Mots clés : Imagerie sismique, Deep Learning, HPC, GPU, Python, F90, C, Specfem
Envoyez CV, lettre de motivation et éventuels relevés de note à roland.martin@get.omp.eu
Problématique du stage :
Si la structure globale de notre planète est connue depuis de nombreuses années, elle a été en grande partie révélée par la sismologie. Cette science étudie la propagation des ondes élastiques, principalement grâce aux ondes de compression dites P (qui sont les plus rapides)
et dans une moindre mesure avec les ondes cisaillantes ou ondes S (qui sont plus lentes mais plus énergétiques).Lors d’une première étude nous avons regardé les temps d’arrivée des ondes P et les courbes de dispersion liées aux ondes de surface dont une problématique de proche surface portait autour des systèmes karstiques et des aquifères côtiers très impactés par les eaux salines. Il s’agira à présent d’adapter ces outils d’imagerie sismique pour étudier la subsurface à l’échelle de la structure de la lithosphère (ou encore appelée croûte terrestre) et de la partie supérieure de l’asthénosphère terrestre (ou manteau supérieur jusqu’à ~100km de profondeur).
Pour cela nous nous intéresserons à des données sismiques simulées ou acquises dans le sud du Mexique et dans les Pyrénées, et ce en vue de compléter des bases d’entrainement de nos outils d’IA et de fournir de meilleurs modèles de la lithosphère du sud Mexique. La structure géologique de cette région est intéressante à étudier pour plusieurs raisons car :
- elle est sujette à des tremblements de terre fréquents,
- des fluides d’origine volcanique y sont présents mais doivent être mieux localisés à l’instar de 3) différents fluides (liquides, gaz) à fort potentiel économique.
Pour atteindre ces objectifs: Nous nous proposons de regrouper des géophysiciens du laboratoire GET (R. Martin, J. Darrozes, B. Plazolles) experts en analyse de données et/ou en apprentissage automatique basé sur des algorithmes de « Deep Learning » et/ou physique des ondes sismiques.
Profil demandé :
Niveau M1/M2 recherche ou ingénieur (INSA, ISAE, IMT, …) spécialisé en mathématiques appliquées, Intelligence Artificielle et ou physique. Goût pour les applications en (géo-) physique recommandé.Objectifs principaux :
L’imagerie sismique est utilisée en grande majorité pour caractériser les structures profondes de la Terre via la sismique passive(liée aux sources sismiques naturelles générées soit par des tremblements de terre soit par du bruit ambient). A l’échelle de quelques kilomètres de profondeur elle est fortement utilisée dans le domaine pétrolier via la sismique active. Mais ici nous n’utiliserons que l’imagerie passive.En rapprochant des géophysiciens, des spécialistes en IA et en calcul numérique le stage proposé vise à combler ce gap existant entre les structures géologiques très superficielles (bassins sédimentaires compris) et celles du manteau supérieur (~80-100km de profondeur).
Ce projet s’inscrit dans les actions et objectifs principaux de la thématique environnementale du GET car les méthodes et outils développés seront appliqués à des données naturelles comme pour les Pyrénées. L’idée sera d’avoir des benchmarks réels permettant de tester les différentes techniques d’apprentissage profond afin :
- d’identifier les différentes structures possibles qu’elles soient de nature tectonique ou
- hydrologique.
Une attention particulière sera apportée à la sémantisation/labellisation des données.
Le stage a aussi pour but d’améliorer les compétences des chercheurs de sciences de la Terre et de l’environnement en Occitanie aux techniques d’IA.
Les résultats obtenus ouvriront de nouveaux horizons de recherche pour les géosciences et/ou les mathématiques appliquées en Occitanie.Des retombées indirectes sont aussi à prévoir comme une meilleure compréhension des possibilités offertes par l’IA, que ce soit : 1) pour l’inversion sismique (régularisation basée sur des réseaux de neurones, apprentissage de bases réduites), ou 2) les géosciences environnementales en général. On peut ainsi penser à d’autres applications de ces techniques en sciences de l’environnement comme par exemple un suivi temporel plus précis des circulations d’eaux souterraines, ou une caractérisation fine des structures tectonique ou 3) la limite entre croûte supérieure et inférieure et entre crôute et manteau supérieur.
Données, langages, méthodologie et outils :
Le stage consistera à reprendre deux codes de Deep-Learning (détections de temps d’arrivée, Huynh et coll. 2023, ou de courbes de dispersion) et les entrainer avec de nouvelles données sismiques simulées ou réelles acquises sur le terrain. Il se situe dans la continuité de travaux de l’équipe. Il exploitera des données simulées et réelles, et devra utiliser à la fois les outils classiques du deep learning (Pytorch/Tensorflow) mais aussi les codes numériques de propagation d’ondes (e.g. Specfem) utilisés en géosciences. Les outils sur lesquels nous nous appuierons sont basés sur les algorithmes de type auto-encodeur (U-net) intégrant dans leur approche des réseaux de neurones convolutifs (CNNs) utilisés en détection de temps d’arrivée ou en reconnaissance d’interfaces géologiques.
