P OSITIONNEMENT DU SUJET DE RECHERCHE

Au cours de ces 10 dernières années, la caractérisation des massifs fracturés par la géophy-sique (Day-Lewis et al., 2017) s’est multipliée, spécifiquement par l’utilisation du GPR dans le cadre de la détection et la cartographie des fractures (Baek et al., 2017; Dorn et al., 2011a; Döse & Carlsten, 2017; Grasmueck et al., 2013; Marchesini & Grasmueck, 2015; Shakas & Linde, 2015), la caractérisation de l’ouverture des fractures (Markovaara-Koivisto et al., 2014; Shakas, 2017; Shakas & Linde, 2017) ainsi que l’analyse du flux et transport (Becker & Tsoflias, 2010; Dorn et al., 2011b; Dorn et al., 2012; Giertzuch et al., 2020; Shakas et al., 2016). Cependant, à l’heure actuelle, la plupart des expériences GPR dans les milieux fractu-rés ont été menées dans des formations rocheuses relativement perméables. Cette restriction d’environnement géologique nous mène au premier objectif de cette thèse qui consiste à tester la méthode GPR (en configuration statique et dynamique) de manière fiable dans un milieu fracturé extrêmement peu perméable (ouverture des fractures < mm) où les réponses GPR sont très faibles.

Les dernières innovations dans la modélisation des fractures à partir des modèles DFN (Davy et al., 2013; Lavoine, 2020; Le Goc et al., 2017) ont permis une meilleure compréhension des processus physiques des milieux fracturés, tels que les propriétés mécaniques des massifs fracturés (p. ex. les propriétés élastiques, la stabilité des roches, …) (Darcel et al., 2018; Davy et al., 2018a; Merrien-Soukatchoff et al., 2012) et la caractérisation du flux et du transport (p. ex. la modélisation hydromécanique, le calcul à haute performance, …) (Hyman et al., 2015; Lei et al., 2017). Cependant, les modèles DFN, traditionnellement construits à partir des don-nées 1-D et 2-D (forages et affleurements) (Davy et al., 2018b; Le Goc et al., 2017) ne sont encore que trop peu dérivés de données 3-D (Appleyard et al., 2018; Dorn et al., 2013). Cette limitation nous mène au deuxième objectif de la thèse qui consiste à observer dans quelle(s) mesure(s) les données GPR apportent une information déterministe 3-D suffisante aux DFN stochastiques de manière à ce que l’incertitude, liée à la variabilité géométrique et hydrogéo-logique des fractures du réseau modélisé entre les différentes réalisations, soit diminuée.

Pour parvenir à ces objectifs, plusieurs étapes sont nécessaires allant de l’acquisition des données GPR à la construction du modèle statistique. La première partie consiste à récolter les données GPR (méthode de surface) dans le tunnel d’étude lors d’une première expérience destinée à la cartographie des fractures (Chapitre 2) et lors d’une deuxième expérience desti-née à l’imagerie des connexions entre les fractures (Chapitre 3). La deuxième partie consiste à construire un réseau de fractures stochastiques sur base de la statistique des données ob-servées en 1-D (forages) et 2-D (parois du tunnel) dans le tunnel d’étude (Chapitre 4). La

troisième et ultime étape combine les deux premières en insérant l’information géophysique déterministe dans les DFN stochastiques du tunnel (Chapitre 5).

Les différentes étapes de l’étude se divisent comme suit :

Le Chapitre 2 présente la première expérience de terrain réalisée dans le laboratoire souterrain d’Äspö. Deux principaux objectifs ont été abordés. Le premier était la détermination de l’origine des réflexions GPR que nous avons comparé avec des données de forages (données hydrau-liques et données de logs). L’analyse nous montre que les structures GPR identifiées corres-pondent à des fractures ouvertes, d’orientation subhorizontale (dip < 35°). Le deuxième était la détermination d’une part de la proportion de fractures ouvertes détectées par GPR et d’autre part de la gamme de détection en termes de tailles et d’orientation des fractures. Pour y ré-pondre, les fractures GPR ont été intégrées au modèle statistique de fractures construit à partir des données de traces de fractures observées sur les parois du tunnel d’étude (TAS04) ainsi que trois autres tunnels entourant celui-ci à la même profondeur. Cette analyse nous montre que la méthode GPR utilisée est capable de détecter 80% des fractures ouvertes, subhorizon-tales et de surface comprise entre 1-10 m² dans un milieu très peu perméable.

Le Chapitre 3 présente la deuxième expérience de terrain réalisée dans le même tunnel d’étude. Des mesures GPR ont été acquises lors d’un essai de traçage entre deux puits. À nouveau, deux objectifs ont été abordés. Le premier était la détermination de l’origine du signal GPR observé sur des profils acquis à différents temps de mesure (avant l’expérience et à la fin de l’expérience). Pour y répondre, nous avons modélisé le signal GPR provenant d’une fracture, dans le cas où l’on observe une différence de conductivité électrique (par exemple lié à la présence du traceur dans la fracture) ou une différence d’ouverture (par exemple liée à l’injection haute pression du traceur). L’analyse nous montre que les signaux GPR obtenus sont dus à un changement d’ouverture des fractures. Le deuxième était la détermination de la capacité des données GPR à améliorer la prédiction de l’ouverture des fractures (et leur trans-missivité) dans les modèles hydromécaniques. De cette manière, nous avons comparé la va-leur de variation d’ouverture estimée par le GPR avec la gamme d’ouverture prédite par un modèle hydromécanique. Cette analyse nous montre : premièrement, que l’hypothèse d’ou-verture de fracture par le GPR n’est pas incompatible au modèle hydromécanique ; deuxième-ment, que les expériences GPR de terrain in-situ pourraient être utilisées afin de contraindre la gamme très large de variation d’ouverture, prédites par les modèles hydromécaniques. Le Chapitre 4 explique la méthode de construction d’un DFN stochastique à partir des données de terrain (forages et affleurements de surface et de profondeur). Nous avons détaillé les re-lations mathématiques, nécessaires pour le passage d’une dimension 1-D et 2-D à la

dimen-sion 3-D des DFN, puis nous les avons appliquées pour la construction d’un modèle de frac-tures stochastiques, basé sur les données de forage et de traces de fracfrac-tures observées dans notre tunnel d’étude. Afin d’obtenir une cohérence entre les données 1-D et 2-D, nous avons testé plusieurs modèles pour finalement en sélectionner deux compatibles. Cette analyse dé-montre qu’il existe plus d’un seul et unique type de modèle DFN capable de refléter le milieu naturel fracturé.

Le Chapitre 5 consiste à l’intégration des données géophysiques et hydrogéologiques, récol-tées lors des deux expériences (Chapitres 1 & 2), dans les modèles stochastiques locaux au tunnel d’étude (sélectionnés dans le Chapitre 4). L’objectif est d’observer l’utilité des données 3-D GPR dans la réduction des incertitudes liées aux variabilités entre réalisations des DFN stochastiques, utilisés pour la prédiction de flux et transport au sein du réseau de fractures. Ainsi, nous construisons des DFN dits « conditionnés » aux données GPR, c’est-à-dire des DFN stochastiques dans lesquels nous avons introduit les fractures déterministes observées par le GPR (on peut aussi les appeler les DFN « semi-stochastiques »). Ces dernières étant ouvertes, nous avons focalisé notre étude sur des modèles de fractures ouvertes uniquement. À l’issue de critères de validation de nos modèles, basés sur les connectivités mesurées sur le terrain, nous avons comparé le pourcentage de réalisations validées entre DFN stochas-tiques et DFN conditionnés. Cette analyse montre que le conditionnement permet de valider jusqu’à 40% de réalisations supplémentaires aux modèles stochastiques.