Cov Z x Z x E Z x Z x E Z x E Z x E Z x Z x m " # " #
Gar consquent :
; < ' (
[
[
1 1 1
( ) ( ), ( )
n n n
i f i f i
i f i
Jar Y Cov Z x Z x m m C C C
" " "
9 6
" # #
7 4
8 5
)) )

Soit enfin, en simplifiant par le terme de moyenne m :
; <
1 1
( ) ( ), ( ) 0
n n
i f i f
i f
Jar Y Cov Z x Z x C C
" "
" E
))
(I91_)
La fonction de covariance Cov(h) doit \tre telle quelle assure le caractre toujours
positif ou nul de la variance de toute combinaison linaire finie9 La fonction Cov(h) est alors,
par dfinition, dite dfinie positive9
Ainsi, toute fonction relle g(h) dfinie positive peut \tre considre comme la
covariance dun processus alatoire stationnaire9 Lquation (I91_) montre que, sous
hypothse stationnaire dordre deux (existence de la covariance), toutes combinaisons
linaires finies ou tous produits ont une variance dfinie, et par consquent leur usage est
lgitime V[dW9
%ous supposons M prsent que la covariance est stationnaire du [
nd
ordre et dfinie
positive9 Cette condition sur la fonction de covariance assure lexistence et lunicit dune
solution M lquation de krigeage :
1
0 0 0
T T T
( ) ( ) ( )
t
Y
#
, -
" ! #
. /
x ! x " c x C " !" .
Le caractre dfini positif de la fonction de covariance Cov(h) entra~ne les proprits
suivantes :
# Cov(0) E0, la variance ne peut pas \tre ngative
# Cov (h) Y Cov (-h), la fonction de covariance est paire
# Cov (h) : Cov (0) Ingalit de Schpartv
La fonction de covariance dcro~t en gnral M partir de sa valeur M lorigine Cov(0), le
degr de covariance entre deux variables Z(x) et Z(xZh) dcro~t lorsque h grandit9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[1#
B.4.2 Dfinition du variogramme
En gostatistique, la fonction la plus utilise pour dcrire la continuit dun processus
est le variogramme, et ce surtout parce quelle est plus simple M estimer que la covariance (qui
demande lestimation pralable de lesprance mathmatique), mais galement parce quelle
permet daccommoder des situations oc ' ( ' (
Jar Z x nest pas dfinie9
Le variogramme thorique est dfini comme :
U V ' (
[ 1 1
( ) ( ) ( ) ( ) ( )
[ [
Jar Z Z E Z Z W
, -
" # ! " # !
. /
h x x h x x h (I91d)
car le processus est stationnaire et donc ' ( ( ) ( ) 0 E Z Z # ! " , -
. /
x x h 9
Cette fonction, habituellement croissante en fonction de h, synthtise beaucoup
dinformation concernant le comportement conjoint des variables alatoires9 Si la valeur du
variogramme converge vers une valeur limite, appele pallier c, cela signifie quil y a une
distance h M partir de laquelle Z(x) et Z(xZh) sont non corrls9 fn dfinit alors V1eW :
# Gorte a : il sagit de la distance M partir de laquelle deux observations ne se
ressemblent plus du tout en moyenne, elles ne sont plus lies (covariance nulle)
linairement :
+ Si h a, il ny a pas de dpendance entre les points spars de la distance h
+ Si h a, il y a dpendance entre les points et M cette distance, la valeur du
variogramme correspond M la variance de la variable alatoire9
# Gallier c : cest la variance de la variable alatoire ' ( ' (
Jar Z x :
0
c C C " !
# Effet de ppite C
0
: il sagit de variations M courte chelle, erreur de localisation,
erreurs danalyse et prcision analytique9 La ppite traduit la discontinuit du
processus M trs courtes distances :
0
0
lim ( )
h
h C W
X
" et (0) 0 W " 9
# Longueur de corrlation @ : Il sagit dun paramtre dchelle dans la dfinition
du variogramme, celui-ci est troitement li M la porte a9
Kne illustration est prsente sur la îgure I9b9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[1$
Porte a
Palier C
0
+C
Ppite C
0
( ) W h
h

Figure B.4 . Jariogramme experimental . Portee, Pallier et Pepite
Lorsque le variogramme montre un pallier, alors on peut facilement tablir un lien entre
la valeur du variogramme pour la distance h et la covariance pour deux observations spares
de la distance h :
( ) W h
Y U V
1
( ) ( )
[
Jar Z Z # ! x x h

Y
Y
U V U V ' (
1
( ) ( ) [ ( ), ( )
[
Jar Z Jar Z Cov Z Z , - ! ! # !
. /
x x h x x h
Y ' (
[
( ), ( ) Cov Z Z 1 # ! x x h
Y ' (
[
Cov 1 # h (I91e)
Cette relation est trs importante et elle est continuellement utilise en gostatistique9
graphiquement, cette relation peut \tre reprsente par le schma suivant :
Covariance
Variogramme
h

Figure B.5 . Representation graphique dun variogramme et de la covariance associee
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[[0
Garfois, les variogrammes ne montrent pas de pallier, cest-M-dire que la valeur du
variogramme peut augmenter indfiniment si la variabilit du phnomne na pas de limite
pour de grandes distances9 Dans ce cas, la covariance et la variance nexistent pas9
Le variogramme anisotrope
Quand le variogramme ne varie pas suivant les directions, il est dit isotrope9 Il est alors
une fonction du module du vecteur h, reprsentant la distance entre les points :
[
[
1
( ) ( )
n
i
i
h h W W W
"
9 6
" "
7 4
7 4
8 5
)
h
Gour les modles isotropes, chaque paire de points spare de la m\me distance a la
m\me covariance, peu importe la direction9 Gar exemple, sur la îgure I9d (a), lorigine M la
m\me corrlation avec tous les points du cercle9
Dans le cas oppos, le variogramme est dit anisotrope (b)9 Les deux cas typiques
danisotropie sont :
# gomtrique : le pallier c est constant, mais la porte a varie avec la direction
# Zonale : le pallier c varie9
%ous parlerons ici du cas le plus simple qui est lanisotropie gomtrique9
(a) (b)

Figure B.6 . Isotropie (a) - Anisotropie (b)
Gar dfinition, un variogramme dans IR
n
est dit anisotrope (gomtrique) sil peut
scrire de la forme :
' (
0
( ) W W " h Ah
oc :
#
0
W est un variogramme isotrope
# A la matrice de transformation de lespace initial M lespace isotrope9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[[1
Dans le cas ou il ny pas de rotation daxe, i9e9 les axes principaux correspondent aux
paramtres, nous avons, pour la distance euclidienne :
[
0 [
1
( )
n
i
i
i
h
W W
@
"
9 6
" 7 4
7 4
8 5
)
h avec @
i
un
paramtre dchelle9
Lanisotropie gomtrique est reprsente sur la îgure I9e, il sagit ici dun
variogramme gaussien9 Gour cet exemple, dans la direction %-S, la porte est plus grande que
dans la direction f-E9
Direction N-S
Direction E-O
( ) W h
h

Figure B.7 . Jariogramme anisotrope
La construction du variogramme passe par la construction dun variogramme empirique,
M partir duquel un modle est ajust : le variogramme thorique9 utant donn que le modle de
variogramme doit assurer des variances positives quelque soit la combinaison linaire du
processus Z utilise et quil doit \tre stationnaire, il existe un certain nombre de variogramme
type vrifiant ces deux proprits9
B.4.3 Exemples de variogrammes existants
Dans cette partie, nous reprsentons les variogrammes (ou covariances) les plus utiliss
en gostatistique et plus particulirement en ingnierie de rservoir9
A titre dexemple, nous citons ici les variogrammes les plus courant, valides dans IR
n
9
Gour les variogrammes associs M une covariance, nous donnons la forme analytique de la
covariance, le variogramme tant dduit de la covariance par la relation :
( ) (0) ( ) C C W " # h h 9 Cette liste est videmment loin d\tre exhaustive9
Les fonctions de covariances que nous donnons ici sont donnes de manire isotrope,
cest-M-dire que ( ) ( ) Cov h Cov " h 9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[[[
Covariance sphrique gnralise :
La covariance sphrique gnralise dans IR
n
scrit de la forme :
' (
1
( 1) ] [
[
1
]
1 si
( )
0 sinon
n
n
n
n h
v u du h
Cov h
@
@ @
#
#
F
# :
P
"
G
P
I
?

Dans cette expression, v
n
est le volume dune boule de diamtre unit dans IR
n
, cette
valeur peut \tre dduite du volume J
n
dune boule de rayon unit dont lexpression est :
] [
1
[ [ ( ] [)
n
n
n n n
J
v
n n
Y
#
" "
Z

Ce modle est trs utilis en gologie pour a n : , nous retrouvons le modle sphrique
trs connu valide en IR
a
:
[
a
[
a
si 0
( ) V1 19_ 09_ W si
0 sinon
h
h h
Cov h h
1
1 @
@ @
F "
P
P 9 6
" # ! :
G
7 4
8 5
P
P
I

Ce variogramme a un comportement linaire M lorigine et atteint son pallier en h @ " 9
Le paramtre dchelle @ du variogramme sphrique co{ncide avec la porte a, cest-M-dire
que nous avons a @ " 9
Covariance exponentielle :
La fonction de covariance exponentielle associe au paramtre 0 [ # est dfinie par :
[
( ) exp Cov h 1
F R
" #
G S
I T
h
#

Ce variogramme atteint son pallier c asymptotiquement, quand h X D9 Sa porte est
environ a " a # 9
Covariance gaussienne :
La fonction de covariance prconise la plupart du temps dans le contexte des
expriences simules, est la fonction de covariance gaussienne9
[
[
( ) exp Cov h 1
F R
P P 9 6
" #
G S
7 4
8 5
P P
I T
h
#

La fonction de covariance gaussienne est continue et diffrentiable M lorigine9 Ce
variogramme est utilis dans la plupart des cas, de fa:on M avoir un processus ayant de bonnes
qualits (continu et infiniment diffrentiable)9 De plus, la fonction de covariance gaussienne
donne des ralisations plus lisses quune covariance exponentielle9 La porte est environ
a " a # 9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[[a
Variogramme puissance :
Enfin, nous prsentons le variogramme puissance9 Ce variogramme est non-stationnaire,
cest un modle sans pallier9 %ous avons lim ( )
x
h W
XD
" !D9 De plus, la variance, la covariance et
la moyenne ne sont pas dfinies, cest pour cette raison que nous prsentons le variogramme9
Il a pour expression :
( )
a
h W " h avec 0 a [
Lavantage de ce type de variogramme est quil est invariant par changement dchelle9
En effet, seule lestimation du rapport danisotropie entre les pentes est ncessaire V1eW9 Kne
fois ce rapport dfini, il est possible de multiplier les pentes par une constante9
Toutefois, ce variogramme nest pas utilisable lors dun krigeage simple, car il est non-
stationnaire et na pas de porte9 Il est gnralement utilis lors du krigeage ordinaire9
Gar convention, une illustration des diffrents types de variogramme est reprsente sur
la îgure I9#9 %ous prsentons les variogrammes et pas les covariances9
( ) W h
h
( ) W h
h
( ) W h
h
( ) W h
h

Figure B.8 . Representation graphique des differents variogrammes
gnralement, si le nombre de donnes est important, les variogrammes, ainsi que leurs
paramtres sont directement estims M partir du variogramme empirique9 Toutefois, il est
possible, particulirement en ingnierie de rservoir oc lacquisition des donnes est
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[[b
extr\mement cojteuse, de ne pas pouvoir disposer dun variogramme empirique fiable9 Dans
ce cas, il faut dfinir une structure de variogramme (exponentiel, gaussien, etc9) et estimer
ensuite les paramtres9 %ous prsentons ici diffrents moyens destimer la longueur de
corrlation et la variance
[
1 9
B.4.4 Estimation de la longueur de corrlation et !
2
dans le cas d'un
variogramme gaussien
Tous les estimateurs de la fonction de corrlation apparus dans la bibliographie
supposent que R(9) Y R(9]%) oc % est un vecteur de paramtres, prcisant la structure de la
fonction de covariance et la nature de la porte V_eW9
Gar exemple, considrons la fonction de covariance exponentielle :
d
[
j 1
( ] ) exp - ]
p
f f
Cov h \ 1 @
"
F R
P P
"
G S
P P
I T
)
h
oc ' ( p , , ,
d
@ @ \ !
1
" est un vecteur M dZ1 composantes reprsentant dune part, les
paramtres dchelle (longueurs de corrlation) et dautre part, la puissance associe9 Dans ce
cas, la matrice de corrlation R Y R(%) ne dpend que de % tout comme le vecteur des
corrlations r
;
Y r
;
(%)9
%ous allons proposer ici trois mthodes possibles pour lestimation du paramtre % qui
amnent chacune M un estimateur diffrent9 Toutes les mthodes, except la dernire,
supposent que les donnes suivent une distribution gaussienne, cest-M-dire que nous avons :
[ [
, , ~ , %n
n
1 1 , - , -
. / . /
" " % !" R
Dans ce paragraphe, nous allons principalement nous concentrer sur lestimation des
paramtres de corrlation % plutnt que sur celle de la variance du processus #
2
9 Ceci est
justifi par le fait que le prdicteur
0
T
Y ne dpend que de % et pas de #
2
9 En effet, lestimateur
de krigeage peut sutiliser indpendamment avec la fonction de covariance ou de corrlation
du processus, car le paramtre #
2
dispara~t quand on forme le produit matriciel
' ( !" " R r #
#1
0
t
9
+ Estimation par Maximum de Vraisemblance (Maximum LiQelihood)
Le choix le plus populaire pour un estimateur de % est certainement celui du maximum
de vraisemblance (MLE) utilisant lhypothse dune loi normale multivarie VbbW9
Dans ce cas, la fonction de vraisemblance est dfinie par :
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[[_
' ( ' ( ' ( ' ( ' (
] [ 1] [
[ 1
[
1
, , [ det exp
[
n
n
L 1 Y 1
1
#
# #
, -
" # # #
3 2
. /
" % R " !" R " !" (I91#)
fn utilise le logarithme de cette fonction, la log-vraisemblance, qui est M une constante
prs :
' ( ' ( ' ( ' ( ' ( ' (
[ [ 1 [
1
, , log log det ]
[
t
n 1 1 1
#
, -
" # ! ! # #
. /
" % R " !" R " !" $ (I91$)
oc ' ( det R reprsente le dterminant de la matrice R9
utant donn un % fix, lestimateur de " par maximum de vraisemblance est son
estimateur par moindres carrs gnraliss (estimateur de gauss-Markov), cest-M-dire :
' ( ' (
1
1 1
T T
t t
#
# #
" " " " % !R ! !R " (I9[0)
De plus, lestimateur de #
2
par maximum de vraisemblance est donn par :
' (
' ( ' (
[ [ 1
1
T T
T T
t
n
1 1
#
" " # # % " !" R " !" (I9[1)
En substituant ces valeurs dans lquation (I91$), nous obtenons que le maximum de
lquation (I91$) est le m\me qui celui de la fonction :
' (
' (
' ( ' ( ' ( ' ( ' (
[ [
1
T
T T , , log log det
[
n n 1 1
, -
" " # ! !
. /
% " % % R % $ $
(I9[[)
qui ne dpend plus que du paramtre %9 Ainsi, lestimateur \T est dtermin de manire
M minimiser la fonction :
' ( ' ( ' ( ' ( ' (
[
T log log det n 1 ! % R % (I9[a)
oc
[
1 est dfini par lquation (I9[1)9
Le prdicteur correspondant M \T est appel un MLE EILKG estimateur de Y(x
0
)9
Existence et unicit des estimateurs " et !
[
:
Comme nous lavons montr prcdemment, nous procdons par limination
substitution pour dterminer les paramtres " et !
[
9 Lobjectif ici est de montrer lexistence et
lunicit des estimateurs par maximum de vraisemblance de " et !
[
9
La premire phase de cette procdure consiste M exprimer les paramtres " et !
[
en
fonction du seul paramtre %, celui-ci tant fix9 Gour ce faire, nous considrons le logarithme
du maximum de vraisemblance :
' ( ' ( ' ( ' ( ' ( ' (
[ [ 1
[
1 1
, log log det
[ [ [
t n
1 1
1
#
" # # # # # " R " !" R " !" $
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[[d
La fonction $ possde un point stationnaire
' (
[
T
T " ,
] ]
1 , caractris par le systme
dquations :
[
[
[
T
T (" , )
0
"
T
T (" , )
0
] ]
] ]
1
1
1
F
O
" P
O P
G
O P
"
P
O I
$
$
(I9[b)
Le systme (I9[b) est quivalent M :
' (
' ( ' (
1 1
[
1
[ b
1
0
1
0
[ [
t t
t n
1
1 1
# #
#
F
# # "
P
P
G
P
# ! # # "
P
I
!R " !R !"
" !" R " !"
(I9[_)
soit encore :

1 1 1
[ 1
T
" ( )
1
T T
T ( ) ( )
t t
t
n
]
]
1
# # #
#
F
"
P
G
" # #
P
I
!R ! !R "
" !" R " !"
(I9[d)
Gar ailleurs, la matrice Hessienne de la fonction $ est semi-dfinie ngative en
' (
[
T
T " ,
] ]
1 :
' (
' (
' (
' (
' (
' (
' (
[
[
[ 1
[
[
[ [
[
[
[
[ [
[
[
[
a [ [
[
T
T " , 0
T T
" ( ) ( )
T
T
T " , 0
"
T
"
T
T " , 0
"
( ) ( )
1
T
T " , 0
( ) [
t
t
t t
t t
t
n
] ]
] ]
]
] ]
]
]
] ]
]
] ]
] ]
]
1
1
1
1
1
1
1
1
1
1
#
F O
" # :
P
O
P
P
# !
O
P
" "
P
O O
PP
G
# !
O
P
" "
P
O O
P
P
# #
O
P
" # :
PO
P
I
-1
-1 -1
-1 -1
-1
!R !
" - !" R " - !"
!R " " !R !
!R " !R !
" " ! R " " !
$
$
$
$
(I9[e)
Le point stationnaire
' (
[
T
T " ,
] ]
1 est donc bien un maximum de la fonction $ ( $ est
concave) et il est unique9 Les paramtres
[
T
T " et
] ]
1 sont donc les estimateurs du maximum de
vraisemblance de " et !
[
9
+ Estimation par Maximum de Vraisemblance Restreint
Comme prcdemment, supposons que R(9) (et donc R et r
;
) dpend dun vecteur fini de
paramtres9 La mthode du maximum de vraisemblance restreinte (REML) des paramtres de
la variance et covariance a t introduite par Gatterson et Thompson en 1$e1 pour rduire le
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[[e
biais des estimateurs du type maximum de vraisemblance9 Certains auteurs utilisent le terme
o Estimateurs du maximum de vraisemblance marginaux s pour le m\me concept9
Lestimateur REML de % maximise la fonction de vraisemblance de combinaisons linaires
indpendantes (i9e9 C") de ", ce qui implique que chaque combinaison linaire est
orthogonale M !" , le vecteur esprance de "9 Supposons que ! est de rang plein p, cette
mthode correspond alors M choisir une matrice C de dimension (n-p)n et de rang plein qui
satisfasse lquation C! Y ;9 Lestimateur REML de % est alors le maximum de la fonction de
vraisemblance des o donnes transformes s :
[
~ , ( ) %
t
1 , - = "
. /
W C" C!" ; CR % C (I9[#)
%otons que W contient p observations de moins que ", mais que W a lavantage de ne
contenir aucun des paramtres inconnus de "9 fn peut montrer que lestimateur REML de %
est indpendant du choix des combinaisons linaires utilises pour construire W, mais le
nombre de colonnes de C doit \tre maximal dans le sens oc C doit \tre de rang n - p9 Avec
quelques notions dalgbre, on dmontre facilement que lestimateur
[
MJR
1% par maximum de
vraisemblance restreint de
[
1 est :

[ [ 1
1
T T
T ( ) ( )
t
MJR
n
n p n p
1 1
#
" " # #
# #
" !" R " !" % (I9[$)
oc
[
1 est le MLE de
[
1 (cf9 (I9[1)) et finalement, lestimateur REML de % est le
minimum de la fonction :
' ( ' ( ' ( ' ( ' ( ' (
[
log log det
MJR
n p 1 # ! % R % % (I9a0)
Cet estimateur a lavantage d\tre un estimateur sans biais par rapport M lestimateur par
maximum de vraisemblance classique9
+ Validation Croise
La mthode de validation croise est trs populaire dans le choix des paramtres de
modles paramtriques9
%ous supposons une fois de plus que la fonction de corrlation est une fonction
paramtrique avec R(9)YR(9]%), et donc RYR(%) et r
0
Y r
0
(%)9 Gour n i : : 1 , soit ) (
T
\
i
Y
#
, not
aussi classiquement
( )
T
( )
i
Y \ , le prdicteur de Y(x
i
) lorsque % est le vrai paramtre de
corrlation bas sur toutes les donnes except le point (x
i
, Y(x
i
))9 Lestimateur de validation
croise de % minimise lerreur de prdiction moyenne au carr :
' ( ' ( ' (
' (
[
1
T
n
i i
i
XJ PE Y v x
#
"
# " #
)
% %
Des formes plus gnrales de la validation croise sont proposes dans V_eW9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[[$
Rfrences
V1W Aviv, K9 and Settari, A9, Petroleum Reservoir Simulation, Applied Science Gublishers,
London, 1$e$9
V[W Iishop, C9 M9, Neural Networks for Pattern Recognition, fxford, 1$$_9
VaW Irua l9 Y9, Modelisation de reponses non-lineaires par plans dexperiences . etude
bibliographique, I^G, [00a9
VbW Iutler, %9 A9, fptimal and frthogonal Latin hypercube designs for computer
experiments, Biometrika, ##, a, p #be-#_e, [0019
V_W Castellini, A9, Landa, l9 L9, Kikani, l9, Pratical Methods for Uncertaintv Assessment of
Flow Predictions for Reservoir with Significant Historv A field case studv, ECMfR
IX, Cannes, a0 August - [ September, ^rance, [00b9
VdW Chauvet, G9, Aide-memoire de Geostatistique lineaire (Fascicule 2), Ecole des Mines de
Garis, 1$$19
VeW Chils l9-G9, Delfiner, G9, Geostatistics, Modeling Spatial Uncertaintv, Wiley Series in
probability and statistics, 1$$$9
V#W Christensen, R9, Plane Answers to Complex Questions, the Theorv of Linear Models,
Editions Springer, 1$$d9
V$W Chung, H9-S9 and Alonso, l9 l9, Using Gradients to Construct Cokriging Approximation
Model for High-Dimensional Design Optimi:ation Problems, b0
th
AIAA Aerospace
Science Meeting and exhibit, AIAA [00[-0a1e, Reno, lanuary [00[9
V10W Collombier D9, Plans dexperience factoriels, Springer, 1$$d9
V11W Cook, R9 D9 et Weisberg, S9, Residuals and Influence in Regression, Chapman and Hall,
London 1$#[9
V1[W Corre, I9, Thore, G9, de êraudy, V9 and Vincent g., Integrated Uncertaintv Assessment
For Profect Evaluation and Risk Analvsis, SGE d_[0_, SGE European Getroleum
Conference, Garis, ^rance, oct9 [b-[_, [0009
V1aW Cressie, %9, Statistics for Spatial Data, Wiley, %ep-York 1$$19
V1bW Currin, C9, Mitchell, T9 l9, Morris, M9 D9 and Ylvisaker, D9, Iayesian prediction of
deterministic functions, pith an application to the design an analysis of computer
experiments, Journal of the American Statistical Association #d, $_a-$da, 1$$19
V1_W Damslet E9, Hage, A9 and Volden, R9, Maximum Information at Minimum Cost' A North
Field Development Studv With an Experimental Design, lGT (December 1$$[), p91a_0
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[a0
V1dW Dejean, l9-G9 and Ilanc, g9, Managing Uncertainties on Production Predictions Using
Integrated Statistical Methods, SGE _dd$d, SGE Annual Technical Conference and
Exhibition, Houston, KSA, oct9 a-d, 1$$$9
V1eW Deutsch, C9 V9, lournel, A9 g., GSLIB . Geostatistical Software Librarv and Users
Guide, fxford Kniversity Gress, 1$$[9
V1#W Droesbeke l9l, îne l9, Saporta g9, Plans dexperiences. Application a lentreprise,
Technip, 1$$e9
V1$W Draper, %9 R9, Smith, M9, Applied Regression Analysis, Wiley, %-Y, ard Edition, 1$$#9
V[0W Egeland T9, Hatlebakk, E9, Holden, L9 and Larsen, E9A9, Designing Better Decisions, SGE
[b[e_, SGE European Getroleum Conference, Stavanger, %orpay, may9[_-[e , 1$$[9
V[1W âng, K9 T9, Lin, D9 K9 l9, Winker, G9 and Zhang, Y9, Kniform Design : Theory and
Application, Technometrics, Vol9 b[, %o9 a, [0009
V[[W âng, K9 T9, Li, R, Sudjiants, A9, Design and Modeling for Computer Experiments,
Chapman q Hall]CRC London, [00_9
V[aW ^riedmann, ^9, Chapath, A9 and Larue, D9 K9, Assessing Uncertaintv in Channeli:ed
Reservoirs Using Experimental Designs, SGE #_11e, SGE Annual Technical Conference
and Exhibition, %ep frleans, KSA, a0 sept9-a oct9 , [0019
V[bW lohnson, M9 E9, Moore, L9 M9, Ylvisaker, D9, Minimax and Maximin distance designs,
Journal of Statistical Planning and Inference [d, p 1a1-1b#, 1$$09
V[_W lourdan A9, Zabalva-Mevghani I9, Response surface designs for scenario management
and uncertainty in reservoir production, Mathematical Geologv, Vol9ad n#, %ovember
[00b
V[dW lournel, A9 g9, Huijbregts, Ch9 l9, Mining Geostatistics, Academic Gress, 1$e#9
V[eW lournel, A9 g9, Geostatistics for Reservoir Characteri:ation, SGE Annual Conference
and Exhibition, %ep frleans, KSA, sept9 [a-[d, 1$$09
V[#W Kenny, Q9 Y9, frthogonal Column Latin Hypercubes and Their Application in Computer
Experiments, Journal of the American Statistical Association $a, %o9 bbb, 1ba0-1ba$,
1$$#9
V[$W Koehler, l9 R9 and fpen, A9, I9, Computer Experiments, Handbook of Statistics, Vol9 1a,
p [d1-a0#, 1$$d9
Va0W Landa, L9 L9 and gyagler, I9, A Methodologv for Historv Matching and the
Assessment of Uncertainties Associated with Flow Prediction, SGE #bbd_, [00a9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[a1
Va1W Lechner l9G9and Zangl, g9, Treating Uncertainties in Reservoir Performance Prediction
with Neural Networks, SGE $ba_e, SGE Europec]EAgE Annual Conference, Madrid,
Spain, june 1a-1d, [00_9
Va[W Manceau, E9, Zabalva-Mevghani, I9, and êraille M9, CougarOpt software user Manual,
I^G, Version [90, [00[9
VaaW Manceau, E9, Zabalva-Mevghani, I9, and Roggero, ^9, Use of Experimental Design to
Make Decisions in an Uncertain Reservoir Environment - From Reservoir Uncertainties
to Economic Risk Analvsis, fAGEC seminar, [d-[#
th
lune [001, Rueil-Malmaison,
^rance9
VabW Matheron, g9, Grinciples of geostatistics, Economic Geologv _#, 1[bd-1[dd, 1$da
Va_W McKay, M9 D9, Ieckman, R9 l9 and Connover, W9 l9, A comparison of three methods for
selecting values of input variables in the analysis of output from computer code,
Technometrics [1, [a$-[b_, 1$e$9
VadW Mitchell, T9 l9 and Scott, D9 S9, A computer program for the design of group testing
experiments9 Communications in Statistics - Theorv and Methods 1d, [$ba-[$__, 1$#e
VaeW Montgomery, D9 C9, Geck, E9 A9, Introduction to linear regression analvsis, second
edition, l9 Wiley, 1$$1
Va#W Morris, M9 D9 and Mitchell, T9 l9, Exploratory designs for computational experiments,
Journal of Statistical Planning and Inference ba, a#1-b0[9 1$$_9
Va$W Mller, W9 g9, Collecting Spatial Data . Optimum Design of Experiments for Random
Fields, [
nd
edition, Ghysica-Verlag 1$$#9
Vb0W %elder, l9A9, Mead, R9, A simplex Method for fptimivation, The computer Journal, ne,
pp9 a0#, 1$d_9
Vb1W %eter, l9, Kutner M9 H9, %achstsheim, C9l9, Wasserman, W9, Applied Linear Models,
Irpin, Chicago, bnd edition (1$$d)
Vb[W fpen, A9 I frthogonal arrays for computer experiments, integration and visualivation,
Statistica Sinica [, ba$-b_[, 1$$[9
VbaW Gark, l9 S9, fptimal Latin-Hypercube designs for computer experiments, Journal of
Statistical Planning and Inference a$, $_-111, 1$$b9
VbbW Gapitan, Y9, In all likelihood . statistical modelling and inference using likelihood,
fxford Kniversity Gress, [001
Vb_W Geaceman, D9-W9, Fundamentals of Numerical Reservoir Simulation, Elsevier Science
Gublishers, %ep York, 1$ee9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[a[
VbdW Gortella, R9C9M9, Salomao, M9C9, Ilauth, M9, and Duarte, R9L9I9, Uncertaintv
Quantification to Evaluate the Jalue of Information in a Deepwater Reservoir, SGE
e$e0e, SGE Reservoir Simulation Symposium, Houston, KSA, feb9 a-_, [00a9
VbeW Rahon, D9, et Roggero, ^9, Utilisation des Reseaux de Neurones pour la prevision des
incertitudes, Rapport I^G n, bb ##0, Septembre 1$$#9
Vb#W RamaRao, I9-S9, La Venue, A9-M9, De Marsily, g9 and Marietta, M9-g9, Gilot point
methodology for automated calibration of an ensemble of conditionally simulated
transmissivity fields : 19 Theory and computational experiments9 Water Ressources
Research, a1(a) : be_-b$a, March 1$$_9
Vb$W Rao, C9 R9, Mitra, S9K9, Generali:ed Inverse of Matrices and its Applications, Wiley, %-
Y, 1$e19
V_0W Ripley, I9, Spatial statistics, Wiley, %ep-York, 1$#19
V_1W Robinson, g9 K9, That ILKG is a good thing: the estimation of random effects9
With comments and a rejoinder by the author. Statist. Sci9 6 , 1_-_1, 1$$19
V_[W Robinson, R9, %eural %etpork fffer an Alternative to Traditional Regression, Geobvte,
êbruary 1$$19
V_aW Sacks, l9 and Schiller, S9, Spatial designs, Statistical Decision Theorv and Related Topics
IJ [, a#_-a$$ Springer, %ep-York, 1$##9
V_bW Sacks, l9, Schiller, S9 and Welch, W9, Design for computer Experiments, Technometrics,
a1, b1-be, 1$#$9
V__W Sacks, l9, Welch, W9, Mitchell, T9, and Wynn, G9, Design and Analysis of Computer
Experiments (pith discussion), Statistical Science b, b0$-ba_, 1$#$9
V_dW Saltelli, A9, Chan, K9, and Scott, E9 M9, Sensitivitv Analvsis, Wiley Series in Grobability
and Statistics, [0009
V_eW Santer, T9 l9, Williams, I9 l9 and %otv, W9 I9, The Design and Analvsis of Computer
Experiments, Springer Series in Statistics, [00a9
V_#W Saporta g9, Probabilites. Analvse des donnees et statistiques, Technip, 1$$09
V_$W Scheidt C9, Zabalva-Mevghani I9, Assessing Uncertaintv and Optimi:ing Production
schemes - Experimental Designs for non-linear production response modeling - An
application to earlv water breakthrough prevention, ECMfR IX, Cannes, a0 August - [
September, ^rance, [00b9
Vd0W Scheidt C9, Zabalva-Mevghani I9, Collombier D9, Methode de modelisation de la
production dun gisement petrolier, Irevet : registration n 0b]0$91ee, September [00b9
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[aa
Vd1W Scheidt C9, Zabalva-Mevghani I9, êraille M9, Collombier D9, Adaptive Evolutive
Experimental Designs for Uncertaintv Assessment, IAMg, Toronto, Canada, [1-[d aojt
[00_
Vd[W Scheidt C9, Construction dun modele approche pour la quantification dincertitudes .
Krigeage ordinaire / Regression et Krigeage residuel, Rapport I^G n , fctobre [00_9
VdaW Shepry, M9 C9 and Wynn, H9 G9, Maximum entropy sampling, Journal of Applied
Statistics 1b, 1d_-1e09 1$$19
VdbW Silvey S9D9, Optimal Design, An Introduction to the Theorv for Parameter Estimation,
Chapman and Hall, 1$#09
Vd_W Simpson, T9 W9, Lin, D9 K9 l9 and Chen W9, Sampling Strategies for Computer
Experiments : Design and Analysis, International Journal of Reliabilitv and
Applications, [0019
VddW Spendlay, W9, Hext g9 R9 and Himsporth ^9R9, Sequential Application of Simplex
Designs in fptimivation and Evolutionary fperation, Technometrics, nb, pp9 bb1, 1$d[9
VdeW Tang, I9, frthogonal Array-Iased Latin Hypercubes, Journal of the American Statistical
Association, ##, 1a$[-1a$e, 1$$a9
Vd#W Thiria, S9 , Lechevallier, Y9, gascuel, f9, and Canu, S9, Statistique et Methodes
Neuronales9 Sciences SKG9 Dunod, 1$$e9
Vd$W Van Elk l9 ^9, guerrera, L9, Vijayan, K9 and gupta, R9, Improved Uncertaintv
Management in Field Development Studies through the Application of the Experimental
Design Method to the Multiple Reali:ations Approach, SGE dbbd[, SGE Annual
Technical Conference and Exhibition, Dallas, KSA, oct9 1-b, [0009
Ve0W Venkataraman, R9, Application of the Method of Experimental Design to Quantifv
Uncertaintv in Prodution Profiles, SGE _$b[[, SGE Asia-Gacific Conference,
Yokohama, lapan, apr9 [_-[d, [0009
Ve1W Walstrom, l9 E9, Mueller, T9 D9, Mcârlane, Evaluating Uncertaintv in Engineering
Calculations, SGE 1$[#, SGE Annual âll Meeting, Houston, KSA, oct9 1-b, 1$de9
Ve[W White, C9 D9, Willis, I9 l9, %arayanan, K9 and Dutton, S9 G9, Identifving and Estimating
Significant Geologic Parameters With Experimental Design, SGE lournal, September
[001
VeaW Wu, C9 ^9 l9 and Hamada, M9, Experiments. Planning, Analvsis, and Parameter Design
Optimi:ation, l9 Wiley, %ep-York, [0009
t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7
[ab
VebW Yeten, I9, Castellini, A9 , guyaguler, I9, Chen W9 H9, A Comparison Studv on
Experimental Design an Response Surface Methodologies, SGE $aabe, SGE Reservoir
Simulation Symposium, Houston, KSA, a1 jan9- [ feb9, [00_9
Ve_W Zabalva, I9, Dejean, l9G9, Collombier, D9, Ilanc, g9, Prediction and Densitv Estimation of
a Hori:ontal Well Productivitv Index using Generali:ed Linear Models, paper Ia1
presented at the 1$$# ECMfR VI, Geebles, September #-11
VedW Zabalva-Mevghani, I9, Analvse Statistique et Planification dexperience en ingenierie de
reservoir, Thse I^Gq Kniversit de Gau et des Gays de lAdour, [b Mai [0009
VeeW Zabalva-Mevghani I9, Scheidt C9, Manceau E9, Quantification of Uncertaintv for
Improved Recoverv Prediction, WGC 1
st
youth forum, Gekin, 1e-[a fctober, [00b9
Ve#W Zabalva-Mevghani I9 Scheidt C9, êraille M9, Manceau E9, Quantification of Uncertaintv
for Improved Recoverv Prediction, Goster at the WGC 1
st
youth forum, Gekin, 1e-[a
fctober, [00b9
Ve$W Zabalva-Mevghani I9, Manceau E9, êraille M9, lourdan A9, Kncertainty Management:
^rom geological Scenarios to Groduction Scheme fptimivation, Journal of Petroleum
Science and Engineering special issue. Risk Analvsis Applied to Petroleum Exploration
and Production, [00b9

t
e
l
-
0
0
1
2
7
7
5
0
,

v
e
r
s
i
o
n

1

-

2
9

J
a
n

2
0
0
7

Analyse Statistique

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Analyse Statistique

Uploaded by

Copyright:

Available Formats

Soutenue publiquement le 25 septembre 2006

au gradient de pression est necessaire. Il s`agit de la loi de Darcy

represente l`acceleration de la pesanteur, k le tenseur de permeabilite de la roche,

est lèstimateur des moindres carres, cèst-a-dire que lèstimateur

est alors donnee par :

= XX XY . C`est un estimateur sans biais,

est tres importante parce qu`elle est directement liee

f qui restitue les

est un estimateur des moindres carres de si X

est un estimateur des moindres carrees ordinaires de s`il minimise la Ionction

est egalement appele vecteur des coeIIicients de regression.

X represente la regression polynomiale associee a l`echantillon.

Z Y = X , et par consequent les resultats de la modelisation

Y l`estimateur initial obtenu a partir des n donnees simulees. L`estimateur en un

: Z Z = x , on utilise les proprietes

, il nexiste plus dinterpretation parametrique quant a la distribution de

( ) ou est un voisinage de arg max

x trouve lors de la maximisation de

x avec celle au point

est Iaible, nous pouvons supposer que

est negatiI, nous sommes sur une pente ascendante de

est positiI et juge non negligeable, une augmentation importante

est juge non negligeable, nous cherchons un nouveau

x a simuler dans la direction d`accroissement positiI. Disposant de plusieurs valeurs

x comme le symetrique du point

Max. de I'approx. courante

x est plus importante que celle

x . Le processus de recherche est alors stoppe, car la valeur de

x est plus Iaible que

x un maximum identiIie de la reponse. Nous cherchons, en considerant

x , le point tel que

Y en tout point x de l`espace est donnee par :

peut tre Iormalisee

Y X R Y X pour une estimation de

SS qui reprsente la variabilit explique par le modle,

est un estimateur de " par moindres carrs pondrs si et

est lestimateur des moindres carrs pondrs de " si et seulement si :

Y impose un critre classique de la prdiction,

represente le meilleur estimateur lineaire sans biais de Y.

You might also like