Inversion des données sismiques par les réseaux de neurones artificiels : application du réseau à fonction de base radiale et du réseau récurrent d'elman

Abstract

L’appréhension de la structure interne de la Terre à partir de données collectées en surface demeure sans doute le souci constant de la plupart des géophysiciens. C’est dans ce contexte typique que s’est initialement développée la théorie du problème inverse, visant à interpréter, voire caractériser au mieux les problèmes géophysiques ainsi posés. Au cours de ces dernières années, plusieurs techniques ont été élaborées pour la résolution du problème inverse. La plupart de ces techniques cherchent à traiter son caractère mal posé qui pose en lui-même de sérieux problèmes de stabilité et de convergence. Dans cette thèse, notre contribution s’inscrit justement au cœur de cette problématique. En effet, nous ne prétendons pas apporter des solutions clefs à tous les problèmes posés, mais nous avons examiné l’application des réseaux de neurones artificiels (RNA) à la résolution du problème inverse. Sont considérées le long de ce travail les deux principales classes suivantes la tomographie sismique et l’inversion stratigraphique. Soulignons tout d’abord que les RNA font partie des systèmes adaptatifs non linéaires, qui sont constitués d’un grand nombre d’unités élémentaires (appelées aussi cellules ou agents). Ils traitent l’information d’une manière parallèle et distribuée. De telles propriétés leur confèrent bien la qualité de robustesse vis-à-vis des données incomplètes, incertaines et bruitées. Chose qui motive leur utilisation dans le cadre du problème inverse. En vu de justifier l’applicabilité des RNA, une étude comparative a été réalisée. Pour ce faire, les réseaux de neurones à Base Radiale (FBR) et de type Elman sont utilisés comme outils d’inversion et comparés à des techniques classiques (ART, SIRT, et GC) sur la base d’exemples synthétiques, puis sur des données réelles. Dans le cadre de la tomographie, les résultats obtenus ont monté que les RNA de type FBR sont les plus performants en terme d’amélioration de la reconstruction d’images sismiques très complexes, viennent ensuite les méthodes GC et ART avec un niveau de reconstruction assez acceptable. La méthode SIRT, quant à elle, s’est révélée moins performante. D’autre part, il est important de noter que le réseau de type Elman s’avère assez conservatif en raison des difficultés liées à la procédure d'apprentissage. Le test de reconstruction en présence de bruit montre la capacité de la structure FBR à retrouver avec une précision largement acceptable la répartition de vitesse à partir du temps de trajet, tandis que les autres méthodes ont donné des images altérées présentant des artefacts. Ci qui est principalement dû à la présence de bruits et à l’instabilité de la solution obtenue. Quant à l’inversion stratigraphique, nous avons pu obtenir un apprentissage simple et facile pour les deux structures proposées (FBR et Elman) à l’aide de l’algorithme de rétro-propagation du gradient conjugué. Notons qu’en présence de bruits, le RNA de type Elman conduit bien à des résultats intéressants en termes d’inversion, alors que la performance préalablement discutée du réseau FBR se dégrade de plus en plus au cours du processus d’inversion. Une autre constatation qu’on puisse également faire réside dans le fait que l’utilisation d’une seule couche cachée simplifie davantage la structure des réseaux et permet, par voie de conséquence, de rendre aisée l’estimation des paramètres acoustiques à partir des données sismiques. Sur la base de l’ensemble des considérations examinées le long de cette thèse, il ne deviendra guère difficile d’affirmer que les RNA offrent bien les outils nécessaires à l’amélioration de la caractérisation de la structure interne de la Terre, ce qui se traduit par un net allègement de la tâche de l’interprétation