Dynamique d'avalanche d'une faille granulaire modèle

Avalanche dynamics of a model granular fault

• Auteur / Autrice : Victor Levy Dit Vehel
• Direction : Osvanny Ramos
• Type : Thèse de doctorat
• Discipline(s) : Physique
• Date : Soutenance le 28/09/2021
• Etablissement(s) : Lyon
• Ecole(s) doctorale(s) : École doctorale de Physique et Astrophysique de Lyon (1991-....)
• Partenaire(s) de recherche : établissement opérateur d’inscription : Université Claude Bernard (Lyon ; 1971-....)
• Partenaire(s) de recherche : Laboratoire : Institut Lumière Matière
• Jury : Président / Présidente : Jérôme Weiss
• Jury : Examinateurs / Examinatrices : Osvanny Ramos, Axelle Amon, Xiaoping Jia, Loïc Vanel, Elsa Bayart
• Jury : Rapporteurs / Rapporteuses : Axelle Amon, Xiaoping Jia

Mots clés

Mots clés contrôlés

Photoélasticité

Apprentissage supervisé (intelligence artificielle)

Modélisation prédictive

Séismes -- Prévision

Mots clés libres

Séisme

Localisation acoustique

Photoélasticité

Cisaillement

Machine learning

Prédiction

Granulaire

Earthquake

Acoustic location

Photoelasticity

Shear

Machine learning

Forecasting

Granular

Résumé

Le cadre de cette thèse est une expérience modèle reproduisant des comportements invariants d’échelle présentés par divers phénomènes naturels, les tremblements de terres entre autres. Le modèle expérimental utilisé est constitué d’un granulaire bidisperse, fait dans une matériau photoélastique, cisaillé dans une cellule periodique cylindrique. Lorsque que le granulaire est cisaillé, des émissions acoustiques se produisent. Nous appelons ces évenements « labquakes ». La géométrie de la cellule autorise une cisaillement sans limite, ce qui nous permet d’obtenir une quantité très élevé de données et consituter des statistiques riches. Le suivi du système est assuré par un grand nombre de techniques. 6 catpeurs acoustiques enregistrent les sons produit par le granulaire, 2 capteurs de force mesurent les couples résistant au cisaillement, 2 capteurs de position le volume de l’expérience et 24 caméras assurent un suivi de la position des grains, ainsi que des chaines de forces grâce à la photoélasticité du matériau. Une partie de la thèse se concentre sur les relations entre changements soudains de volume et de couple résistant, deux grandeurs présentant une relation non trivial. Cette relation est d’abord décrite, puis expliquée par des propriétés géométrique des chaines de force. Dans un second temps, une méthode de localisation des sources acoustiques dans le milieu granulaire est présentée. Cette méthode, basée sur la localisation hyperbolique, servira dans de futurs travaux pour corréler les caractéristiques mesurées d’un évenement aux propriétés locales de son lieu d’emission. Finalement, des résultats préliminaires sur la prédiction des évenements assisté par machine learning seront présentés.

The framework of this thesis is a model experiment that reproduces scale-invariant behaviors displayed by various natural phenomena, earthquakes among others. The experimental setup consists of a bidisperse granular medium made of a photoelastic material, sheared in a cylindrical periodical cell. When the granular is sheared, acoustic emissions occur. We call these events "labquakes". The geometry of the cell allows for unrestricted shearing, which allows us to obtain a very high amount of data and build up rich statistics. The monitoring of the system is ensured by a large number of techniques. 6 acoustic sensors record the sounds produced by the granular material, 2 force sensors measure the resisting torque, 2 position sensors measure the volume of the experiment and 24 cameras monitor the position of the grains, as well as the force chains thanks to the photoelasticity of the material. A part of the thesis focuses on the relationship between sudden changes in volume and resistive torque, two quantities with a non-trivial relationship. This relationship is first described and then explained by the geometrical properties of force chains. In a second step, a method for localizing acoustic sources in granular media is presented. This method, based on hyperbolic localization, will be used in future works to correlate the measured characteristics of an event to the local properties of its emission site. Finally, preliminary results on machine learning assisted event prediction will be presented.