Generation hybride de la réponse sismique de site par simulation et apprentissage machine

Hybrid physics-based/data-based seismic ground motion generator of a site

• Auteur / Autrice : Gottfried Jacquet
• Direction : Didier Clouteau, Filippo Gatti
• Type : Thèse de doctorat
• Discipline(s) : Génie civil
• Date : Soutenance le 23/04/2024
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences Mécaniques et Energétiques, Matériaux et Géosciences
• Partenaire(s) de recherche : Laboratoire : Laboratoire de mécanique Paris-Saclay (Gif-sur-Yvette, Essonne ; 2022-....)
• Partenaire(s) de recherche : référent : CentraleSupélec
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sciences de l'ingénierie et des systèmes (2020-....)
• Jury : Président / Présidente : Fernando Lopez caballero
• Jury : Examinateurs / Examinatrices : Maarten Arnst, Dimitris Pitilakis, Jean-Francois Semblat, Wassila Ouerdane
• Jury : Rapporteurs / Rapporteuses : Maarten Arnst, Dimitris Pitilakis

Mots clés

Mots clés contrôlés

Sismogrammes

Risques sismiques

Traitement adaptatif du signal

Sismologie -- Mathématiques

Génie parasismique

Calcul intensif (informatique)

Apprentissage automatique

Mots clés libres

Apprentissage automatique

Translation de signal à signal

Tremblement de terre

Onde sismique

Sismogramme

Machine learning

Signal-To-Signal Translation

Earthquake simulation

Generative Adversarial Networks

Résumé

L'estimation précise de la réponse sismique suite à un tremblement de terre permet de sauver des vies. Toutefois, la limitation des ressources informatiques et la variabilité méconnue et mal caractérisée de la géologie et du con- texte sismotectonique posent des défis significatifs pour les simulations à l'échelle d'une ville ou d'une région. Cette thèse propose une nouvelle approche combinant les méthodes d'apprentissage adverse (adversarial) et les simulations basées sur la physique pour surmonter ces limitations, en s'appuyant sur le cadre SeismoALICE, (F. GATTI et D. CLOUTEAU: "Towards blending Physics-Based numerical simulations and seismic databases using Generative Adversarial Network", CMAME 2020). En raison des fluctuations aléatoires des propriétés mécaniques du milieu géologique, les simulations numériques ne peuvent donner des résultats que pour les basses fréquences (BF) jusqu'à 5 voire 10 Hz. La fréquence de conception des structures et des équipements en génie civil atteint en revanche 40 Hz. Cette thèse vise à simuler des signaux sismiques plus riches en fréquences [0 - 30 Hz] à partir de la connaissance des signaux à basses fréquences et d'une base de données de signaux enregistrés. Dans ce but, nous développons un encodeur et un décodeur adaptés aux signaux sismiques utilisant une variante des techniques d'attention, nommée Conformer, pour capturer les corrélations de longue durée présentes dans les accélérogrammes. Le discriminateur, assurant que les signaux simulés ressemblent à des signaux enregistrés, a fait l'objet d'un développement poussé, permettant d'optimiser l'encodeur et le décodeur par le biais d'une technique de min-max au cœur des méthodes adverses d'apprentissage machine. Pour forcer a reconstruction des signaux, nous adaptons aux séries temporelles la Focal Frequency Loss (FFL) et la Hyper-Spherical Loss (HSL), qui sont plus performantes pour ce type de données. Ensuite, nous complétons les signaux BF jusqu'à 30 Hz en explorant différents cas de génération : mapping one-to-one et mapping one-to-many pour évaluer la plausibilité des reconstructions de la base de données. Cinq méthodes ont été élaborées : Signal-to-Signal Translation, SeismoALICE with shared latent space, SeismoALICE with factorized latent space, BicycleGAN for time series et Multi-Modal Signal Translation. Leur performance a été évaluée avec le Goodness-of-Fit de Kristeková. Nous avons prouvé en manipulant les variables cachées qu'il est possible de diviser l'information en deux groupes de variables de distributions Gaussiennes, l'un pour les basses fréquences et l'autre pour les hautes fréquences. Cette interprétabilité a permis de manipuler l'espace latent et de contrôler le mapping one-to-many. Les modèles, entraînés sur 128 000 signaux sismiques de la base de données des séismes de Stanford (STEAD), dé- montrent leur performance avec des qualités de prédiction allant de bonnes à excellentes. Finalement, leur efficacité a été démontrée par une application au séisme du Teil de 2019 (en Ardèche dans la région Auvergne-Rhone-Alpes, France). Ce travail ouvre la voie à une prédiction plus précise et plus efficace des signaux sismiques en intégrant de manière transparente les connaissances basées sur la physique et l'apprentissage machine.

Accurately estimating the seismic response following an earthquake can save lives. However, limited computational resources and poorly characterized and unknown variability in geology and seismotectonic context pose significant challenges for simulations at the scale of a city or region. This thesis proposes a new approach com- bining adversarial learning methods and physics-based simulations to overcome these limitations, based on the SeismoALICE framework (F. GATTI and D. CLOUTEAU: "Towards blending Physics-Based numerical simulations and seismic databases using Generative Adversarial Network," CMAME 2020). Because of the random fluctuations in the mechanical properties of the geological medium, numerical simulations can only give results for low frequencies (LF) down to 5 or even 10 Hz. The design frequency for civil engineering structures and equipment, on the other hand, reaches 40 Hz. This thesis aims to simulate seismic signals with a higher frequency range [0 - 30 Hz] using knowledge of low-frequency signals and a database of recorded signals. To this end, we are developing an encoder and decoder adapted to seismic signals using a Conformer variant of attention techniques to capture the long-duration correlations present in accelerograms. The discriminator, which ensures that simulated signals resemble recorded signals, has been the subject of extensive development, enabling the encoder and decoder to be optimized using a min-max technique at the heart of adversarialmachine learning methods. To force signal recon- struction, we adapt Focal Frequency Loss (FFL) and Hyper-Spherical Loss (HSL), which are more efficient for this data type, to time series. We then complement the LF signals up to 30 Hz by ex- ploring different generation cases, one-to-one map- ping, and one-to-many mapping to assess the plausibility of the reconstructions in the database. Five methods were developed: Signal-to-Signal Translation, SeismoALICE with shared latent space, SeismoALICE with factorized latent space, BicycleGAN for time series, and Multi-Modal Signal Translation. Their performance was evaluated using Kristeková's Goodness-of-Fit. By manipulating the hidden variables, we proved that it is possible to divide the information into two groups of variables with Gaussian distributions, one for low frequencies and the other for high frequencies. This interpretability made it possible to manipulate the latent space and control the one-to-many mapping. The models, trained on 128,000 seismic signals from the Stanford Earthquake Database (STEAD), demonstrated their performance, with prediction qualities ranging from good to excellent. Finally, their effectiveness was demonstrated by application to the 2019 Le Teil earthquake (in the Ardèche region of Auvergne-Rhone-Alpes, France). This work paves the way for more accurate and efficient prediction of seismic signals by seamlessly integrating physics-based knowledge and machine learning.