Surveillance sismique en temps réel par instrumentation à fibre optique DAS et apprentissage automatique : vers une classification autonome des événements naturels et anthropiques

Real-time seismic monitoring using DAS fiber-optic instrumentation and machine learning : towards autonomous classification of natural and anthropogenic events

• Auteur / Autrice : Camille Huynh
• Direction : Jean-Philippe Malet
• Type : Thèse de doctorat
• Discipline(s) : Géophysique
• Date : Soutenance le 11/02/2025
• Etablissement(s) : Strasbourg
• Ecole(s) doctorale(s) : École doctorale des Sciences de la Terre et Environnement (Strasbourg ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Institut Terre Environnement (Strasbourg)
• Jury : Président / Présidente : Jonathan Weber
• Jury : Examinateurs / Examinatrices : Charlotte Pelletier, Philippe Jousset
• Jury : Rapporteurs / Rapporteuses : Vincent Lanticq, Jean-Philippe Metaxian, Emmanuel Chaljub
• DOI : 10.70675/b47cff1cz8788z4ea8z9e49z4a3a1e03ef0d

Mots clés

Mots clés contrôlés

Géophysique

Apprentissage automatique

Sismologie

Séismes

Apprentissage supervisé (intelligence artificielle)

Apprentissage non supervisé (intelligence artificielle)

Mots clés libres

Distributed Acoustic Sensing (DAS)

Apprentissage machine

Sismologie

Espace latent

Tremblements de terre

Sources sismiques anthropiques

Apprentissage supervisé

Apprentissage non-supervisé

Distributed Acoustic Sensing (DAS)

Machine Learning

Seismology

Latent Space

Earthquakes

Anthropogenic Seismic Sources

Supervised Learning

Unsupervised Learning

Résumé

Ces dernières années, une nouvelle technologie basée sur l'utilisation de fibres optiques est apparue pour surveiller les événements acoustiques naturels ou anthropogéniques : la détection acoustique distribuée (Distributed Acoustic Sensing - DAS). Cette technologie innovante permet de mesurer les vibrations sismiques à très haute résolution spatiale sur des distances allant de quelques dizaines de mètres à plusieurs centaines de kilomètres. Bien que ces données soient plus volumineuses et plus complexes à traiter que celles des sismomètres traditionnels, elles offrent des perspectives prometteuses, notamment pour l'analyse des champs d'ondes générés par les tremblements de terre, la détection des glissements de terrain, la surveillance de divers événements anthropogéniques (tels que les déplacements de piétons, les mouvements de véhicules, ou les signaux sismiques provenant des activités humaines), les événements de faible amplitude ou très localisés, et la localisation précise de l'origine de ces événements sismiques. L'objectif de cette thèse est de développer et de tester des chaînes d'analyse de données automatisées en utilisant des approches basées sur l'IA pour détecter, classer et analyser les données DAS à fibre optique en temps quasi réel. L'objectif est axé sur la surveillance locale et régionale de zones spécifiques afin de permettre la détection et l'identification en temps réel d'événements naturels tels que les tremblements de terre et les glissements de terrain.

In recent years, alongside traditional seismometer-based approaches, a new technology based on the use of optical fibers has emerged for monitoring natural or anthropogenic acoustic events: Distributed Acoustic Sensing (DAS). This innovative technology enables the measurement of seismic vibrations at very high spatial resolution over distances ranging from tens of meters to several hundred kilometers. Although these data are larger and more complex to process than those from traditional seismometers, they offer promising perspectives, particularly for analyzing the wavefields generated by earthquakes, detecting landslides, monitoring various anthropogenic events (such as pedestrian movements, vehicle movements, or seismic signals from human activities), low-amplitude or highly localized events, and precisely locating the origin of these seismic events. The goal of this thesis is to develop and test automated data analysis chains using AI-based approaches to detect, classify and analyze near-real-time fiber-optics DAS data. The objective is focused on local and regional monitoring of specific areas to enable the real-time detection and identification of natural events such as earthquakes and landslides.