Exploitation du monitoring sismique du sous-sol en milieu ferroviaire

Leveraging seismic monitoring of the subsurface in railway environment

• Auteur / Autrice : José Cunha Teixeira
• Direction : Ludovic Bodet, Alexandrine Gesret, Agnès Rivière, Amélie Hallier
• Type : Thèse de doctorat
• Discipline(s) : Géophysique
• Date : Soutenance le 24/02/2025
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Géosciences, ressources naturelles et environnement (Paris ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Milieux environnementaux, transferts et interactions dans les hydrosystèmes et les sols (Paris ; 1997-....)
• Jury : Président / Présidente : Damien Jougnot
• Jury : Examinateurs / Examinatrices : Léonard Seydoux, Aurélien Mordret
• Jury : Rapporteurs / Rapporteuses : Stéphane Garambois, Frédéric Nguyen

Mots clés

Mots clés contrôlés

Apprentissage profond

Risques sismiques

Subsidences (géologie)

Ondes de surface

Géophysique

Mots clés libres

Géophysique

Ondes de surface

Monitoring

Subsurface

Fontis

Intelligence artificielle

Geophysics

Surface waves

Monitoring

Near-Surface

Sinkhole

Artificial intelligence

Résumé

Afin d'assurer la sécurité et la régularité des circulations, il est essentiel de garantir l'intégrité de la plateforme ferroviaire et de son sol support. Parmi les aléas naturels menaçant ces infrastructures, les fontis, phénomènes à l'origine d'affaissement et effondrements, représentent un risque important en raison de leur imprévisibilité. Traditionnellement, des méthodes géophysiques et géotechniques sont utilisées pour caractériser à un instant donné les zones affectées par ce risque, mais elles ne fournissent qu'une vision limitée dans le temps de l'état du sous-sol. Cette thèse s'appuie sur une approche innovante pour caractériser et surveiller en continu les zones à risque fontis à l'aide de méthodes sismiques passives qui exploitent les ondes de surface générées par les passages de trains. L'analyse de la dispersion des ondes de surface permet d'estimer la vitesse des ondes de cisaillement en fonction de la profondeur, directement liées au module de cisaillement du sol. Cette méthode offre ainsi un moyen de continuellement évaluer l'état mécanique du sous-sol et d'identifier d'éventuelles anomalies, malgré les contraintes liées à l'accès limité aux sites. Ce travail explore l'exploitation de cette méthode en analysant ses performances et sa sensibilité, et propose des outils d'interprétation avancée intégrant des données géologiques, hydrogéologiques et géomécaniques. Après une étude du dimensionnement du dispositif de mesure et de la paramétrisation de la chaîne de traitement du signal, il est démontré que cette méthode est particulièrement influencée par les conditions climatiques et hydrogéologiques. Ainsi, des outils basés sur des réseaux de neurones sont développés afin d'extrapoler des cartes de niveaux de nappes à partir d'un unique point piézométrique en utilisant les données sismiques comme guides. De plus, dans le but d'améliorer l'analyse et l'interprétation des données de sismique passive, une méthode inspirée de la traduction automatique neuronale est utilisée pour fournir une inversion pétrophysique des courbes de dispersion des ondes de surface. Cette approche permet de traduire les données sismiques en informations géologiques et hydrogéologiques de la structure du sous-sol de manière plus rapide que des méthodes stochastiques conventionnelles. Ainsi, cette dernière peut être déployée dans un contexte de monitoring quotidien. Enfin, il est conclu que la méthode exploitée présente un potentiel considérable pour la surveillance du sous-sol, tant dans le contexte ferroviaire que dans d'autres domaines. Toutefois, une attention particulière doit être portée à la résolution spatiale et temporelle des données sismiques, ainsi qu'à leur sensibilité aux profondeurs explorées, qui pourraient, dans certains cas, s'avérer limitées pour les phénomènes étudiés.

To ensure the safety and regularity of train operations, it is essential to maintain the integrity of the railway platform and its supporting ground. Among the natural hazards threatening these infrastructures, sinkholes, which cause subsidence and collapses, pose a significant risk due to their unpredictability. Traditionally, geophysical and geotechnical methods have been used to characterize affected areas at specific moments, but they provide only a limited snapshot of the subsurface condition over time. This thesis presents an innovative approach for continuously monitoring and characterizing sinkhole-prone areas using passive seismic methods that leverage surface waves generated by train passages. The analysis of the dispersion of surface waves allows for the estimation of shear wave velocities over depth, directly related to the shear modulus of the soil. This method offers a mean to continuously assess the mechanical state of the subsurface and identify potential anomalies, despite the constraints posed by limited site access. This work explores the application of this method by analyzing its performance and sensitivity and proposes advanced interpretation tools integrating geological, hydrogeological, and geomechanical data. After studying the sizing of the measurement system and the parametrization of the signal processing workflow, it is shown that this method is particularly influenced by climatic and hydrogeological conditions. As such, neural network-based tools have been developed to leverage this relationship to extrapolate groundwater level maps from a single piezometer using seismic data as a guide. Furthermore, to enhance the analysis and interpretation of passive seismic data, a method inspired by neural machine translation is used to provide petrophysical inversion of surface wave dispersion curves. This approach enables the translation of seismic data into geological and hydrogeological information about the subsurface structure more quickly than conventional stochastic methods, making it deployable in a daily monitoring context. Finally, it is concluded that the method holds significant potential for subsurface monitoring, both in the railway context and in other domains. However, particular attention must be given to the spatial and temporal resolution of the seismic data, as well as their sensitivity to the explored depths, which could, in some cases, prove to be limited for the phenomena under study.