Modélisation probabiliste et inférence bayésienne pour l’analyse de la dynamique des mélanges de fluides géologiques : détection des structures et estimation des paramètres
Auteur / Autrice : | Christophe Reype |
Direction : | Radu Stefan Stoica, Madalina Deaconu |
Type : | Thèse de doctorat |
Discipline(s) : | Mathématiques |
Date : | Soutenance le 14/12/2022 |
Etablissement(s) : | Université de Lorraine |
Ecole(s) doctorale(s) : | École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine (1992-....) |
Partenaire(s) de recherche : | Laboratoire : Institut Élie Cartan de Lorraine (1997-.... ; Vandoeuvre-lès-Nancy, Metz) |
Jury : | Président / Présidente : Anne Gégout-Petit |
Examinateurs / Examinatrices : Radu Stefan Stoica, Madalina Deaconu, Aila Särkkä, Madalina Olteanu, Antonin Richard, Nicolas Desassis, Jorge Mateu | |
Rapporteurs / Rapporteuses : Aila Särkkä, Madalina Olteanu |
Résumé
L'analyse de données hydrogéochimiques a pour objectif d'améliorer la compréhension des échanges de matières entre sol et du sous-sol. Ce travail se concentre sur l'étude des interactions fluides-fluides au travers des systèmes de mélange de fluides et plus particulièrement de la détection des compositions des sources du mélange. La détection se fait au moyen d'un processus ponctuel : le modèle proposé se veut non supervisée et applicable à des données multidimensionnelles. Les connaissances physiques sur les mélanges et géologiques sur les données sont directement intégrés dans la densité de probabilité d'un processus ponctuel de Gibbs, qui distribue des configurations de points dans l'espace des données, appelé le modèle HUG. Les sources détectées forment la configuration de points qui maximise la densité de probabilité du modèle HUG. La densité de probabilité est connue sachant un paramètre choisi par l'utilisateur. Ces sources sont obtenues par un algorithme de type recuit simulé et des méthodes de type Monte-Carlo par Chaînes de Markov (MCMC). Le paramètre du modèle est estimé par une méthode de calcul bayésien approximatif (ABC). Tout d'abord, le modèle est appliqué sur des données synthétiques puis sur des données réelles. Le paramètre du modèle est ensuite estimé pour un jeu de données synthétiques avec les sources connues. Enfin, la sensibilité du modèle aux données, au paramètre et aux algorithmes est étudiée.