A Review of Modeling and Waveform Inversion for Marine Seismic Data

Cet article passe en revue systématiquement 11 études issues d'un numéro spécial de JMSE sur la modélisation sismique marine et l'inversion de forme d'onde, en mettant en évidence comment l'intégration de l'inversion de forme d'onde complète, de l'inversion élastique et de l'intelligence artificielle répond aux goulots d'étranglement industriels clés pour faire progresser l'exploration en eaux profondes, la détection des aléas du fond marin et la surveillance du stockage du carbone.

L'essentiel

Imaginez le fond océanique comme un puzzle géant, sombre et incroyablement complexe. Les scientifiques souhaitent voir ce qui se cache profondément sous les vagues : des réserves de pétrole, des poches de gaz, ou même les racines de montagnes sous-marines. Pour ce faire, ils envoient des ondes sonores dans l'eau et écoutent les échos, tout comme une chauve-souris utilise le sonar pour naviguer dans une grotte. Cependant, l'océan est un lieu désordonné : l'eau elle-même, le sable qui se déplace et le placement irrégulier des dispositifs d'écoute déforment souvent ces échos, rendant l'image floue ou incomplète.

Cet article est un examen de 11 nouvelles études scientifiques qui agissent comme une boîte à outils de solutions fraîches et haute technologie pour corriger ces images floues. Les auteurs, dirigés par Guoxin Chen, expliquent comment le domaine évolue, passant d'une dépendance exclusive à la physique traditionnelle à un puissant mélange de physique et d'Intelligence Artificielle (IA).

Voici une décomposition des idées clés utilisant des analogies simples :

1. Réparer les « pièces manquantes » (Prétraitement des données)

Imaginez essayer de terminer un puzzle, mais quelqu'un a dispersé les pièces de manière inégale, laissant d'énormes lacunes. Les méthodes traditionnelles tentent de deviner les pièces manquantes basées sur des motifs simples, mais elles échouent souvent lorsque l'image est complexe.

• La nouvelle solution : Certaines des études examinées utilisent l'IA (spécifiquement un type de réseau de neurones appelé U-Net) pour agir comme un artiste surdoué. Au lieu de simplement deviner, il « apprend » les motifs des ondes sonores et comble les lacunes manquantes avec une grande précision. C'est comme avoir une IA capable de regarder quelques pièces de puzzle éparpillées et de reconstruire parfaitement les parties manquantes de l'image, même si les données originales étaient clairsemées ou bruyantes.

2. Écouter les « chuchotements » (Sources passives)

Habituellement, les scientifiques créent leurs propres « bangs » bruyants (sources artificielles) pour obtenir des échos. Mais cela coûte cher et peut perturber la vie marine. Certaines études explorent l'utilisation de sons « passifs » — comme le grondement naturel de l'océan ou les tremblements de terre lointains — à la place.

• Le défi : Ces sons naturels sont faibles, désordonnés et arrivent de directions aléatoires.
• La nouvelle solution : Les articles décrivent de nouveaux algorithmes qui agissent comme un casque à réduction de bruit pour l'océan. Ils filtrent le bruit de fond statique et chaotique pour isoler les « chuchotements » utiles, permettant aux scientifiques de construire des cartes claires du fond marin sans avoir besoin de déclencher des explosifs coûteux.

3. Démêler le « fil emmêlé » (Inversion de forme d'onde)

Lorsque les ondes sonores rebondissent sur différentes couches de roche, elles s'emmêlent. C'est comme essayer d'écouter une conversation dans une pièce bondée où tout le monde parle en même temps.

• Le problème : Les méthodes traditionnelles restent souvent coincées dans un « minimum local », ce qui est comme un randonneur bloqué dans une petite vallée, pensant avoir atteint le bas de la montagne, alors qu'en réalité, le vrai fond est loin. Cela se produit parce que les données manquent de sons basse fréquence (profonds).
• La nouvelle solution : Les études examinées introduisent l'Inversion de Phase et l'IA guidée par la physique.
  • Inversion de Phase : Au lieu d'essayer de correspondre à la force (amplitude) du son, facilement perturbée par le bruit, ces méthodes se concentrent sur le timing (phase) des ondes. C'est comme résoudre un puzzle en correspondant la forme des pièces plutôt que leur couleur.
  • IA guidée par la physique : C'est une approche hybride. Imaginez un élève (l'IA) apprenant à résoudre des problèmes de mathématiques. Au lieu de simplement mémoriser les réponses (données pures), le professeur (la physique) lui donne les règles de l'univers à suivre. Cela garantit que les réponses de l'IA ont un sens physique et ne sont pas « trompées » par de mauvaises données.

4. Voir en 3D et en couleur (Caractérisation des réservoirs)

Une fois la carte claire, les scientifiques doivent savoir de quoi sont faites les roches. Sont-elles dures ou molles ? Contiennent-elles du pétrole ou de l'eau ?

• La nouvelle solution : Les articles décrivent des méthodes qui combinent différents types de données (comme regarder une scène avec vos yeux gauche et droit pour obtenir la profondeur) pour créer des modèles 3D. Ils utilisent des statistiques avancées et l'IA pour estimer des propriétés comme la densité et l'élasticité de la roche, aidant à identifier exactement où les ressources précieuses pourraient se cacher.

5. La vue d'ensemble : Pourquoi cela compte

L'article conclut que ces 11 études forment une « chaîne de montage » complète pour l'exploration marine :

1. Nettoyer les données désordonnées.
2. Modéliser comment le son se propage à travers l'océan.
3. Inverser les données pour créer une carte 3D.
4. Identifier quelles ressources sont présentes.

Le résultat : Ces nouvelles méthodes sont testées sur des données réelles de la mer de Chine méridionale et de la mer de Chine orientale. Elles aident à trouver du pétrole et du gaz en eaux profondes, à détecter les dangers sous-marins (comme les glissements de terrain) et à surveiller les sites de stockage de carbone (où nous pompons le CO2 pour le garder hors de l'atmosphère).

Et après ?

Les auteurs lancent un nouveau numéro spécial entièrement consacré à l'Intelligence Artificielle en géophysique marine. Ils estiment que l'avenir ne réside pas seulement dans l'utilisation de l'IA comme un outil, mais dans son intégration complète dans la trame même de notre façon d'explorer l'océan, rendant le processus plus rapide, moins cher et beaucoup plus précis.

En résumé : Cet article est une célébration de la façon dont les algorithmes intelligents et les nouvelles mathématiques nous aident à voir clairement à travers le fond océanique trouble et complexe, transformant un désordre flou et bruyant en une carte nette et haute définition des profondeurs marines.

Résumé technique

Résumé Technique : Une Revue de la Modélisation et de l'Inversion de Forme d'Onde pour les Données Sismiques Marines

Énoncé du Problème
L'exploration sismique marine fait face à des défis majeurs pour obtenir une imagerie du sous-sol haute fidélité et haute résolution, en raison de contraintes d'acquisition complexes et de conditions géologiques. Les problèmes clés incluent un échantillonnage spatial sparse et irrégulier (particulièrement dans les systèmes à nœuds ou streamers posés sur le fond marin), un manque sévère de signaux basse fréquence, une forte diffusion provenant des couches d'eau de mer et de sédiments, et les conséquences en termes de saut de cycle et de minima locaux dans les processus d'inversion. Les méthodes traditionnelles basées sur la physique peinent souvent avec ces données non stationnaires, fortement diffusées et à faible rapport signal sur bruit (SNR), entraînant des difficultés dans la caractérisation des réservoirs, l'exploration en eaux profondes et les applications de surveillance telles que la séquestration du carbone. De plus, les approches d'apprentissage profond existantes manquent souvent de contraintes physiques, ce qui se traduit par une mauvaise généralisation et interprétabilité.

Méthodologie
Cet article sert de revue systématique de 11 articles de haute qualité publiés dans le numéro spécial du Journal of Marine Science and Engineering (JMSE) intitulé « Modélisation et inversion de forme d'onde des données sismiques marines ». La revue synthétise une chaîne technique complète couvrant six branches :

1. Prétraitement Intelligent : Utilisation de l'apprentissage profond (par exemple, U-Net à attention résiduelle dans le domaine fréquentiel) pour l'interpolation de données OBN irrégulières et la Déconvolution Multi-Dimensionnelle Robuste (RMDD) pour la reconstruction de signaux sources passifs.
2. Modélisation Directe : Construction de modèles théoriques précis pour quantifier les impacts des couches d'eau de mer et de sédiments sur les fonctions de réception des ondes P OBS et développement d'une inversion FWI élastique conjointe hiérarchique basée sur la séparation du champ d'ondes.
3. Innovation en FWI et Inversion Élastique : Proposition de méthodes pour surmonter l'absence de basse fréquence et le saut de cycle, incluant l'Inversion de Phase des Ondes Élastiques à Échelle Locale dans le Domaine Fréquence–Nombre d'Ondes (LFKEPI), l'apprentissage FWI auto-supervisé guidé par la physique avec préentraînement sur sources simultanées, et l'Inversion par Réflexion d'Équation d'Onde (WERI) pour la reconstruction de vitesse à large spectre.
4. Caractérisation et Imagerie des Réservoirs : Application de l'inversion AVO bayésienne avec des priors de Cauchy pour l'estimation multi-paramètres et la Migration en Profondeur Pré-empilée Acoustique de Kirchhoff (PSDM) pour l'imagerie des données OBS.
5. Intégration de l'IA : Intégration de l'apprentissage profond multimodal avec les statistiques multipoints pour la modélisation crustale 3D et revue des récentes avancées de l'IA en matière de débruitage, de modélisation de vitesse et d'extrapolation basse fréquence.

Contributions Clés
La revue met en évidence plusieurs percées méthodologiques présentées dans le numéro spécial :

• Reconstruction de Données : L'introduction de mécanismes d'attention résiduelle dans le domaine fréquentiel et de stratégies d'interpolation multi-domaines aborde efficacement l'échantillonnage irrégulier et les données manquantes dans les scénarios OBN et sources passives.
• Stabilité de l'Inversion : Le développement de l'inversion basée sur la phase (LFKEPI) et des cadres d'apprentissage auto-supervisé guidés par la physique réduit considérablement la dépendance aux modèles initiaux précis et aux données basse fréquence, atténuant le saut de cycle.
• Inversion Conjointe : Les cadres d'inversion FWI élastique conjointe hiérarchique et d'apprentissage profond multimodal intègrent avec succès les informations des ondes P et S issues des données streamer et OBN, résolvant les problèmes de solutions multiples dans les zones structurelles complexes.
• Cohérence Physique : L'intégration de contraintes d'équation d'onde dans les fonctions de perte de l'apprentissage profond et l'utilisation de statistiques bayésiennes garantissent que les résultats de l'inversion restent physiquement cohérents et géologiquement plausibles.

Résultats
Les études examinées démontrent que ces approches intégrées produisent :

• Reconstruction Haute Précision : Une continuité, un SNR et une cohérence améliorés dans les données sismiques reconstruites, adaptées à la migration et à l'inversion ultérieures.
• Inversion Robuste : Reconstruction stable du modèle de vitesse dans des environnements marins complexes, même dans des conditions d'absence de basse fréquence et de bruit intense.
• Imagerie Améliorée : Des améliorations significatives de la précision du modèle de vitesse en profondeur et de la qualité de l'imagerie structurelle (par exemple, pour les dômes de sel et les failles) par rapport aux méthodes conventionnelles.
• Large Applicabilité : Vérification réussie sur des modèles de référence (par exemple, Sigsbee2b) et des données de terrain de la mer de Chine méridionale et de la mer de Chine orientale, confirmant l'applicabilité pratique de ces méthodes pour l'exploration pétrolière et gazière en eaux profondes, la détection d'hydrates de gaz et l'évaluation des dangers du fond marin.

Signification
L'article affirme que les réalisations collectives du numéro spécial représentent un changement de paradigme dans l'exploration sismique marine, passant des méthodes traditionnelles basées sur la physique à un « mode dual piloté par les contraintes physiques et les données ». Ces avancées forment un système complet allant de l'innovation théorique à la vérification ingénieriale, fournissant un soutien technique solide pour les demandes stratégiques nationales, y compris l'exploration des ressources en eaux profondes, la détection des dangers du fond marin et la surveillance de la séquestration du carbone en haute mer. La revue conclut en soulignant la nécessité d'une intégration interdisciplinaire profonde (physique sismique, IA, statistiques) pour surmonter les goulots d'étranglement de l'industrie et prépare le terrain pour les recherches futures à l'ère de l'intelligence artificielle, tel que décrit dans le prochain numéro spécial du JMSE sur « L'Exploration Géophysique Marine à l'Ère de l'Intelligence Artificielle ».