Machine learning et respect des lois de la physique : application à l'imagerie sismique

Physics‐informed machine learning in the context of seismic imaging

• Auteur / Autrice : Léo De souza
• Direction : Hervé Chauris, Elie Hachem
• Type : Projet de thèse
• Discipline(s) : Géosciences et géoingénierie
• Date : Inscription en doctorat le 01/10/2020
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : École doctorale Géosciences, ressources naturelles et environnement
• Partenaire(s) de recherche : Laboratoire : Centre de Géosciences
• Partenaire(s) de recherche : établissement opérateur d'inscription : Université de Recherche Paris Sciences et Lettres (2015-2019)

Mots clés

Mots clés libres

Imagerie sismique

Machine learning

Problème inverse

Équation d'onde

Pinn

Spde

Seismic imaging

Machine learning

Inverse problem

Wave equation

Pinn

Spde

Résumé

Le domaine du machine learning est en pleine expansion, pour faire "parler" les données, après possiblement une phase d'apprentissage. Ces approches, trop souvent des boites noires, oublient les techniques plus traditionnelles, basées sur la physique, qui visent à expliquer et modéliser les phénomènes. L'objectif de la thèse est de développer, dans le contexte de l'imagerie sismique, une approche intermédiaire où les lois de la physique seront (partiellement) respectées. Les principales applications de machine learning en sismique concernent à ce jour des tâches de pré-traitement (débruitage, pointé, ...), mais très peu la partie imagerie (retrouver des paramètres du sous-sol, un problème non-linéaire). L'introduction de la physique dans le Machine Learning pourrait permettre de combler cette lacune.

Machine learning is currently largely developing. After a possible learning step, the objective is to let the data speak. These approaches tend to forget the more traditional physics-based approaches. The objective of the PhD is to develop, in the context of seismic imaging, an intermediate approach, in which the physics is preserved. Currently, the main contributions of machine learning to seismic processing are related to pre-processing steps (de-noising, picking, ...) but not really yet to the imaging part (determining the Earth's properties from surface measurements, a highly non-linear problem). The explicit introduction of physics within Machine Learning should fill this gap.