Jumeau numérique sismique multi-physiques multi-échelles en milieu géologique complexe pour les risques industriels

Multi-scale multi-physics seismic digital twin in complex geological environment for industrial risks

• Auteur / Autrice : Mohamad ali Noureddine
• Direction : Fakhreddine Ababsa, Rani EL Meouche
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 02/11/2022
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Pimm - Laboratoire Procédés et ingénierie en mécanique et matériaux
• Partenaire(s) de recherche : établissement de préparation de la thèse : École nationale supérieure d'arts et métiers (1780-....)

Mots clés

Mots clés libres

Séisme

Jumeau numérique

Simulation numérique multi-physiques multi-échelles

Interopérabilité

Earthquake

Digital twin

Multi-scale multi-physics numerical simulation

Interoperability

Résumé

La disponibilité actuelle de ressources informatiques considérables nous permet de réaliser des simulations 3D de haute précision à un coût de calcul raisonnable, couvrant de vastes régions. Toutefois, pour obtenir des résultats réalistes, des modèles numériques basés sur la physique tels qu'EFISPEC3D doivent être alimentés en informations géologiques spécifiques à la région étudiée, ainsi qu'en données sismologiques relatives à la source sismique en question. L'incertitude entourant ces paramètres rend difficile la reproduction précise de la propagation des ondes dans des milieux géologiques complexes. Pour quantifier l'impact de cette incertitude, une analyse de sensibilité globale est entreprise afin de mieux comprendre comment les paramètres incertains influent sur l'état prédit du système. D'un autre côté, les modèles du machine learning basés sur les données, telles que les réseaux de neurones, ont connu un succès considérable dans divers domaines, allant de la traduction automatique à la classification d'images. Cependant, la précision de ces modèles dépend fortement de la qualité et de la quantité des données disponibles. De plus, les modèles de machine learning purement basés sur les données ne tiennent pas explicitement compte des lois physiques, ce qui peut entraîner la production de résultats physiquement incohérents. Afin de pallier ces limitations, l'idée d'incorporer des connaissances physiques dans les modèles de machine learning émerge comme une approche prometteuse. Ce modèle hybride cherche à corriger les prédictions du modèle basé sur la physique en utilisant des modèles basés sur les données. En fin, l'objectif de cette thèse est de créer un jumeau numérique sismique capable de combiner l'expertise des modèles basés sur la physique avec la puissance des modèles basés sur les données pour obtenir des prédictions plus précises et cohérentes. Le site d'intérêt est le barrage de dumanoir situé en Guadeloupe pour lequel les paramètres géologiques et géophysiques sont à disposition pour construire une version initaile du jumeau numérique. Les données observées (séismogrammes enregistrés pour des séismes de différentes magnitudes) permettrons de faire évoluer cette version initiale afin que le jumeau soit capable de reproduire au mieux les observations dans la gamme de fréquence d'intérêt du barrage, à savoir 1 à 4 Hz.

The current availability of substantial computing resources enables us to conduct high-precision 3D simulations at a reasonable computational cost, covering extensive geographical areas. However, to achieve realistic results, physics-based numerical models like EFISPEC3D require specific geological information for the study region and relevant seismological data related to the seismic source under consideration. The uncertainty surrounding these parameters makes it challenging to accurately replicate wave propagation in complex geological environments. To quantify the impact of this uncertainty, a global sensitivity analysis is conducted to gain a better understanding of how uncertain parameters affect the predicted system state. On the other hand, data-driven machine learning models, such as neural networks, have seen significant success in various fields, ranging from machine translation to image classification. However, the accuracy of these models heavily depends on the quality and quantity of available data. Furthermore, purely data-driven machine learning models do not explicitly account for physical laws, which can lead to the generation of physically inconsistent results. To address these limitations, the concept of incorporating physical knowledge into machine learning models emerges as a promising approach. This hybrid model aims to correct the predictions of the physics-based model by leveraging data-driven models. Ultimately, the objective of this thesis is to create a seismic digital twin that can blend the expertise of physics-based models with the power of data-driven models to produce more accurate and coherent predictions. The site of interest is the Dumanoir Dam located in Guadeloupe, for which geological and geophysical parameters are available to construct an initial version of the digital twin. Observed data, including seismograms recorded for earthquakes of various magnitudes, will allow for the refinement of this initial version so that the digital twin can best replicate observations within the frequency range of interest for the dam, namely 1 to 4 Hz.