Le forage horizontal est devenu un moyen important pour les compagnies pétrolières d'augmenter la production unitaire de puits dans les réservoirs compacts et non conventionnels. Cependant, en raison de la relation spatiale complexe entre la trajectoire du puits horizontal et la formation géologique, les approches d'analyse traditionnelles des puits verticaux ne peuvent pas être efficacement appliquées. Une description précise de la relation spatiale entre la trajectoire du puits horizontal, la formation cible et la roche encaissante est la tâche principale de l'interprétation des diagraphies des puits horizontaux. La méthode dominante actuelle consiste à construire un modèle initial de la formation basé sur un puits pilote, puis à ajuster le modèle par segments en utilisant la simulation directe des données de diagraphie. Cependant, cette méthode est peu efficace temporellement et nécessite de nombreux calculs répétitifs pour différents puits dans la même région. Par conséquent, l'établissement d'un modèle puits-formation raisonnable est la clé dans le traitement et l'interprétation des données de mesures des puits horizontaux. Le modèle puits-formation peut décrire avec précision la relation spatiale entre le puits et l'interface de la formation, y compris la distance entre la position du puits et l'interface, ainsi que l'angle entre l'axe du puits et la direction normale de la formation. Par ailleurs, les méthodes d'analyse des données de diagraphie basées sur l'apprentissage automatique et l'intelligence artificielle, grâce à l'entraînement de modèles intelligents, ont été appliquées dans tous les aspects de l'interprétation des données de diagraphie, offrant la possibilité de dépasser les limites des méthodes traditionnelles. Ainsi, une méthode d'interprétation automatique des diagraphies des puits horizontaux basée sur l'intégration de modèles multiples et un réseau neuronal profond est proposée : d'abord, un modèle théorique incluant différentes trajectoires de puits et combinaisons formation-puits est construit pour générer une bibliothèque d'échantillons de réponse de diagraphie ; ensuite, des modèles d'apprentissage automatique tels que le eXtreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM) et Categorical Boosting (CatBoost) sont intégrés et leurs résultats prédictifs fusionnés via un perceptron multicouche (MLP) ; enfin, une reconnaissance intelligente automatique des relations géométriques entre la trajectoire du puits et la roche encaissante est réalisée sur les données réelles. L'analyse d'exemples montre que cette méthode capte précisément les caractéristiques complexes des réponses de diagraphie des puits horizontaux tout en améliorant significativement la vitesse et la précision de l'interprétation, permettant une analyse rapide de plusieurs puits dans des environnements géologiques similaires, fournissant ainsi un moyen intelligent et efficace pour l'interprétation des diagraphies des puits horizontaux.

puits horizontal;interprétation des diagraphies;intelligence artificielle;apprentissage profond;modélisation des formations