Réseaux de neurones convolutifs appliqués aux données géophysiques aéroportées.

Cedou, Matthieu (2022). Réseaux de neurones convolutifs appliqués aux données géophysiques aéroportées. Thèse. Québec, Doctorat en sciences de la terre, Université du Québec, Institut national de la recherche scientifique, 165 p.

Prévisualisation

PDF Télécharger (316MB) | Prévisualisation

Résumé

Le monde des géosciences accumule des données depuis plus de 150 ans. Plus récemment, les levés géophysiques aéroportés se sont montrés adéquats pour l’étude du sous-sol de par leur continuité spatiale, leur nature quantitative et leur pénétration en profondeur. L’apprentissage automatique est un outil puissant d’analyse et de mise en valeur des données déjà appliqué avec succès dans de nombreux domaines. Son application aux données géophysiques aéroportées per mettrait d’en extraire plus d’information et faciliterait leur utilisation par les géologues. Les réseaux de neurones convolutifs, prenant en compte l’agencement spatial et fournissant de nouvelles re présentations des données, semblent particulièrement adaptés à cette tâche. Dans ce cadre, trois projets ont été réalisés pour extraire de l’information, interpréter et mettre en valeur ces données. En premier lieu, un auto-encodeur a été entraîné à décomposer puis recomposer des images obtenues par géophysique aéroportée. Une fois entraîné, il fournit des représentations isolant les différentes composantes du signal d’entrée. Ces représentations peuvent alors être utilisées par un géologue ou par un autre algorithme d’apprentissage automatique à différentes fins. Un deuxième projet génère un jeu de données synthétiques de magnétisme aéroporté et de cartogra phie géologique grâce à un processus d’augmentation des données, prenant en entrée un modèle géologique et pétrophysique 3D. Un réseau de neurones convolutifs a été entraîné à réaliser une segmentation sur ces données. Un algorithme de regroupement utilise ensuite les représentations du réseau entraîné pour produire une segmentation semi-supervisée. Cette dernière montre des résultats prometteurs pouvant être utilisés en cartographie géologique prédictive préliminaire. Un troisième projet propose d’entrainer un réseau antagoniste génératif à augmenter la résolution des données magnétiques aéroportées, permettant d’obtenir une continuation vers le bas des don nées. Au-delà de ces réalisations, ces projets définissent un cadre à l’application des réseaux de neurones convolutifs aux données géophysiques aéroportées. La difficulté de cette tâche réside dans le transfert de l’expérience et de la compréhension géologique aux algorithmes, ce qui doit être pensé en amont par : la définition des objectifs, les types de pairs données/étiquettes utilisées, les stratégies d’entrainement et l’architecture des algorithmes. Cette technologie, à court terme, présente un grand potentiel dans le traitement et la mise en valeur des données géophysiques existantes, de par la nature des données, leur disponibilité et les applications matures actuelles de l’apprentissage automatique. Ainsi, la convergence des sciences des données et des géosciences permettrait d’extraire une information précieuse des données historiques, et aider les géologues dans leur compréhension de sous-sol.

Geosciences have been cumulating data for more than 150 years, including airborne geo physical surveys, which are well adapted to study the subsurface due to their spatial continuity, quantitative nature, and depth penetration. Machine learning is a powerful and mature tool for data analysis and enhancement, already successfully applied in many domains. Applying it to airborne geophysical data would extract new information from them and facilitate their use by geologists. Convolutional neural networks, which take the spatial layout of the data into account and provide new data representations, seem particularly well suited for the task. In this context, three projects have been carried out to extract information, interpret, and enhance these data. First, an auto encoder is trained to decompose and recompose a geophysical signal. Once trained, it provides new representations isolating the different components of an input signal. Then, geologists or ano ther machine learning algorithm can use these representations for various purposes. A second project generates a synthetic airborne magnetic dataset and their counterpart geological maps through a data augmentation process, taking a 3D geological and petrophysical model as input. A convolutional neural network is trained to perform segmentation on this data. A clustering algorithm also uses the representations of the trained network to produce a semi-supervised segmentation. It shows promising results, which can be used in preliminary predictive geological mapping. A third project proposes to train a generative adversarial network to increase the resolution of airborne magnetic data. This task, similar to a downward continuation of the data, could be achieved with this network. Beyond these achievements, these projects define a framework to apply convolutio nal neural networks to airborne geophysical data. This task’s difficulty lies in transferring geological experience and understanding to the algorithms, which must be thought upstream by : defining the objectives, the types of data/label pairs used, the training strategies, and the architecture of the algorithms. Nevertheless, this technology, in the short term, has great potential in the processing and enhancement of existing geophysical data due to the nature of the data, its availability, and the current mature applications of machine learning. Thus, the convergence of data sciences and geosciences would allow the extraction of valuable information from historical data and help geo logists understand the subsurface.

Type de document:	Thèse Thèse
Directeur de mémoire/thèse:	Gloaguen, Erwan
Co-directeurs de mémoire/thèse:	Blouin, Martinet Caté, Antoine
Mots-clés libres:	intelligence artificielle ; apprentissage automatique ; géophysique aéroportée ; données magnetiques aéroportées ; réseau de neurones convolutifs ; auto-encodeur ; augmentation des données ; segmentation ; réseaux antagonistes génératifs ; continuation vers le bas; artificial intelligence; machine learning; airborne geophysics; airborne magnetic data; convolutional neural network; auto-encoder; data augmentation; segmentation; generative adversial network; downward continuation
Centre:	Centre Eau Terre Environnement
Date de dépôt:	31 août 2023 13:49
Dernière modification:	31 août 2023 13:49
URI:	https://espace.inrs.ca/id/eprint/13535

Gestion Actions (Identification requise)

Modifier la notice