Estimation des mouvements sismiques et de leur variabilité par approche neuronale : Apport à la compréhension des effets de la source, de propagation et de site

Ground-motion prediction and their variability through neural approach : Physical insight into source, path and site effects

• Auteur / Autrice : Boumédiène Derras
• Direction : Pierre-Yves Bard, Fabrice Cotton
• Type : Thèse de doctorat
• Discipline(s) : Sciences de la terre et de l'univers, et de l'environnement
• Date : Soutenance le 11/05/2017
• Etablissement(s) : Université Grenoble Alpes (ComUE)
• Ecole(s) doctorale(s) : École doctorale Sciences de la terre, de l’environnement et des planètes (Grenoble, Isère, France ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Institut des sciences de la Terre (Grenoble)
• Jury : Président / Présidente : Philippe Guéguen
• Jury : Examinateurs / Examinatrices : Catherine Berge-Thierry, Françoise Courboulex
• Jury : Rapporteur / Rapporteuse : John Douglas, Luis Fabián Bonilla

Mots clés

Mots clés contrôlés

Séismes -- Périodicité

Prospection sismique

Génie parasismique

Mots clés libres

Réseaux de neurones

Prédiction sismique

Atténuation

Bases de données

Variabilité

Neural networks

Ground motion prediction

Attenuation

Databases

Variability

Résumé

Cette thèse est consacrée à une analyse approfondie de la capacité des ''réseaux de neurones artificiels'' (RNA) à la prédiction des mouvements sismiques. Un premier volet important concerne la dérivation par RNA de ''GMPE'' (équations de prédiction du mouvement du sol) et la comparaison des performances ainsi obtenues avec celles des GMPE ''classiques'' obtenues sur la base de régressions empiriques avec une forme fonctionnelle préétablie (plus ou moins complexe). Pour effectuer l’étude comparative et obtenir les deux composnates inter-événement « betweeen-event » et intra-événement « within-event » de la variabilité aléatoire, nous intégrons l’algorithme du « modèle à effets aléatoires » à l’approche neuronale. Cette approche est testée sur différents jeux de données réelles et synthétiques : la base de données compilée à partir d'événements européens, méditerranéens et du Moyen-Orient (RESORCE : Reference database for Seismic grOund-motion pRediction in Europe), la base de données NGA-West 2 (Next Generation Attenuation West 2 développée aux USA), la base de données japonaise dérivée du réseau accélérométrique KiK-net. En outre, un set de données synthétiques provenant d'une approche par simulation stochastique est utilisé. Les paramètres du mouvement du sol les plus utilisés en génie parasismique (PGA, PGV, spectres de réponse et également, dans certains cas, les fonctions d'amplification locales) sont considérés. Les modèles neuronaux ainsi obtenus, complètement dirigés par les données « data-driven », nous renseignent sur les influences respectives et éventuellement couplées de l’atténuation avec la distance, de l'effet d’échelle lié à la magnitude, des conditions de site et notamment la présence éventuelle de non-linéarités. Un autre volet important est consacré à l'utilisation des RNA pour tester la pertinence de différents proxies de site, au travers de leur capacité à réduire la variabilité aléatoire des prédictions de mouvement du sol. Utilisés individuellement ou en couple, ces proxies de site décrivent de manière plus ou moins détaillée l'influence des conditions de site locales sur le mouvement sismique. Dans ce même volet, nous amorçons également une étude des liens entre les aspects non-linéaire de la réponse de site, et les différents proxies de site. Le troisième volet se concentre sur certain effets liés à la source : analyse de l’influence du style de la faille sismique sur le mouvement du sol, ainsi qu'une approche indirecte de la dépendance entre la magnitude et la chute de contrainte sismique.

This thesis is devoted to an in-depth analysis of the ability of ''Artificial Neural Networks'' (ANN) to achieve reliable ground motion predictions. A first important aspect concerns the derivation of ''GMPE'' (Ground Motion Prediction Equations) with an ANN approach, and the comparison of their performance with those of ''classical'' GMGEs derived on the basis of empirical regressions with pre-established, more or less complex, functional forms. To perform such a comparison involving the two ''betweeen-event'' and ''within-event'' components of the random variability, we adapt the algorithm of the ''random effects model'' to the neural approach. This approach is tested on various, real and synthetic, datasets: the database compiled from European, Mediterranean and Middle Eastern events (RESORCE: Reference database for Seismic grOund-motion pRediction in Europe), the database NGA West 2 (Next Generation Attenuation West 2 developed in the USA), and the Japanese database derived from the KiK-net accelerometer network. In addition, a comprehensive set of synthetic data is also derived with a stochastic simulation approach. The considered ground motion parameters are those which are most used in earthquake engineering (PGA, PGV, response spectra and also, in some cases, local amplification functions). Such completely ''data-driven'' neural models, inform us about the respective, and possibly coupled, influences of the amplitude decay with distance, the magnitude scaling effects, and the site conditions, with a particular focus on the detection of non-linearities in site response. Another important aspect is the use of ANNs to test the relevance of different site proxies, through their ability to reduce the random variability of ground motion predictions. The ANN approach allows to use such site proxies either individually or combined, and to investigate their respective impact on the various characteristics of ground motion. The same section also includes an investigation on the links between the non-linear aspects of the site response and the different site proxies. Finally, the third section focuses on a few source-related effects: analysis of the influence of the ''style of faulting'' on ground motion, and, indirectly, the dependence between magnitude and seismic stress drop.