Estimation de modèles de vitesse sismique par apprentissage profond.

Simon, Jérome (2023). Estimation de modèles de vitesse sismique par apprentissage profond. Thèse. Québec, Doctorat en sciences de la terre, Université du Québec, Institut national de la recherche scientifique, 151 p.

Prévisualisation

PDF Télécharger (63MB) | Prévisualisation

Résumé

La sécurité énergétique, économique et environnementale de la société dépend grandement de l’exactitude de la connaissance de l’intérieur du sol. Une stratégie efficace pour y accéder réside dans les méthodes sismiques, qui peuvent estimer de façon non destructive la géométrie des structures souterraines à grande échelle. Or, les méthodes sismiques sont soumises à des limitations méthodologiques qui réduisent leur efficacité et leur résolution : l’imagerie et l’inversion sismiques dépendent d’un modèle de vitesse d’essai très lisse et coûteux à obtenir, en plus de nécessiter beaucoup d’intervention humaine et, par leur caractère itératif, de calculs. L’apprentissage profond permettrait de contourner ces difficultés, par sa capacité à résoudre des problèmes non linéaires. Par contre, la réussite de l’apprentissage profond dépend d’un entraînement, très coûteux en calculs, et de la conception de données massives spécifiques à chaque problème. Dans cette thèse, j’ai pour objectif d’accélérer et d’améliorer les techniques de DL qui existent actuellement pour l’estimation de modèles de vitesse 2D, dans l’optique que les praticiens de la sismique puissent bénéficier d’un outil mature, plus rapide et versatile. Les contributions présentées dans cette thèse permettent d’améliorer nettement les méthodes existantes en diminuant par au plus 80 fois les temps de calcul et d’au plus 45% l’erreur. Pour ce faire, j’ai développé une approche d’apprentissage par transfert permettant de préentraîner des réseaux de neurones sur des modèles 1D, plus simples, et de conserver toute l’information apprise une fois en 2D. Cette stratégie réduit les besoins en calculs et permet de meilleures performances. Ensuite, j’ai reformulé le problème de régression de vitesse en un problème de classification pour contourner l’utilisation d’ensembles, lesquels étaient coûteux, mais nécessaires au réalisme. Les classificateurs fournissent des résultats plus exacts que les régresseurs et permettent d’estimer la confiance à un coût moindre que celui d’ensembles. Enfin, j’ai quantifié le surajustement de réseaux de neurones sur plusieurs domaines d’entraînement et j’ai confirmé que les écarts de domaine diminuent la per formance. La performance des réseaux de neurones dépend au moins en partie des a priori portés par les données d’entraînement, notamment en ce qui a trait aux plages de vitesses attendues. Quoique la création d’un outil d’estimation de modèles de vitesse parfaitement versatile à partir du réseau de neurones testé est toujours improbable, cette thèse suggère que l’adaptation de domaine, l’apprentissage par transfert et l’apprentissage actif feront partie intégrante des futures méthodologies.

The energetic, economic, and environmental security of society depends greatly on the accurate knowledge of the interior of the earth. An effective strategy for accessing this knowledge lies in seismic methods, which can non-destructively estimate the geometry of the ground at a large scale. However, seismic methods are subject to methodological limitations that reduce their efficiency and resolution : seismic imaging and inversion depend on a very smooth and expensive to obtain test velocity model, in addition to requiring a great deal of human intervention and, by their iterative nature, computation. Deep learning could circumvent these difficulties, by its ability to solve non linear problems. On the other hand, the success of deep learning depends on a training step, which is very computationally expensive, and on the design of big data specific to each problem. In this thesis, I aim to improve the computation time and accuracy of the current DL techniques for 2D velocity model estimation, with the goal of providing seismic practitioners with a mature, faster, and versatile tool. The contributions described in this thesis significantly improve existing methods by reducing computation times by up to 80 times and errors by up to 45%. To accomplish this, I have developed a transfer learning approach that allows neural networks to be pre-trained on 1D models, which are simpler to estimate, and to retain all the information learned once in 2D. This strategy reduces computational requirements and allows reaching better performances. Next, I reformulated the velocity regression problem into a classification problem to bypass the use of ensembles, which were expensive but necessary to obtain realistic results. Classifiers provide more accurate results than regressors and allow confidence to be estimated at a cost lower than that of ensembles. Last, I quantified the overfitting of neural networks over several training domains and confirmed that domain gaps decrease performance. The performance of neural networks depends at least partly on the assumptions made through the training dataset, especially with respect to the expected velocity ranges.

Type de document:	Thèse Thèse
Directeur de mémoire/thèse:	Gloaguen, Erwan
Co-directeurs de mémoire/thèse:	Fabien-Ouellet, Gabriel
Mots-clés libres:	estimation de modèles de vitesse; inversion sismique; réseaux de neurones profonds; apprentissage profond; apprentissage automatique; intelligence artifcielle; sismique d’exploration; géophysique appliquée; velocity model estimation; seismic inversion; deep neural networks; deep learning; machine learning; artifcial intelligence; exploration seismics; applied geophysics
Centre:	Centre Eau Terre Environnement
Date de dépôt:	02 nov. 2023 14:57
Dernière modification:	02 nov. 2023 14:57
URI:	https://espace.inrs.ca/id/eprint/13730

Gestion Actions (Identification requise)

Modifier la notice