Contrôle qualité et étude du traitement sismique par apprentissage statistique : développement d'un outil industriel autonome

Quality control and study of seismic processing by machine learning : development of an autonomous industrial tool

• Auteur / Autrice : Mathieu Chambefort
• Direction : Hans Wackernagel
• Type : Thèse de doctorat
• Discipline(s) : Géostatistique et probabilités appliquées
• Date : Soutenance le 10/12/2021
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique (Paris)
• Partenaire(s) de recherche : Laboratoire : Centre de géosciences (Fontainebleau, Seine et Marne)
• Partenaire(s) de recherche : établissement de préparation de la thèse : École nationale supérieure des mines (Paris ; 1783-....)
• Jury : Président / Présidente : Hervé Chauris
• Jury : Examinateurs / Examinatrices : Hans Wackernagel, Emilie Kaufmann, Eléonore Stutzmann, Mark Noble, Emilie Chautru
• Jury : Rapporteur / Rapporteuse : Alessandra Ribodetti, Alexandra Carpentier

Mots clés

Mots clés contrôlés

Apprentissage profond

Géophysique

Séismes

Mots clés libres

Traitement sismique

Apprentissage profond

Apprentissage statistique

Détection d'anomalies

Géophysique

Contrôle qualité

Sismique

Apprentissage actif

Seismic

Geophysic

Deep learning

Active learning

Anomaly detection

Quality control

Machine learning

Seismic processing

Résumé

Le traitement de données sismiques permet de convertir des enregistrements bruts effectués sur le terrain prospecté en images des structures géologiques et retrouver certaines propriétés physiques du sous-sol. Les études sismiques actuelles peuvent s’étendre sur plusieurs mois et générer plusieurs téraoctets d’information par jour. La taille considérable de ces jeux de données rend leur analyse et leur traitement de plus en plus complexes et coûteux. En particulier,la quantité d’images produites est telle qu’une vérification visuelle systématique de la cohérence des résultats par le géophysicien (phase dite de contrôle qualité) est impossible. Traiter et réaliser le contrôle qualité des données nécessitent une grande expertise en sismique. Les travaux présentés dans cette thèse portent sur l’utilisation des méthodes issues de l’apprentissage statistique pour réaliser le traitement des données et fournir une aide à la prise de décision aux géophysiciens pour contrôle qualité des données. Différents états de l’art sur les méthodes disponibles pour réaliser ces traitements et le contrôle qualité des données sismiques sont réalisés. Les approches proposées se fondent dans un premier temps sur celles utilisées par les géophysiciens, couplées avec de l’apprentissage statistique. Par la suite, de nouvelles approches utilisant des méthodes d’apprentissage profond sont proposées pour le traitement et le contrôle qua-lité, dans un contexte où peu de données étiquetées pour la réalisation d’apprentissage supervisé est disponible. Aussiune méthode basée sur l’apprentissage semi-supervisé est proposée pour le contrôle qualité des données. Pour tirer aumieux parti de l’étiquetage des géophysiciens, une approche originale d’apprentissage actif a également été développée

Seismic data processing has the goal of converting raw field records into images of geological structures below the ground. It may also allow us to recover some physical properties of the sub-surface. Modern seismic surveys can take months to acquire, resulting in several terabytes of seismic data. The huge size of those datasets makes their analysis and processing increasingly long and expensive. Considering this amount of data, it is impossible for geophysicists to systematically verify the coherency of processing results for the whole datasets.To do the processing and quality control of seismic data, a geophysicist needs a lot of expertise in seismic. The different works of this thesis deal with the use of machine learning methods as a tool to aid in this processing and proposes techniques for quality control of the data. An overview of the current state of the art of processing methods and quality control is outlined. A number of approaches are highlighted: firstly, those which are based on our observations of how geophysicists usually build their quality control workflow combined with machine learning approaches. Secondly, new approaches are proposed for the processing and quality control which are based on supervised deep learning in the context of a small amount of labeled data. An alternative method is given, based on semi-supervised learning for the model part and on active learning which takes advantage of labels assigned by the geophysicis