{"id":11515,"date":"2024-03-13T18:00:17","date_gmt":"2024-03-13T17:00:17","guid":{"rendered":"https:\/\/wp.unil.ch\/geoblog\/?p=11515"},"modified":"2024-03-13T18:15:05","modified_gmt":"2024-03-13T17:15:05","slug":"modelisation-geostatistique-du-sous-sol","status":"publish","type":"post","link":"https:\/\/wp.unil.ch\/geoblog\/2024\/03\/modelisation-geostatistique-du-sous-sol\/","title":{"rendered":"Mod\u00e9lisation g\u00e9ostatistique du sous-sol"},"content":{"rendered":"\n
\n
\"\"<\/a>
Niklas Linde, Institut des sciences de la Terre<\/figcaption><\/figure>\n\n\n\n

Niklas Linde est g\u00e9ophysicien. Il s\u2019int\u00e9resse plus particuli\u00e8rement aux processus environnementaux en lien avec l\u2019hydrog\u00e9ologie.<\/strong><\/p>\n\n\n\n

Son int\u00e9r\u00eat pour l\u2019utilisation de l\u2019apprentissage profond a commenc\u00e9 d\u00e9but 2017 avec pour objectif de mieux int\u00e9grer les contraintes g\u00e9ologiques dans les mod\u00e9lisations inverses1<\/a><\/sup>.<\/p>\n\n\n\n

<\/div>\n<\/div>\n\n\n\n

Les mod\u00e9lisations hydrog\u00e9ologiques sont int\u00e9ressantes pour \u00e9tudier les flux souterrains (\u00e9coulement des eaux souterraines, transport de contaminants p.ex.). Comme les donn\u00e9es ne couvrent pas l\u2019entier des volumes \u00e9tudi\u00e9s, il est n\u00e9cessaire d\u2019y int\u00e9grer de la g\u00e9ostatistique : attribution \u00e0 chaque point d\u2019une fonction statistique pour les diff\u00e9rents facteurs mesur\u00e9s (perm\u00e9abilit\u00e9, conductivit\u00e9, etc.). Ceci permet de d\u00e9duire ces valeurs pour les autres points de proche en proche, afin d\u2019obtenir finalement une vision compl\u00e8te de la zone \u00e9tudi\u00e9e. En complexifiant les calculs, ce processus augmente consid\u00e9rablement le temps n\u00e9cessaire pour obtenir des r\u00e9sultats (r\u00e9alisations) et limite la possibilit\u00e9 de tester de multiples hypoth\u00e8ses.<\/p>\n\n\n\n

Apprendre \u00e0 l\u2019IA \u00e0 reconna\u00eetre et g\u00e9n\u00e9rer des structures g\u00e9ologiques<\/h4>\n\n\n\n

L\u2019id\u00e9e originale de son coll\u00e8gue Eric Laloy a \u00e9t\u00e9 d\u2019utiliser les algorithmes de mod\u00e8les g\u00e9n\u00e9ratifs profonds,<\/em> (comme par exemple, les applications qui cr\u00e9ent des nouveaux visages \u00e0 partir d\u2019images de millions de visages), <\/em>pour g\u00e9n\u00e9rer des nouvelles images g\u00e9ologiques avec des caract\u00e9ristiques similaires \u00e0 celles d\u2019images existantes (images d\u2019entra\u00eenement). Dans le cadre des recherches de Niklas Linde et ses collaborateurs, les images d\u2019entra\u00eenement, sont constitu\u00e9es par exemple d\u2019affleurements rocheux, qui repr\u00e9sentent une bonne indication de la nature du sous-sol environnant. Les algorithmes ont \u00e9t\u00e9 entra\u00een\u00e9s gr\u00e2ce \u00e0 une multitude de telles images pour qu\u2019ils apprennent \u00e0 repr\u00e9senter ces structures et leurs propri\u00e9t\u00e9s. <\/p>\n\n\n\n

\"\"<\/a><\/figure>\n\n\n\n

Les applications de cette m\u00e9thode sur des mod\u00e9lisations d\u2019aquif\u00e8res (structures g\u00e9ologiques contenant de l\u2019eau de mani\u00e8re permanente ou temporaire) ont montr\u00e9 des r\u00e9sultats sup\u00e9rieurs \u00e0 ceux obtenus avec des m\u00e9thodes plus classiques. Niklas Linde ajoute : \u00ab Les valeurs probabilistes obtenues via ces mod\u00e9lisations rendent les r\u00e9sultats potentiellement plus exploitables pour les utilisateurs sur le terrain (on peut pr\u00e9dire avec quelle probabilit\u00e9 le sous-sol d\u2019une zone donn\u00e9e renferme telle ou telle propri\u00e9t\u00e9 g\u00e9ophysique)<\/em> \u00bb. L\u2019objectif pour la suite est d\u2019am\u00e9liorer les algorithmes afin de diminuer le temps n\u00e9cessaire \u00e0 leur entra\u00eenement, et de rendre les mod\u00e8les encore plus pr\u00e9cis.<\/p>\n\n\n\n

Sceptique au d\u00e9part<\/h4>\n\n\n\n

Niklas Linde d\u00e9clare : \u00ab Avant cette recherche, je ne pensais pas que le machine learning puisse \u00eatre tr\u00e8s utile dans le domaine de la g\u00e9ophysique<\/em> \u00bb. Les mod\u00e8les r\u00e9alis\u00e9s \u00e0 partir des donn\u00e9es et des mod\u00e8les physiques lui semblaient en effet suffisamment pr\u00e9cis et pr\u00e9f\u00e9rables, par rapport \u00e0 une approche bas\u00e9e sur les donn\u00e9es. Confront\u00e9 \u00e0 des mod\u00e8les de la subsurface de plus en plus complexes, il a fait partie des pr\u00e9curseurs de l\u2019utilisation de l\u2019apprentissage profond dans le domaine (cf encadr\u00e9). Le d\u00e9veloppement de l\u2019utilisation de l\u2019IA dans les g\u00e9osciences et les progr\u00e8s r\u00e9alis\u00e9s par la suite montrent que le co\u00fbt d\u2019int\u00e9gration du machine learning dans un mod\u00e8le complexe, est largement compens\u00e9 par les avantages en termes de capacit\u00e9 \u00e0 repr\u00e9senter des relations complexes et des tester une grande quantit\u00e9 des mod\u00e8les diff\u00e9rents. <\/p>\n\n\n\n

\n

Un r\u00f4le de pr\u00e9curseur <\/h4>\n\n\n\n

Niklas Linde et ses coll\u00e8gues ont fait partie des pr\u00e9curseurs de l\u2019utilisation de l\u2019apprentissage profond dans les g\u00e9osciences pour g\u00e9n\u00e9rer, avec des mod\u00e9lisations inverses, des mod\u00e8les g\u00e9ologiquement r\u00e9alistes de la subsurface qui sont en accord avec les donn\u00e9es g\u00e9ophysiques. Lors de la soumission de leur premier article d\u00e9crivant cette approche en 2017, l\u2019\u00e9diteur a refus\u00e9 de le publier, car cette approche ne leur est pas apparue pertinente. L\u2019article a finalement \u00e9t\u00e9 accept\u00e9 par un autre \u00e9diteur. Le deuxi\u00e8me article sur ce sujet a aussi \u00e9t\u00e9 refus\u00e9 avant d\u2019\u00eatre accept\u00e9 en 2018 apr\u00e8s une re-soumission. Actuellement les publications sur l\u2019utilisation de l\u2019apprentissage profond dans les g\u00e9osciences sont nombreuses.<\/p>\n\n\n\n