Description
Date depot: 11 février 2021
Titre: Inversion de signaux géophysiques par apprentissage profond
Directeur de thèse:
Christophe DENIS (UMMISCO)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Non defini
Resumé: Depuis le milieu des années 90 jusqu’à la fin de la décennie précédente, l’utilisation des réseaux de neurones a semblé prometteuse, soit pour le traitement direct de sondages géophysiques, l’inversion de panneaux électriques pour la géophysique environnementale ou pour l’identification d’ondes ou le filtrage de bruit sismique Cette embellie a progressivement laissé le pas aux algorithmes d’apprentissage machine plus rapides à entrainer et plus précis, mais qui avait besoin d’une identification supervisée des caractéristiques à identifier, notamment pour l’identification automatique d’images ou la reconnaissance vocale. Depuis quelques années, les algorithmes d’apprentissage profond ont pris le relais permettant une identification non supervisée à partir de très grands jeux de données (Bien que cette dernière technique soit informatiquement gourmande, la disponibilité croissante des machines multiprocesseurs CPU ou GPU n’est maintenant plus un frein à son utilisation. L’application de l’apprentissage profond à la géophysique de sub-surface devrait d’une part pallier les faiblesses des algorithmes d’inversion linéaires ou non, pour lesquels dans un problème multi-paramétrés à grand nombre d’inconnues, la fonction objectif est souvent très aplatie, bien que bosselée, autour de son minimum global. D’autre part, les différents bruits affectant les données réclament souvent un ajustement fin des paramètres d’amortissement en privilégiant un compromis entre la variance de la solution et la variance des erreurs d’ajustements. Finalement, la physique sous-jacente au problème direct, conduisant fréquemment à des artéfacts lors de l’inversion, peut également être occultée, ce qui garantit également une relative indépendance par rapport à un paramétrage imparfait. Ce sujet de thèse doit permettre de valider l’utilisation effective de l’apprentissage profond sur différents thèmes géophysiques : inversion de sondages géophysiques (sondages électriques et électromagnétiques dans les domaines temporels et fréquentiels, indépendants ou couplés entre eux, spatialement ou méthodologiquement), identification des structures à partir de l’imagerie électrique, reconnaissance automatique des anomalies mesurées en méthodes potentielles, en améliorant par exemple la détermination de paramètres des anomalies classiquement obtenues par déconvolution eulérienne.
Résumé dans une autre langue: From the mid-1990s to the end of the previous decade, the use of neural networks seemed promising, either for the direct processing of geophysical soundings, for electrical tomography inversion for solving environmental geophysics issues, or for wave identification or seismic noise filtering This improvement gradually gave way to machine learning algorithms, both faster to train and more precise, but which needed a supervised identification of the characteristics to be identified, in particular for the imagery automatic identification or for voice recognition. Lately, deep learning algorithms have taken over allowing unsupervised identification from very large data sets Although this last technique may be computationally greedy, the increasing availability of CPU or GPU multiprocessor machines opens unlimited possibilities. The application of deep learning to sub-surface geophysics should on the one hand overcome the weaknesses of linear or non-linear inversion algorithms, for which in a multi-parameter problem with a large number of unknowns, the objective function is often very flat, although bumpy, around its global minimum. On the other hand, the various noises affecting the data often require a fine adjustment of the damping parameters by favoring a compromise between the variance of the solution and the variance of the adjustment errors. Finally, the physics underlying the direct problem, frequently leading to artefacts during inversion, can also be let apart, which also guarantees a relative independence from unsatisfactory parameterization. This thesis aims to validate the effective use of deep learning applied to various geophysical topics: geophysical soundings processing (electrical and electromagnetic soundings in the temporal and frequency domains, independently, or spatially or methodologically coupled), identification structures from electrical tomography, automatic recognition of anomalies measured by potential methods, by improving, for example, the determination of parameters of the anomalies conventionally obtained by Euler deconvolution.
Doctorant.e: Cardenas Chapellin Julio José