Thèse soutenue

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

FR  |  
EN
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
établissement de préparation de la thèse : École normale supérieure (Paris ; 1985-....)
Jury : Président / Présidente : Hervé Chauris
Examinateurs / Examinatrices : Matthias Delescluse, Hervé Chauris, Alessandra Ribodetti, Nicolas Thome, Alain Rabaute, Eléonore Stutzmann
Rapporteur / Rapporteuse : Alessandra Ribodetti, Nicolas Thome

Mots clés

FR  |  
EN

Mots clés contrôlés

Résumé

FR  |  
EN

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.