Soutenance thèse
Léo DE SOUZA
Résumé :
Cette thèse explore la mise en œuvre d’un apprentissage automatique respectueux des lois physiques pour résoudre les problèmes d’imagerie sismique. Après avoir montré les parallèles entre cette nouvelle méthode et l’état de l’art en imagerie sismique, cette thèse examine ses avantages et inconvénients
ainsi que ceux de son implémentation dans le langage de programmation Julia. Au terme de cette discussion est présentée une nouvelle interprétation de cette méthode basée sur les équations aux dérivées partielles stochastiques. Cette nouvelle interprétation, qui permet de donner une valeur physique aux poids qui régissent l’équilibre entre le respect de la physique et celui des données observées, est mise en pratique sur un problème d’imagerie sismique d’un modèle de vitesse en deux dimensions.
Mots clés : Apprentissage automatique, contraintes (intelligence artificielle), équations aux dérivées partielles stochastiques, équations d’onde, imagerie sismique, inversion (géophysique)
Abstract:
This thesis explores the application of physics-informed machine learning for solving seismic imaging problems. After showing the links between this new method and the state of the art in seismic imaging, this thesis discusses its advantages and disadvantages and those of its implementation in the Julia programming language. Following this discussion, a new interpretation of this method is presented based on the stochastic partial differential equation framework. This new interpretation, which gives a physical value to the weights governing the balance between adherence to physics and observed data,
is demonstrated on a seismic imaging problem with a two-dimensional velocity model.
Keywords: Constraints (artificial intelligence), imaging systems in seismology, inversion (geophysics), machine learning, stochastic partial differential equations, wave equation
