Applications de l’apprentissage profond pour le traitement et l’interprétation sismique

Deep learning for seismic data processing and interpretation

• Auteur / Autrice : Valentin Tschannen
• Direction : Matthias Delescluse
• Type : Thèse de doctorat
• Discipline(s) : Sciences de la Terre et de l'environnement
• Date : Soutenance le 11/06/2020
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : École doctorale Sciences de la terre et de l'environnement et physique de l'univers (Paris ; 2014-....)
• Partenaire(s) de recherche : Laboratoire : École normale supérieure (Paris ; 1985-....). Laboratoire de géologie
• Partenaire(s) de recherche : établissement de préparation de la thèse : École normale supérieure (Paris ; 1985-....)
• Jury : Président / Présidente : Hervé Chauris
• Jury : Examinateurs / Examinatrices : Matthias Delescluse, Hervé Chauris, Alessandra Ribodetti, Nicolas Thome, Alain Rabaute, Eléonore Stutzmann
• Jury : Rapporteur / Rapporteuse : Alessandra Ribodetti, Nicolas Thome

Mots clés

Mots clés contrôlés

Sciences de la Terre

Mots clés libres

Sismique

Apprentissage profond

Seismic

Deep learning

Résumé

Acquérir des connaissances sur la géologie de la subsurface terrestre grâce à l’imagerie sismique est un processus long et parfois fastidieux. De nombreux algorithmes sont utilisés pour transformer le signal, atténuer le bruit et aider à interpréter l’image. Ces algorithmes sont conçus par des experts et nécessitent d’être soigneusement paramétrés. De plus, de nombreuses tâches doivent être effectuées manuellement par les géoscientifiques lorsque les algorithmes ne parviennent pas à fournir de bons résultats. Ces dernières années, l’apprentissage profond, un sous-domaine de l’intelligence artificielle, a pris une grande importance. Il a été montré que les modèles d’apprentissage surpassent les algorithmes traditionnels dans de nombreuses applications à travers un grand nombre de disciplines scientifiques. Ils permettent également d’automatiser certains processus qui n’étaient jusque-là réalisables que par des humains. Cependant, il peut être difficile de remplir les conditions nécessaires pour exploiter leur potentiel. Dans cette thèse, nous identifions les principaux obstacles à l’utilisation de l’apprentissage profond, notamment ceux de l’incertitude sur l’interprétation des données et de la dépendance de l’apprentissage en exemples fournis par des experts, et proposons une série de méthodologies visant à les surmonter. Nous démontrons la validité et la faisabilité de nos méthodes sur un ensemble de problèmes d’interprétation et de traitement sismique.

Gaining knowledge of the geology of the Earth’s subsurface with seismic reflection is a long and challenging process. Many algorithms are employed to transform the signal, attenuate the noise and help interpreting the image. Those algorithms are designed by experts and require to be carefully parametrized. Additionally, many tasks have to be performed manually by geoscientists when algorithms fail to deliver good results. In recent years, deep learning, a subfield of artificial intelligence, has rose to prominence. Learning models have been shown to outperform traditional algorithms in many applications across numerous scientific disciplines. They also allow to automate certain processes that were until then only feasible by humans. However, fulfilling the necessary conditions to exploit their potential may be challenging. In this thesis, we identify the main impediments to the use of deep learning, in particular the uncertainties in the interpretation of the data and the dependency of the training procedure on examples supplied by experts, and propose a series of methodologies that aim to overcome them. We demonstrate the validity and practicability of our methods on a set of challenging seismic interpretation and processing problems.