Adaptive constrained first-arrival tomography driven by uphole velocity priors for complex near-surface imaging

Pour voir ce qui se cache sous le sol, les géophysiciens écoutent souvent la propre voix de la Terre. Ils envoient des ondes sonores dans le sol et la roche, enregistrant le temps qu'il faut aux échos pour revenir. En mesurant ces temps de trajet, ils peuvent construire une carte des couches souterraines, révélant où le pétrole ou le gaz pourraient être piégés. Cependant, ce processus repose sur une hypothèse cruciale : que les ondes sonores voyagent à travers le sol de manière prévisible. Lorsque la surface elle-même est chaotique, cette hypothèse s'effondre. Dans des régions comme le plateau de Loess en Chine, le sol est un paysage accidenté et irrégulier, composé de ravins profonds et d'un sol meuble et instable. Cette couche de surface complexe agit comme une lentille déformante, courbant et éparpillant les ondes sonores avant même qu'elles n'atteignent les cibles plus profondes. Si la carte de cette couche peu profonde est erronée, l'image entière du réservoir plus profond devient un flou, rendant presque impossible la découverte des ressources cachées en dessous.

Pendant des décennies, les scientifiques ont tenté de corriger ces distorsions à l'aide d'une technique appelée tomographie, qui consiste essentiellement à reconstruire une image à partir de nombreux angles différents. Mais sur le plateau de Loess, les conditions sont si difficiles que les outils standards échouent. Le terrain est si accidenté et l'accès à la terre si restreint par les réserves naturelles et les vieilles mines que les ondes sonores ne peuvent pas voyager à travers le sol depuis suffisamment de directions différentes. Les données deviennent trop éparses, laissant de vastes lacunes dans l'information. Lorsque les chercheurs tentent de combler ces lacunes avec les mathématiques traditionnelles, le résultat est souvent une image floue et étirée où les limites entre les couches rocheuses disparaissent. C'est comme essayer de résoudre un puzzle auquel il manque la moitié des pièces ; l'image qui en résulte est déformée, et les erreurs peuvent être massives, atteignant parfois des centaines de mètres d'écart.

Une équipe de chercheurs, dirigée par Huo Yuanyuan et Yang Rui, a développé une nouvelle approche pour résoudre ce problème en intégrant une information auparavant sous-utilisée : les mesures directes prises à partir de petits trous forés dans le sol. Ces relevés « uphole » (en trou de forage) fournissent une vitesse de propagation du son précise et absolue en des points spécifiques, agissant comme des ancres fixes dans les données chaotiques. Les chercheurs ont réalisé que, bien que les ondes sonores voyageant à travers la surface soient trop éparses pour construire une carte complète par elles-mêmes, ces mesures directes pouvaient guider le processus. Ils ont créé une nouvelle méthode mathématique qui fusionne les données de surface éparses avec ces vérités de terrain solides. Au lieu de forcer l'ensemble du modèle souterrain à être lisse et uniforme, ce qui cache souvent les véritables caractéristiques géologiques, leur méthode permet au modèle de rester net et détaillé juste à côté des points de mesure, tout en lissant doucement les zones situées entre eux où les données font défaut.

La clé de leur succès a été de concevoir un système qui traite le sol différemment selon les directions. Sur le plateau de Loess, la vitesse du son change très rapidement à mesure que l'on descend en profondeur, mais change beaucoup plus lentement lors des déplacements latéraux. Les méthodes traditionnelles traitaient ces deux directions de la même manière, ce qui donnait à la carte l'aspect d'une série de cercles concentriques autour des points de mesure, une erreur visuelle connue sous le nom d'artefact de « cible ». La nouvelle méthode utilise un système de pondération flexible qui respecte la forme naturelle des couches rocheuses. Elle permet à l'information précise provenant des forages d'influencer fortement la zone environnante dans la direction verticale, préservant ainsi les limites nettes entre les couches, tout en laissant l'influence s'estomper plus graduellement latéralement. Cela empêche la carte de devenir artificiellement lisse ou déformée, garantissant que les couches rocheuses minces et critiques ne soient pas floutées.

Pour tester l'efficacité de cette idée, l'équipe a d'abord construit un modèle informatique qui imitait parfaitement les conditions difficiles du plateau de Loess, avec ses vallées profondes et ses couches de sol changeant rapidement. Ils ont simulé les conditions de données éparses rencontrées dans les levés réels, où le nombre de trajectoires d'ondes sonores est extrêmement faible. Lors de ces tests, la méthode traditionnelle a produit une carte de vitesse présentant une erreur significative, manquant la véritable vitesse de la roche de 15,4 mètres par seconde en moyenne. La nouvelle méthode, cependant, a réduit cette erreur à seulement 5,3 mètres par seconde, une amélioration massive qui rapproche considérablement le modèle de la réalité. De plus, elle a réussi à préserver les bords nets des couches rocheuses que l'ancienne méthode avait lissés, prouvant qu'elle pouvait voir les détails auparavant invisibles.

Les chercheurs ont ensuite appliqué leur méthode au monde réel, en l'appliquant à une levée sismique 3D dans le champ pétrolier de Weibei. Cette zone est un exemple parfait des défis qu'ils visaient à résoudre, avec une surface accidentée et un réservoir de pétrole peu profond et mince, de seulement quelques mètres d'épaisseur. L'étude avait été sévèrement limitée par des restrictions environnementales, laissant les données extrêmement éparses. Lorsqu'ils ont appliqué leur nouvelle technique, les résultats ont été frappants. La carte corrigée de la couche de surface montrait une image claire et précise des couches de sol à faible vitesse, alors que l'ancienne méthode avait surestimé la vitesse du sol par une marge considérable. Cette précision s'est directement traduite par de meilleures images du réservoir de pétrole plus profond. Les réflexions sismiques, qui étaient auparavant confuses et difficiles à lire, sont devenues claires et continues, révélant la véritable forme des structures souterraines.

Pour s'assurer que leur méthode n'était pas simplement le fruit de la chance, l'équipe l'a testée contre un puits « aveugle » — un véritable trou foré dans le sol qui n'avait pas été utilisé pour créer la carte. Ils ont comparé la vitesse du son prédite par leur modèle à la vitesse réelle mesurée dans ce puits. La différence n'était que de 12 mètres par seconde, une erreur remarquablement faible pour un environnement aussi complexe. Cela a confirmé que la méthode ne se contentait pas d'ajuster les données pour qu'elles paraissent correctes, mais qu'elle découvrait réellement les propriétés physiques du sol. De plus, ils ont développé un moyen d'ajuster automatiquement les paramètres de leur méthode sans avoir besoin de connaître la réponse à l'avance. En observant la manière dont les ondes sismiques s'alignaient après correction, ils pouvaient trouver l'équilibre parfait pour leur modèle, rendant le processus fiable et reproductible pour de futurs levés.

Les implications de ce travail s'étendent au-delà de ce seul champ pétrolier. La méthode offre une solution robuste pour toute zone où le sol est difficile et les données rares. Qu'il s'agisse des sables mouvants d'un désert ou des débris rocheux au pied d'une montagne, la capacité d'ancrer un modèle avec quelques mesures directes et de laisser les mathématiques combler les lacunes intelligemment change ce qui est possible. Cela transforme une situation autrefois considérée comme trop dégradée pour être réparée en une situation pouvant être cartographiée avec une haute précision. En respectant l'anisotropie naturelle de la terre — sa tendance à se comporter différemment selon les directions — et en utilisant les quelques points de données fiables comme guides puissants, les chercheurs ont ouvert une nouvelle voie pour voir clairement à travers le bruit. Cette approche ne nécessite pas d'équipement coûteux ni de quantités infinies de données ; elle utilise simplement les informations déjà disponibles de manière plus intelligente et plus adaptative, ouvrant la porte à la découverte de ressources dans les paysages les plus difficiles de la Terre.