Développement d'outils d'interprétation de données géophysiques

Tools development for geophysical data interpretation

• Auteur / Autrice : Nacim Foudil-Bey
• Direction : Jean-Jacques Royer, Zhen Cheng Li
• Type : Thèse de doctorat
• Discipline(s) : Géosciences
• Date : Soutenance le 27/06/2012
• Etablissement(s) : Université de Lorraine en cotutelle avec Université du Québec à Montréal
• Ecole(s) doctorale(s) : RP2E - Ecole Doctorale Sciences et Ingénierie des Ressources, Procédés, Produits, Environnement
• Partenaire(s) de recherche : Laboratoire : Centre de recherches pétrographiques et géochimiques (Vandoeuvre-lès-Nancy, Meurthe-et-Moselle)
• Jury : Président / Présidente : Michel Diament
• Jury : Examinateurs / Examinatrices : Fouad Erchiqui, Claude Jaupart, Jean-Claude Mareschal
• Jury : Rapporteurs / Rapporteuses : Alain Tabbagh, Colin Farquharson

Mots clés

Mots clés contrôlés

Assimilation de données (géophysique)

Inversion (géophysique)

Prospection géophysique

Optimisation mathématique

Géophysique

Mots clés libres

Gravimétrie

Magnétique

Densité

Magnétisation

Tetraèdre

Modélisation

Simulation

Inversion

Stochastiques

Réseaux de Neurones

Gravity

Magnetic

Density

Magnetization

Tetrahedron

Modeling

Simulation

Inversion

Stochastics

Neural Networks

Résumé

Les méthodes géophysiques aéroportées sont très utilisées pour la prospection du sous-sol à l'échelle régionale, permettant ainsi de couvrir de grandes surfaces en particulier les zones difficiles d'accès. Le sujet de thèse concerne le développement de techniques d'interprétation des données géophysiques pour le problème des ressources naturelles et de l'environnement. La première partie de cette thèse concerne le développement d'une méthode de calcul direct des composantes des champs gravimétrique et magnétique à partir d'une structure (corps) géologique modélisé(e) par une grille à base de tétraèdres, ce qui permet de représenter des modèles géologiques très complexes particulièrement en présence de zones faillées et hétérogènes avec un nombre d'éléments optimal. Plusieurs techniques d'inversions utilisent des contraintes mathématiques pour la résolution du problème inverse en modélisation. Ces contraintes permettent de réduire le nombre de modèles possibles. Cependant les solutions proposées appelées aussi « le modèle le plus probable » présentent des solutions lisses, ce qui est loin de représenter la réalité géologique. Pour éluder ce problème, les deuxièmes et troisièmes parties de la thèse proposent des améliorations majeures du processus d'inversion par l'utilisation des méthodes géostatistiques telles que la Simulation Gaussienne Séquentielle ou la Co-Simulation dans le cas d'une inversion conjointe afin d'estimer les probabilités a posteriori des modèles simulés. La quatrième partie de ce mémoire présente une alternative à la simulation de plusieurs variables. L'apprentissage du réseau de neurones supervisé par un certain nombre de points permet d'établir une relation entre les différentes variables

In recent years with the technology developments, airborne geophysical methods (gravity, magnetic, and electromagnetic) are widely used in the natural resource exploration at the regional scale. It covers large areas particularly in the areas with difficult access. The first part of this thesis consist on the development of new forward modeling algorithm for the calculation of the components of the gravity and magnetic fields based on a tetrahedron grid. The tetrahedral mesh allows the representation of very complex geological models holding many heterogeneous and faulted zones with an optimal number of elements, this reduces significantly the time calculation. Several inversion techniques use mathematical constraints for the resolution of the inverse problem in order to reduce the number of possible models. However the proposed solutions called also "the most probable model" provide a smooth solutions that cannot represent the geological reality. To circumvent this problem in the second and the third parts of this thesis, we made two major improvements. The first, we integrate Sequential Gaussian Simulation into the inversion procedure to determine a possible distributions of a single property. The second is that we used the Co-Simulation in the case of joint inversion to estimate a posteriori probabilities of the simulated models. The last part of this thesis presents an alternative to the several variables simulation, supervised learning of neural networks allows to establish a relationship between the different variables