Intégration de données provenant de réseaux de capteurs multisondes pour évaluer les scénarios de risque dans les systèmes hydrothermaux volcaniques

Deep Learning analysis of multiprobe sensor networks to assess risk scenarios at volcanic hydrothermal systems

• Auteur / Autrice : Michail Giannoulis
• Direction : Vincent Barra
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 15/12/2023
• Etablissement(s) : Université Clermont Auvergne (2021-...)
• Ecole(s) doctorale(s) : École doctorale des sciences pour l'ingénieur (Clermont-Ferrand)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique, de Modélisation et d'Optimisation des Systèmes
• Jury : Président / Présidente : Benjamin Van Wyk de Vries
• Jury : Examinateurs / Examinatrices : Gaetana Ganci, Sylvie Vergniolle, Andrew Harris, Haridimos Kondylakis
• Jury : Rapporteurs / Rapporteuses : Gaetana Ganci, Sylvie Vergniolle

Mots clés

Mots clés contrôlés

Séries chronologiques

Bouches hydrothermales

Risques volcaniques

Apprentissage profond

Mots clés libres

Deep Learning

Series Temporelles

Intelligence Artificielle

Détection d'Anomalies

Systemes Hydrothermaux Volcaniques

Systeme Expert

Deep Learning

Time Series

Artificial Intelligence

Anomaly Detection

Volcanic Hydrothermal Systems

Knowledge Systems

Résumé

Un système hydrothermal volcanique s'apparente à une bombe à retardement environnementale à longue durée de vie. Il est surveillé par un réseau de capteurs corrélés, qui permet d'évaluer les scénarios de risque. Dans cette thèse a été développé DITAN, un outil basé sur l'apprentissage profond, qui apprend le comportement régulier et détecte les mesures anormales en fonction du temps et de la localisation. Il analyse les anomalies pour identifier les similitudes et déterminer la cause sous-jacente à partir de la mesure des capteurs. DITAN intègre de plus un système expert qui trouve les événements physiques responsables de l'apparition d'une série de mesures anormales. Les performances de DITAN sont démontrées sur des problèmes réels issus de la communauté de l'intelligence artificielle. DITAN est ensuite appliqué à un système hydrothermal volcanique stable afin d'évaluer le risque de 14 incidents attribués à la fois à des événements atmosphériques et à des événements liés à la surface.

A volcanic hydrothermal system is akin to a long-fuse environmental time bomb. Its behavior is monitored using a network of correlated sensors, enabling the assessment of risk scenarios by analyzing its measurements. In this thesis, I developed DITAN, a Deep Learning framework that learns regular behavior and detects abnormal measurements based on time and location. It analyzes detected abnormalities to identify similarities and determine the underlying cause within the sensors. DITAN also incorporates a Knowledge System to find physical events responsible for the occurrence of a series of abnormal measurements. The performance of DITAN is demonstrated on real-world problems in the Artificial Intelligence community. DITAN is applied to a stable volcanic hydrothermal system to assess the risk of 14 event occurrences attributed to both atmospheric and surface-related events.