Acoustic Full Waveform Inversion with Hamiltonian Monte Carlo Method

Cet article propose une nouvelle stratégie de réglage de la matrice de masse pour la méthode Hamiltonian Monte Carlo, démontrant ainsi sa faisabilité et son efficacité pour résoudre le problème mal posé de l'inversion de forme d'onde acoustique complète (FWI) dans des scénarios bruyants et limités.

L'essentiel

Imaginez que vous essayez de voir à travers un mur très épais et opaque pour comprendre ce qui se cache derrière. C'est exactement ce que font les géophysiciens avec la Terre : ils veulent voir les couches de roches, les réservoirs de pétrole ou les failles cachées sous nos pieds, sans pouvoir creuser.

Voici une explication simple de l'article scientifique, en utilisant des analogies du quotidien.

1. Le Problème : Le "Mur de Bruit" et l'Enquête Floue

Pour voir sous terre, les scientifiques envoient des ondes sonores (comme des échos de sonar) et écoutent comment elles rebondissent. C'est ce qu'on appelle l'Inversion de Forme d'Onde Complète (FWI).

• L'analogie du puzzle : Imaginez que vous devez reconstruire un puzzle géant, mais vous n'avez que quelques pièces, et certaines sont sales ou tachées de boue (le bruit). De plus, plusieurs combinaisons de pièces pourraient sembler correctes. C'est un problème "mal posé" : il n'y a pas une seule réponse évidente.
• La méthode classique (Déterministe) : C'est comme essayer de deviner la solution en ajustant un seul modèle à la fois. Si vous trouvez une solution qui colle "à peu près", vous vous arrêtez. Le problème ? Vous ne savez pas à quel point cette solution est fiable. Est-ce une vraie image du sous-sol ou juste un hasard ?

2. La Solution : Le "Système de Particules" (Monte Carlo Hamiltonien)

Les auteurs proposent d'utiliser une méthode plus intelligente appelée Hamiltonian Monte Carlo (HMC).

• L'analogie du terrain de golf : Imaginez que le sous-sol est un immense terrain de golf avec des vallées profondes (les bonnes réponses) et des collines (les mauvaises).
  • La méthode classique est comme un joueur qui marche lentement, sentant la pente sous ses pieds pour descendre vers la vallée la plus proche. Il risque de rester coincé dans une petite dépression locale sans voir la vraie vallée.
  • La méthode HMC, elle, est comme un joueur qui lance des balles de golf avec une force et une direction précises. Ces balles peuvent sauter par-dessus les petites collines pour explorer tout le terrain. Elles ne se contentent pas de chercher une réponse, elles explorent des milliers de possibilités pour dire : "Voici la zone la plus probable, et voici à quel point nous sommes sûrs ou incertains."

3. Le Défi : Le "Poids" des Balles

Le problème avec les balles de golf (les particules dans l'algorithme), c'est qu'elles sont parfois trop lourdes ou trop légères.

• Si elles sont trop lourdes, elles ne bougent pas assez et restent bloquées au même endroit.
• Si elles sont trop légères, elles volent partout sans s'arrêter, gaspillant du temps et de l'énergie.

Dans les expériences sismiques, il y a un problème particulier : plus on va profond sous la Terre, plus les données sont floues (comme essayer de voir un objet au fond d'une piscine trouble). Les méthodes classiques traitent toutes les profondeurs de la même façon, ce qui est inefficace.

4. L'Innovation : La "Veste à Poids Variables"

C'est ici que l'article apporte sa grande idée. Les auteurs proposent une nouvelle stratégie pour ajuster le poids de ces balles (les particules) en fonction de la profondeur.

• L'analogie de la plongée :
  • En surface (zones peu profondes) : Les données sont claires. On utilise des balles légères. Elles sont agiles, elles bougent vite, explorent beaucoup et trouvent rapidement les détails précis.
  • En profondeur (zones sombres) : Les données sont bruyantes et incertaines. Si on utilise des balles légères, elles vont se perdre dans le brouillard. L'équipe propose donc de les rendre plus lourdes à mesure qu'on descend.
  • Pourquoi ? Une balle lourde a de l'inertie. Elle ne change pas de direction aussi facilement. Cela l'empêche de se perdre dans le bruit et la force à rester concentrée sur les grandes structures géologiques, même si l'image est floue.

C'est comme si vous donniez un gilet de sauvetage (le poids) à vos explorateurs : plus ils vont loin dans l'eau trouble, plus le gilet est lourd pour les stabiliser et les empêcher de dériver.

5. Les Résultats : Plus Rapide et Plus Sûr

En utilisant cette astuce de "poids variable" :

1. Vitesse : L'algorithme trouve de bonnes solutions beaucoup plus vite qu'avant. Il ne perd pas de temps à tourner en rond dans les zones difficiles.
2. Fiabilité : Ils peuvent non seulement dire "Voici à quoi ressemble le sous-sol", mais aussi ajouter : "Nous sommes très sûrs ici, mais là-bas, c'est un peu flou, donc faites attention."
3. Économie : Comme ils trouvent la solution plus vite, ils économisent énormément de temps de calcul (ce qui coûte très cher en géophysique).

En Résumé

Cette équipe a inventé une façon intelligente de "piloter" une simulation informatique pour voir sous terre. Au lieu de traiter tout le sous-sol de la même façon, ils adaptent la "lourdeur" de leur recherche en fonction de la profondeur. C'est comme si on apprenait à un détective à être très rapide et agile pour les indices clairs en surface, mais à devenir plus prudent et méthodique (plus "lourd") quand il doit enquêter dans des zones obscures et bruyantes en profondeur.

Cela permet de construire des cartes du sous-sol plus fiables, plus rapides à produire, et surtout, en indiquant clairement où l'on peut faire confiance à l'image et où il faut rester prudent.

Résumé technique

1. Problématique et Contexte

L'Inversion de Forme d'Onde Complète (FWI - Full Waveform Inversion) est une technique de haute résolution utilisée en géophysique pour reconstruire des modèles du sous-sol en se basant sur la propagation complète des ondes sismiques. Cependant, ce problème est intrinsèquement mal posé (ill-posed) et non linéaire :

• Non-unicité : Plusieurs modèles peuvent correspondre aux mêmes observations, surtout en présence de bruit et de données limitées en espace et en fréquence.
• Limites des approches déterministes : Les méthodes classiques (basées sur le gradient) fournissent une seule solution (le minimum local ou global des résidus) mais ne donnent aucune information sur l'incertitude des paramètres physiques estimés (vitesse, densité).
• Défi de la dimensionnalité : Les approches probabilistes (stochastiques) comme les chaînes de Markov (MCMC) permettent d'estimer les distributions de probabilité et les incertitudes, mais elles deviennent inefficaces dans les espaces de modèles de haute dimension (typiques de la sismique) en raison du « fléau de la dimensionnalité ».

L'objectif de cet article est d'évaluer la faisabilité d'appliquer la méthode Hamiltonian Monte Carlo (HMC) à la FWI acoustique pour surmonter ces limitations, tout en proposant une stratégie innovante pour le réglage des paramètres de la méthode.

2. Méthodologie

Les auteurs combinent la FWI acoustique avec l'algorithme HMC, qui traite les paramètres du modèle comme des particules se déplaçant dans un espace de phase artificiel.

A. Cadre Théorique

• Formulation FWI : Le problème est formulé comme la minimisation d'une fonction de coût (misfit) $E(m)$, définie comme la différence quadratique entre les données observées et modélisées, pondérée par une matrice de covariance du bruit (supposé gaussien).
• Approche HMC :
  • Le modèle $m$ est couplé à un moment $p$ pour former un système hamiltonien.
  • L'énergie hamiltonienne $H(m, p)$ est la somme de l'énergie potentielle (la fonction de coût $E(m)$) et de l'énergie cinétique (dépendant d'une matrice de masse $M$).
  • L'échantillonnage se fait via l'intégration des équations de Hamilton (méthode Leapfrog) suivie d'une acceptation/rejet selon le critère de Metropolis-Hastings.

B. Innovation Principale : Stratégie de Réglage de la Matrice de Masse

Le défi majeur de l'HMC en sismique est le choix de la matrice de masse ($M$), qui contrôle l'inertie des particules. Une masse mal choisie conduit à une exploration inefficace de l'espace des phases.

• Problème : Dans les expériences de réflexion, l'information diminue avec la profondeur (mauvaise illumination des zones profondes).
• Solution proposée : Les auteurs introduisent une stratégie où la masse des particules n'est pas constante, mais varie en fonction de la profondeur ($z$) et du nombre d'itérations HMC.
  • La masse initiale est élevée pour permettre une exploration globale (éviter les minima locaux).
  • La masse est réduite progressivement selon une fonction monotone croissante avec la profondeur : $\gamma_i(z)$.
  • Physique : Cela rend les particules « plus légères » à mesure qu'elles approchent d'un minimum d'énergie potentielle, ce qui est crucial pour les zones profondes mal contraintes par les données de surface.

C. Configuration Numérique

• Modèle : Une version découpée du modèle Marmousi (géologie du bassin de Kwanza, Angola), utilisé comme référence.
• Simulation : Propagation d'ondes acoustiques 2D utilisant le langage DEVITO (différences finies d'ordre 8).
• Scénarios de bruit : Trois niveaux de bruit simulés (faible, moyen, élevé) pour tester la robustesse.
• Calcul du gradient : Optimisé via la méthode de l'état adjoint (une seule propagation d'onde supplémentaire par itération).

3. Résultats

Les expériences ont été menées avec 500 itérations HMC et comparées à une approche HMC standard (masse fixe $M=I$).

• Convergence et Efficacité :

  • La stratégie de masse variable améliore significativement la convergence, en particulier pour les scénarios à fort bruit.
  • Le taux d'acceptation des échantillons reste élevé (> 60 %), ce qui indique une exploration efficace de l'espace des phases.
  • La méthode proposée reconstruit les caractéristiques principales du modèle cible (y compris les zones profondes $z > 1$ km) plus rapidement que la méthode standard, réduisant ainsi le coût computationnel.

• Qualité de l'Inversion :

  • Faible bruit : Les modèles reconstruits sont nets et précis.
  • Forts bruits : La résolution diminue et le modèle apparaît plus « bruité », mais les valeurs de vitesse moyennes restent proches de la réalité.
  • Zones profondes : La méthode proposée parvient mieux à contraindre les zones profondes mal éclairées que la méthode standard, grâce à l'ajustement dynamique de la masse.

• Quantification de l'Incertitude :

  • L'analyse des moments statistiques (moyenne, variance, asymétrie/skewness) révèle que l'incertitude augmente avec la profondeur.
  • Non-gaussianité : Les distributions des paramètres ne sont pas gaussiennes (asymétrie positive ou négative selon la profondeur et les anomalies). Cela démontre que les méthodes basées uniquement sur le gradient ou l'hypothèse gaussienne sont insuffisantes pour caractériser pleinement l'incertitude en FWI de réflexion.

4. Contributions Clés

1. Faisabilité de l'HMC en FWI Acoustique : Démonstration que l'HMC peut être appliqué efficacement à des problèmes de FWI complexes en réflexion, en fournissant non seulement une solution, mais aussi une estimation robuste de l'incertitude.
2. Nouvelle Stratégie de Tuning de Masse : Proposition d'une méthode innovante pour adapter la matrice de masse en fonction de la géométrie d'acquisition (profondeur) et de l'itération. Cela permet de surmonter le problème de la mauvaise illumination des zones profondes.
3. Analyse de l'Incertitude Non-Gaussienne : Mise en évidence du comportement non-gaussien des solutions dans les problèmes d'inversion non linéaires, soulignant la nécessité d'approches stochastiques complètes plutôt que de simples estimations de variance.

5. Signification et Impact

Ce travail est significatif car il adresse l'un des principaux goulots d'étranglement de la FWI probabiliste : le coût computationnel et l'efficacité de l'échantillonnage dans des espaces de haute dimension.

• En améliorant la convergence de l'HMC via un réglage intelligent de la masse, les auteurs rendent l'inversion probabiliste faisable pour des problèmes de taille pratique.
• La capacité à quantifier l'incertitude est cruciale pour l'exploration pétrolière et gazière, permettant de distinguer les caractéristiques du sous-sol bien résolues de celles qui nécessitent plus de données.
• La méthode ouvre la voie à des applications futures sur des modèles géologiques plus complexes et à l'intégration d'autres informations a priori.

En résumé, l'article démontre que l'adaptation de la dynamique hamiltonienne aux spécificités de la géophysique (profondeur, bruit, illumination) permet d'obtenir des modèles sismiques réalistes avec une estimation fiable de leur fiabilité, le tout avec un effort computationnel acceptable.