{"id":10429,"date":"2023-09-28T10:37:10","date_gmt":"2023-09-28T08:37:10","guid":{"rendered":"https:\/\/wp.unil.ch\/geoblog\/?p=10429"},"modified":"2023-09-28T10:37:12","modified_gmt":"2023-09-28T08:37:12","slug":"efficient-bayesian-inversion-for-geophysical-applications-leveraging-deep-learning-and-geostatistical-methods","status":"publish","type":"post","link":"https:\/\/wp.unil.ch\/geoblog\/2023\/09\/efficient-bayesian-inversion-for-geophysical-applications-leveraging-deep-learning-and-geostatistical-methods\/","title":{"rendered":"Efficient Bayesian inversion for geophysical applications: Leveraging deep learning and geostatistical methods"},"content":{"rendered":"
\"\"<\/figure>\n\n\n

Th\u00e8se en sciences de la Terre, soutenue le 26 octobre 2023 par Shiran Levy, rattach\u00e9e \u00e0 l’Institut des sciences de la Terre (ISTE) de la FGSE.<\/em><\/p>\n\n\n\n

La mod\u00e9lisation inverse est un \u00e9l\u00e9ment central de la g\u00e9ophysique et est utilis\u00e9e pour trouver un mod\u00e8le de subsurface ou un ensemble de mod\u00e8les d\u2019une propri\u00e9t\u00e9 physique en accord avec les donn\u00e9es mesur\u00e9es et d\u2019autres contraintes. La r\u00e9ponse physique reliant le champ de propri\u00e9t\u00e9s du sous-sol aux donn\u00e9es mesur\u00e9es par un instrument peut \u00eatre approxim\u00e9e par un mod\u00e8le math\u00e9matique ou num\u00e9rique (calculable). Les mod\u00e8les num\u00e9riques n\u00e9cessitent la discr\u00e9tisation du mod\u00e8le de subsurface, c\u2019est \u00e0 dire la param\u00e9trisation du mod\u00e8le, en divisant l\u2019espace ou le temps en intervalles discrets. En simulant la r\u00e9ponse physique, \u00e9galement appel\u00e9e r\u00e9ponse directe, pour un ensemble sp\u00e9cifique de param\u00e8tres du mod\u00e8le (une r\u00e9alisation souterraine) et en comparant les donn\u00e9es obtenues avec les donn\u00e9es observ\u00e9es lors d\u2019une exp\u00e9rience, nous pouvons quantifier dans quelle mesure les param\u00e8tres du mod\u00e8le propos\u00e9 expliquent les donn\u00e9es mesur\u00e9es. En r\u00e9p\u00e9tant ce processus avec diff\u00e9rentes r\u00e9alisations de la subsurface, nous pouvons explorer laquelle d\u2019entre elles est susceptible de bien d\u00e9crire la distribution des propri\u00e9t\u00e9s physiques. Les m\u00e9thodes d\u2019inversion se divisent en m\u00e9thodes d\u00e9terministes et probabilistes. Nous consid\u00e9rons l\u2019inversion probabiliste qui vise \u00e0 trouver une distribution de solutions en accord avec les donn\u00e9es et les connaissances ant\u00e9rieures. Les m\u00e9thodes probabilistes sont tr\u00e8s g\u00e9n\u00e9rales, mais elles sont souvent longues \u00e0 calculer, en raison du calcul r\u00e9p\u00e9t\u00e9 de lamod\u00e8le num\u00e9rique.<\/p>\n\n\n\n

Dans cette th\u00e8se, nous pr\u00e9sentons des approches de mod\u00e9lisation inverse qui am\u00e9liorent l\u2019efficacit\u00e9 des m\u00e9thodes probabilistes traditionnelles largement utilis\u00e9es ou qui introduisent de nouvelles approches efficaces.<\/p>\n\n\n\n

La premi\u00e8re approche d\u00e9crit un moyen d\u2019utiliser des solveurs \u00e0 terme peu co\u00fbteux repr\u00e9sentant une version plus simple d\u2019une r\u00e9ponse physique complexe, tout en tenant compte des erreurs r\u00e9sultant de cette simplification. Pour ce faire, nous apprenons une param\u00e9trisation de ces erreurs \u00e0 l\u2019aide de mod\u00e8les g\u00e9n\u00e9ratifs profonds, une technique d\u2019apprentissage profond qui fait partie du domaine de l\u2019intelligence artificielle, et nous l\u2019utilisons pour g\u00e9n\u00e9rer des erreurs afin de corriger les donn\u00e9es simul\u00e9es au cours du processus d\u2019inversion.<\/p>\n\n\n\n

La seconde approche est bas\u00e9e sur la param\u00e9trisation compacte de la subsurface par des mod\u00e8les g\u00e9n\u00e9ratifs profonds et une autre technique d\u2019apprentissage profond qui approxime efficacement le post\u00e9rieur en utilisant l\u2019optimisation bas\u00e9e sur le gradient et un mod\u00e8le de flux transformant la distribution initiale en celle d\u2019int\u00e9r\u00eat.<\/p>\n\n\n\n

La derni\u00e8re approche limite les simulations g\u00e9ostatistiques s\u00e9quentielles \u00e0 la g\u00e9n\u00e9ration de r\u00e9alisations de la subsurface qui correspondent \u00e9troitement aux donn\u00e9es mesur\u00e9es. Ces simulations construisent progressivement un mod\u00e8le de r\u00e9alisation de la subsurface, dans lequel les param\u00e8tres du mod\u00e8le sont conditionn\u00e9s \u00e0 la fois par une image affichant le mod\u00e8le g\u00e9ologique souhait\u00e9 et par les donn\u00e9es mesur\u00e9es.<\/p>\n\n\n\n

Compar\u00e9es aux m\u00e9thodes d\u2019inversion probabiliste traditionnelles, les trois approches ont d\u00e9montr\u00e9 une r\u00e9duction significative du temps de calcul tout en obtenant des r\u00e9sultats d\u2019une pr\u00e9cision similaire. Les approches d\u00e9velopp\u00e9es dans la th\u00e8se cr\u00e9ent de nouvelles opportunit\u00e9s et d\u00e9montrent comment l\u2019int\u00e9gration des m\u00e9thodes d\u00e9velopp\u00e9es dans l\u2019apprentissage automatique et les statistiques peut am\u00e9liorer la performance des m\u00e9thodes inverses g\u00e9ophysiques.<\/p>\n","protected":false},"excerpt":{"rendered":"

Th\u00e8se en sciences de la Terre, soutenue le 26 octobre 2023 par Shiran Levy, rattach\u00e9e \u00e0 l’Institut des sciences de la Terre (ISTE) de la FGSE. La mod\u00e9lisation inverse est un \u00e9l\u00e9ment central de la g\u00e9ophysique et est utilis\u00e9e pour trouver un mod\u00e8le de subsurface ou un ensemble de mod\u00e8les d\u2019une propri\u00e9t\u00e9 physique en accord […]<\/p>\n","protected":false},"author":47,"featured_media":10430,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"","_seopress_titles_title":"","_seopress_titles_desc":"","_seopress_robots_index":"","footnotes":"","_links_to":"","_links_to_target":""},"categories":[49465],"tags":[],"class_list":{"0":"post-10429","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-theses-soutenues"},"_links":{"self":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/posts\/10429","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/users\/47"}],"replies":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/comments?post=10429"}],"version-history":[{"count":0,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/posts\/10429\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/media\/10430"}],"wp:attachment":[{"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/media?parent=10429"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/categories?post=10429"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/wp.unil.ch\/geoblog\/wp-json\/wp\/v2\/tags?post=10429"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}