🔢 mathematics

Full cross-correlation inversion for quantitative passive imaging with time-harmonic acoustic waves

Cet article présente un cadre numérique pour la reconstruction quantitative des propriétés du milieu acoustique par imagerie passive, où un schéma de minimisation itératif basé sur la valeur attendue des corrélations croisées de sources stochastiques est développé et validé par rapport à des mesures à source active en deux et trois dimensions.

Auteurs originaux : Jean Dutheil, Florian Faucher

Publié 2026-07-13

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jean Dutheil, Florian Faucher

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de deviner à quoi ressemble une pièce mystérieuse et embrumée, mais que vous n'avez pas le droit d'allumer les lumières ni de lancer une balle contre les murs pour entendre l'écho. À la place, vous devez écouter le bourdonnement aléatoire et chaotique de la pièce elle-même — le craquement des planches du sol, le vent sifflant à travers les fissures, le trafic lointain. C'est le monde de l'imagerie passive.

Pendant des décennies, des scientifiques ont tenté d'utiliser ces « bruits de fond » aléatoires pour cartographier l'intérieur de choses, comme la croûte terrestre ou même le Soleil. Une astuce populaire a consisté à prendre deux microphones, à enregistrer le bruit et à mélanger les signaux (un processus appelé corrélation croisée) pour voir si un motif clair émerge. Généralement, les gens ont supposé que si l'on attendait assez longtemps, ce bruit aléatoire se simplifierait par magie en un signal net et prévisible qui ressemble exactement à une onde envoyée depuis un point spécifique.

Mais voici le rebondissement : Cet article soutient que cette « simplification magique » est souvent un mensonge. Les auteurs, Jean Dutheil et Florian Faucher, affirment que dans de nombreuses situations réelles, cette simplification nette ne tient pas la route. Au lieu de prétendre que le bruit est simple, ils ont construit un modèle informatique super intelligent et complexe qui traite le bruit exactement tel qu'il est : une superposition désordonnée d'ondes provenant de sources aléatoires et non corrélées.

La grande idée : Écouter le chaos

L'équipe a développé une méthode appelée Inversion de Forme d'Onde par Corrélation Croisée Complète (FCCWI - Full Cross-Correlation Waveform Inversion). Voyez cela comme ceci :

L'ancienne méthode (Imagerie active) : Vous avez une lampe de poche (une source contrôlée). Vous éclairez un mur, et vous voyez l'ombre. Facile.
La nouvelle méthode (Imagerie passive) : Vous êtes dans le noir. Vous ne pouvez pas projeter de lumière. Vous n'avez que la pièce remplie de gens qui chuchotent de manière aléatoire.
L'innovation du papier : Au lieu de simplement écouter le temps qu'un chuchotement met pour voyager d'une personne à une autre (ce que la plupart des gens font), cette méthode écoute la forme entière de l'onde sonore qui résulte du mélange de tous les chuchotements.

Les auteurs ont découvert qu'en modélisant mathématiquement la valeur attendue (le motif moyen que l'on observerait si l'on répétait l'expérience un million de fois) de ces signaux mélangés, ils pouvaient reconstruire les propriétés physiques du milieu — plus précisément la vitesse d'onde et la densité — sans jamais avoir besoin d'une lampe de poche contrôlée.

La danse en « deux étapes »

Pour que cela fonctionne, les auteurs ont dû résoudre un problème mathématique complexe. Dans l'imagerie standard, il suffit de jouer un « film inversé » du son une seule fois pour comprendre ce qui s'est mal passé. Mais parce qu'ils traitent des corrélations de bruit aléatoires, ils ont dû jouer deux films inversés (appelés « états adjoints ») simultanément.

Imaginez que vous essayiez de démêler un nœud de écouteurs. Habituellement, vous tirez simplement sur une extrémité. Mais ici, le nœud est si complexe que vous devez tirer sur deux extrémités à la fois, selon une danse très spécifique, pour voir où se trouvent les emmêlements. Le papier prouve que cette danse en deux étapes est nécessaire pour obtenir la bonne réponse lorsque les sources du bruit sont aléatoires et non corrélées.

Ce que les simulations ont montré

L'équipe ne s'est pas contentée de parler ; elle a lancé de massives simulations informatiques pour tester la méthode. Voici ce qu'ils ont trouvé :

Cela fonctionne (en grande partie) : Dans un test 2D avec un carré simple et un disque cachés dans un bloc, leur méthode (FCCWI) a très bien réussi à trouver les formes, presque aussi bien que la méthode traditionnelle de la « lampe de poche » (FWI).
Le facteur « inconnu » : Le plus grand obstacle est qu'ils ne savent pas exactement d'où vient le bruit ni quelle est son intensité (la covariance de la source).
- Lorsqu'ils ont essayé de cartographier la vitesse d'onde (la vitesse à laquelle le son se déplace), la méthode a bien fonctionné, même s'ils ne connaissaient pas parfaitement la source du bruit.
- Cependant, lorsqu'ils ont tenté de cartographier la covariance de la source elle-même (la « carte de l'intensité » du bruit), les résultats étaient incertains. Les simulations ont montré que, bien qu'ils puissent deviner la forme générale, les chiffres exacts étaient erronés. Le papier suggère que la mathématique standard utilisée (une norme $l_2$ ) est excellente pour le timing (la phase) mais pas très bonne pour mesurer l'intensité (l'amplitude).
Le défi de la 3D : Ils ont poussé la méthode dans un monde en 3D avec des objets à haut contraste (comme un rocher ayant une vitesse très différente à l'intérieur). La méthode a réussi à trouver les rochers cachés, même en partant d'une supposition unidimensionnelle vide.
- Le bémol : C'était coûteux. Dans leur simulation, la nouvelle méthode a pris environ 4 minutes par itération, tandis que la méthode traditionnelle n'en prenait que 1 minute. C'est une augmentation de quatre fois du temps de calcul car les mathématiques sont beaucoup plus lourdes.

Ce qu'ils rejettent explicitement

Le papier est très clair sur ce qu'il ne faut pas faire. Ils rejettent explicitement l'idée que l'on puisse toujours simplifier la corrélation croisée pour qu'elle ne soit que la « partie imaginaire de la fonction de Green » (une façon sophistiquée de dire « le signal net et simple »). Ils soutiennent que cette hypothèse de la « source pratique » est souvent erronée dans les applications réelles et conduit à de mauvais résultats. Ils rejettent également l'idée de se contenter d'utiliser les temps de trajet ; ils insistent sur l'utilisation du champ d'onde complet.

À quel point sont-ils sûrs ?

Les auteurs sont confiants dans leurs mathématiques et leurs simulations, mais ils prennent soin de ne pas prétendre avoir « résolu » le problème pour le monde réel.

Prouvé : La dérivation mathématique de la méthode des deux états adjoints est solide.
Simulé : Tous les résultats (les images 2D et 3D) sont basés sur des données synthétiques (bruit généré par ordinateur), et non sur des enregistrements réels de la Terre ou du Soleil.
Suggéré : Ils suggèrent qu'un processus en deux étapes pourrait être préférable : d'abord déterminer la vitesse d'onde (ce qui est plus facile), puis essayer de déterminer le bruit de la source. Ils admettent que la reconstruction du bruit de la source elle-même est encore « plus difficile » et nécessite de nouvelles stratégies.

L'essentiel

Ce papier est un plan directeur pour une nouvelle façon de « voir » dans le noir. Il montre qu'en embrassant toute la complexité du bruit aléatoire plutôt qu'en essayant de le simplifier, nous pouvons construire des cartes précises de l'intérieur d'objets. Ce n'est pas une baguette magique qui rend le processus instantané ou facile (c'est en fait quatre fois plus lent sur un ordinateur), mais cela prouve que nous pouvons obtenir des images quantitatives et détaillées du monde en utilisant uniquement le bourdonnement de fond, à condition d'être prêts à fournir l'effort mathématique intense.

Les auteurs ont maintenant hâte de tester cela sur des données réelles, comme les vibrations du Soleil ou de la Terre, pour voir si la magie de la simulation tient bon dans le monde réel, complexe et désordonné.

Résumé technique : Inversion de corrélation croisée complète pour l'imagerie passive quantitative

Énoncé du problème
Ce travail traite du problème inverse quantitatif consistant à reconstruire les propriétés physiques d'un milieu à partir de données d'imagerie passive. Contrairement à l'imagerie à source active, qui repose sur une excitation contrôlée, l'imagerie passive utilise des champs d'ondes ambiants générés par des sources stochastiques (par exemple, l'activité microsismique ou la convection turbulente). Le défi central consiste à relier ces observations stochastiques aux propriétés déterministes du milieu. Alors que les approches traditionnelles reposent souvent sur l'extraction de temps de trajet à partir de corrélations croisées ou sur l'hypothèse de distributions de sources « commodes » (où la corrélation croisée est proportionnelle à la partie imaginaire de la fonction de Green), cet article se concentre sur une approche par forme d'onde complète. L'objectif est de reconstruire la vitesse d'onde ( $c$ ) et la densité ( $\rho$ ) du milieu, ainsi que la covariance spatiale des sources ( $S$ ), sans réduire les données aux temps de trajet ou supposer une distribution de sources uniforme.

Méthodologie
Les auteurs formulent le problème en utilisant la propagation d'ondes acoustiques en régime harmonique temporel. Les signaux ambiants sont modélisés comme une superposition d'ondes provenant de sources stochastiques spatialement non corrélées et de moyenne nulle. Sous ces hypothèses, la valeur attendue de la corrélation croisée entre les signaux en deux points est dérivée comme une quantité déterministe liée à la fonction de Green et à la covariance de la source.

Modélisation directe : L'équation d'onde est traitée comme un système du premier ordre impliquant la pression et la vitesse particulaire. La corrélation croisée attendue est calculée en résolvant deux problèmes d'ondes consécutifs : d'abord, un problème de fonction de Green avec une source de Dirac pour obtenir la réponse impulsionnelle ; ensuite, un problème dont le second membre est construit à partir du produit de la covariance de la source et de la fonction de Green. Cette formulation permet de calculer les corrélations croisées entre différentes composantes du champ (par exemple, pression et vitesse).
Discrétisation : Le cadre numérique emploie la méthode de Galerkin discontinue hybride (HDG). Cette approche est choisie pour sa capacité à traiter efficacement les systèmes du premier ordre, offrant un accès direct aux champs scalaires et vectoriels sans agrandir le système linéaire global. Elle supporte l'adaptativité $hp$ et la parallélisation. La formulation HDG conduit à un système linéaire global impliquant uniquement les degrés de liberté sur les faces du maillage, les solutions de volume locales étant récupérées via la condensation statique.
Formulation du problème inverse : La reconstruction est posée comme un problème de minimisation non linéaire, analogue à l'inversion de forme d'onde complète (FWI), mais utilisant la corrélation croisée attendue comme donnée de désaccord (misfit). La fonction objectif mesure la distance $L^2$ entre les corrélations croisées observées et simulées.
Calcul du gradient : Pour résoudre le problème inverse de manière itérative, le gradient de la fonction de coût est calculé à l'aide de la méthode de l'état adjoint. Une contribution théorique clé est la dérivation de la formulation de l'état adjoint pour les données de corrélation croisée. Contrairement à la FWI standard, qui nécessite un seul état adjoint, cette approche nécessite deux états adjoints : l'un associé au résidu de la corrélation croisée, et un second piloté par le premier état adjoint et la covariance de la source. Cela rend compte de la dépendance de la corrélation croisée vis-à-vis à la fois des paramètres du milieu et de la distribution des sources.
Optimisation : La minimisation est effectuée à l'aide d'un algorithme quasi-Newton L-BFGS avec une recherche linéaire, évitant la formation explicite de la matrice Hessienne.

Contributions clés

Inversion de forme d'onde de corrélation croisée complète (FCCWI) : L'article propose un cadre d'inversion quantitative qui utilise le champ d'onde complet de la corrélation croisée attendue plutôt que de simples temps de trajet ou de premières arrivées.
Reconstruction conjointe : La méthode reconstruit simultanément les paramètres du milieu ( $c, \rho$ ) et la covariance de la source ( $S$ ), en traitant cette dernière comme une inconnue plutôt que comme une hypothèse fixe ou simplifiée.
Dérivation de l'état adjoint pour l'imagerie passive : Les auteurs dérivent une formulation spécifique de l'état adjoint pour les données de corrélation croisée, démontrant que deux états adjoints sont nécessaires pour calculer le gradient avec précision.
Implémentation HDG : Le travail détaille l'implémentation de ce problème inverse en utilisant la méthode HDG, incluant la gestion spécifique du solveur direct en deux étapes et du solveur adjoint en deux étapes au sein du cadre de condensation statique HDG.

Résultats numériques
La méthodologie est validée par des expériences synthétiques en 2D et 3D :

Expérience 1 (2D, données complètes) : Dans un carré unité avec des inclusions contrastées, l'approche FCCWI réussit à récupérer la vitesse d'onde, produisant des résultats comparables à la FWI standard, bien qu'avec des oscillations de fond légèrement plus marquées. La reconstruction de la covariance de la source s'avère moins précise que celle de la vitesse d'onde, suggérant qu'une stratégie d'inversion en deux étapes (vitesse d'onde d'abord, puis covariance de la source) est bénéfique.
Expérience 2 (2D, configuration sismique) : En utilisant le modèle Overthrust avec des données de surface uniquement, la FCCWI récupère raisonnablement la structure stratifiée de la vitesse d'onde, bien qu'avec une résolution inférieure à la FWI. La reconstruction de la covariance de la source reste difficile, la fonction de désaccord $L^2$ s'avérant plus sensible à la phase (vitesse d'onde) qu'à l'amplitude (covariance de la source).
Expérience 3 (3D, haut contraste) : Dans un domaine 3D avec des inclusions à haut contraste, la FWI et la FCCWI récupèrent toutes deux avec succès la géométrie des inclusions. La FCCWI présente une résolution améliorée pour les inclusions proches des limites par rapport aux données de champ d'onde direct, bien qu'elle sous-estime légèrement l'amplitude à l'intérieur des inclusions.
Coût computationnel : L'expérience 3D souligne que la FCCWI est plus coûteuse en termes de calcul que la FWI (environ 4 fois plus lente par itération dans la configuration testée) en raison de la nécessité de résoudre des systèmes linéaires supplémentaires et d'assembler plusieurs seconds membres.

Signification et affirmations
L'article affirme que le cadre proposé permet la reconstruction quantitative des propriétés du milieu à partir du bruit ambiant passif sans reposer sur des hypothèses simplificatrices concernant la distribution des sources (telles que l'uniformité ou l'hypothèse de la « source commode »). Bien que les auteurs reconnaissent que l'imagerie à source contrôlée (FWI) fournit généralement une précision plus élevée lorsqu'elle est disponible, ils démontrent que l'imagerie passive utilisant les formes d'onde de corrélation croisée complète peut récupérer des informations quantitatives significatives sur le milieu.

Les auteurs notent avec modestie que la reconstruction de la covariance de la source est plus difficile que celle de la vitesse d'onde, particulièrement lors de l'utilisation d'une fonctionnelle de désaccord $L^2$ , et suggèrent que des stratégies d'inversion linéaire dédiées ou des fonctionnelles de désaccord alternatives sont nécessaires pour de futures améliorations. Ce travail établit un fondement théorique et numérique pour l'application des principes d'inversion de forme d'onde complète à l'imagerie passive, ouvrant la voie à des applications dans des domaines tels que l'héliosismologie et la surveillance sismique où les sources actives ne sont pas réalisables.