⚡ electrical engineering

Physics-guided Fully Convolutional Network using attenuation information for viscoacoustic velocity model prediction

Cette étude propose un réseau entièrement convolutif guidé par la physique qui incorpore l'information d'atténuation en tant qu'entrée auxiliaire afin d'améliorer significativement la précision et la robustesse de la reconstruction du modèle de vitesse viscoacoustique par rapport aux approches conventionnelles fondées sur les données, tout en démontrant également la sensibilité de la méthode à la précision des données d'atténuation.

Auteurs originaux : Nelson Ricardo Coelho Flores Zuniga, Viatcheslav Ivanovich Priimenko

Publié 2026-09-15

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Nelson Ricardo Coelho Flores Zuniga, Viatcheslav Ivanovich Priimenko

Article original sous licence CC BY 4.0 (https://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

Profondément sous la surface de la Terre, cachées de toute vue directe, se trouvent les structures complexes qui contiennent le pétrole, le gaz et l'eau. Pour trouver ces ressources, les géoscientifiques envoient des ondes sonores dans le sol et écoutent les échos qui en rebondissent. Ces échos transportent une carte du monde souterrain, mais lire cette carte est notoirement difficile. Les roches et les fluides qu'ils traversent font plus que simplement réfléchir le son ; ils absorbent également l'énergie, provoquant un affaiblissement et un changement de forme des ondes au cours de leur trajet. Cet affaiblissement, connu sous le nom d'atténuation, est un indice physique sur le matériau traversé par l'onde, un peu comme la voix change lorsqu'elle est prononcée à travers un rideau épais plutôt qu'à travers une fine feuille de verre. Pendant des décennies, les scientifiques ont tenté d'utiliser ces échos pour construire des images précises de la vitesse souterraine, ce qui est essentiel pour localiser les réservoirs, mais le processus est souvent entravé par la complexité même des roches.

Une équipe de chercheurs a développé une nouvelle façon d'aider les ordinateurs à résoudre ce casse-tête. Ils ont créé un système d'intelligence artificielle spécialisé, conçu pour analyser les données sismiques et prédire la vitesse du son sous terre avec une plus grande précision. L'innovation clé de leur travail est d'avoir appris à l'ordinateur à prêter attention non seulement à la forme des ondes sonores, mais aussi à l'information concernant la perte d'énergie de ces ondes en cours de route. En fournissant au système cette couche supplémentaire de détails physiques, ils ont constaté qu'il pouvait reconstruire la carte souterraine plus fidèlement que les systèmes qui ne regardaient que les formes d'ondes. Cette approche offre une voie prometteuse vers des images plus claires de l'intérieur de la Terre, rendant potentiellement la recherche de ressources énergétiques plus efficace et plus fiable.

Les chercheurs se sont concentrés sur un type spécifique de réseau informatique appelé Réseau Entièrement Convolutif (Fully Convolutional Network), qui est excellent pour reconnaître des motifs dans les images et les données. Dans leur étude, ils ont entraîné ce réseau en utilisant une vaste bibliothèque de dix mille modèles souterrains synthétiques. Ces modèles sont des versions générées par ordinateur d'un célèbre site de test géologique connu sous le nom de Marmousi II, qui contient des couches complexes de roche, des failles et des poches remplies de fluides. Pour chaque modèle, l'équipe a simulé ce à quoi ressembleraient les données sismiques si de véritables instruments enregistraient à la surface. Ils ont ensuite divisé la tâche en deux groupes. Le premier groupe a entraîné un réseau standard en utilisant uniquement les formes d'ondes sismiques. Le second groupe, le groupe expérimental, a reçu les mêmes formes d'ondes mais avec un ingrédient ajouté : une carte de la perte d'énergie, ou atténuation, associée à chaque onde. Cette carte supplémentaire a été dérivée de la physique de la propagation du son à travers les roches spécifiques de la simulation.

Les résultats ont montré que donner à l'ordinateur cette information physique supplémentaire faisait une différence mesurable. Lorsque les chercheurs ont testé les réseaux sur de nouveaux modèles inédits, la version utilisant les données d'atténuation a produit une image plus précise de la vitesse souterraine. L'erreur de sa prédiction a chuté de près de quatorze pour cent par rapport à la version standard. Cette amélioration n'était pas uniforme sur l'ensemble de la carte ; elle était plus spectaculaire dans des zones spécifiques, telles que les poches de sable remplies de gaz et les canaux d'eau, où la réduction de l'erreur atteignait près de cinquante pour cent dans certains points. Les chercheurs ont également comparé leur meilleur réseau contre une méthode traditionnelle basée sur la physique appelée Inversion de la Forme d'Onde Complète (Full-Waveform Inversion), qui est une technique standard mais très gourmande en ressources de calcul. Dans ces simulations spécifiques, le nouveau réseau a produit un résultat plus clair que la méthode traditionnelle, bien que les auteurs précisent que cette comparaison dépend fortement de la manière dont la méthode traditionnelle a été configurée et ne signifie pas que la nouvelle approche est universellement supérieure dans tous les scénarios réels.

Cependant, l'étude a également révélé que cet avantage est assorti d'une condition. L'information supplémentaire n'est utile que si elle est exacte. Lorsque les chercheurs ont délibérément introduit des erreurs dans les données d'atténuation — simulant une situation où la perte d'énergie était estimée incorrectement — la performance du réseau amélioré a commencé à se dégrader. Avec une erreur de dix pour cent dans les données supplémentaires, le bénéfice s'est réduit, et avec une erreur de vingt pour cent, le réseau a en réalité moins bien performé que la version standard qui ignorait totalement l'information supplémentaire. Cette découverte souligne une réalité critique : la nouvelle méthode dépend de la qualité des indices physiques qui lui sont fournis. Ce n'est pas une solution miracle qui fonctionne quel que soit la qualité de l'entrée, mais plutôt un outil qui amplifie la précision lorsque les données physiques sous-jacentes sont fiables.

Les chercheurs ont également testé la capacité du système à résister lorsque les données sismiques elles-mêmes étaient bruitées, simulant les conditions désordonnées souvent rencontrées dans les enregistrements de terrain réels. Même lorsque les données étaient contaminées par du bruit, le réseau utilisant l'information d'atténuation surpassait toujours le réseau standard, bien que la marge d'amélioration se soit rétrécie à mesure que le bruit augmentait. De plus, ils ont lancé le processus d'entraînement plusieurs fois avec différents points de départ aléatoires pour s'assurer que les résultats étaient cohérents et n'étaient pas simplement le fruit d'un coup de chance. L'amélioration des performances est restée stable à travers tous ces essais, confirmant que le bénéfice de l'information physique supplémentaire était réel et reproductible. Le coût de cette amélioration était modeste, n'ajoutant qu'environ sept pour cent au temps requis pour entraîner l'ordinateur, tandis que le processus de prédiction proprement dit restait rapide, ne prenant que quelques secondes par modèle.

En fin de compte, ce travail démontre que la combinaison de l'apprentissage fondé sur les données et de connaissances physiques spécifiques peut mener à de meilleurs résultats en imagerie géophysique. L'étude ne prétend pas avoir résolu le problème de l'imagerie souterraine pour chaque configuration géologique possible, car les tests ont été effectués sur des modèles générés par ordinateur basés sur une seule famille géologique. Les auteurs notent que les travaux futurs devront tester cette approche sur différents types de formations rocheuses et sur des données de terrain réelles pour voir si les bénéfices se traduisent au-delà de l'environnement contrôlé de la simulation. Néanmoins, les conclusions offrent une preuve de concept claire : en guidant l'intelligence artificielle par les lois de la physique — spécifiquement la façon dont l'énergie se dissipe à travers la Terre — les scientifiques peuvent construire des cartes plus précises du monde caché sous nos pieds.

Résumé technique : Réseau entièrement convolutif guidé par la physique utilisant l'information d'atténuation pour la prédiction de modèles de vitesse viscoacoustique

Énoncé du problème
La reconstruction précise des modèles de vitesse sismique dans les milieux atténuants demeure un défi important. Les approches conventionnelles basées sur les données infèrent généralement les propriétés du sous-sol à partir des formes d'onde sismiques sans exploiter explicitement les informations liées à la dissipation de l'énergie sismique. Dans les contextes géologiques complexes, cette omission limite la capacité des réseaux de neurones à résoudre les structures là où l'atténuation fournit une information physique complémentaire cruciale. Bien que des études récentes sur l'apprentissage profond se soient concentrées sur l'estimation du facteur de qualité ( $Q$ ) lui-même, il existe une lacune dans l'utilisation de l'information liée à l'atténuation comme entrée auxiliaire pour améliorer la tâche primaire de prédiction du modèle de vitesse.

Méthodologie
Les auteurs proposent un réseau entièrement convolutif (FCN) guidé par la physique qui incorpore l'information d'atténuation sismique en tant que caractéristique d'entrée auxiliaire pour assister la reconstruction du modèle de vitesse viscoacoustique.

Architecture : L'étude utilise une architecture d'encodeur-décodeur de type U-Net basée sur un FCN. Le réseau utilise des noyaux de convolution de 3×3, une expansion progressive des canaux de caractéristiques (de 64 à 1024), du max-pooling et des convolutions transposées pour le suréchantillonnage. Les connexions de saut (skip connections) préservent l'information spatiale à haute résolution.
Formulation de l'entrée : Deux configurations sont comparées dans une expérience d'ablation contrôlée :
1. FCN de base (Baseline) : Prend uniquement les données sismiques ( $D_n$ ) en entrée.
2. FCN informé par l'atténuation : Prend les données sismiques ( $D_n$ ) concaténées avec une matrice liée à l'atténuation ( $A_n$ ) dérivée de la formulation viscoacoustique à $Q$ constant (Kjartansson, 1979).
  Crucialement, la sortie du réseau dans les deux cas est le modèle de vitesse du sous-sol ; $Q$ n'est pas une cible de prédiction mais une caractéristique physique auxiliaire.
Jeu de données : Le jeu de données d'entraînement consiste en 10 000 modèles de vitesse dérivés du modèle Marmousi II, augmentés par des retournements horizontaux et des structures de type failles. Chaque modèle est associé à cinq enregistrements de tir (shot gathers) générés par différence finie (100 récepteurs, 5 sources) et aux matrices de paramètres d'atténuation correspondantes.
Entraînement et optimisation : Le réseau est entraîné à l'aide de l'optimiseur Adam avec un taux d'apprentissage de $1,0 \times 10^{-3}$ , une régularisation L2 et un arrêt précoce basé sur la perte de validation. La fonction de perte est l'erreur quadratique moyenne (MSE) entre les modèles de vitesse prédits et de référence.
Évaluation : La performance est mesurée par l'erreur quadratique moyenne (RMSE) sur un ensemble de test indépendant de 250 modèles. L'étude inclut un résultat d'inversion de la forme d'onde complète (FWI) en tant que référence basée sur la physique (et non comme un concurrent direct). La robustesse est testée via le bruit sismique (SNR de 20 dB et 10 dB), la sensibilité est testée via des perturbations dans l'entrée d'atténuation (10 % et 20 %), et la répétabilité est évaluée à travers cinq exécutions d'entraînement indépendantes avec validation statistique (test de Wilcoxon signed-rank).

Contributions clés

Intégration de caractéristiques physiques auxiliaires : L'étude introduit l'information liée à l'atténuation non pas comme une cible de prédiction, mais comme une caractéristique physique complémentaire pour améliorer la reconstruction de la vitesse par FCN.
Ablation contrôlée : En maintenant l'architecture, le jeu de données et la stratégie d'optimisation identiques entre la configuration de base et la configuration proposée, l'étude isole la contribution spécifique de l'information d'atténuation à la prédiction de la vitesse.
Analyse de robustesse complète : Le travail évalue la sensibilité de la méthode au bruit sismique, l'incertitude de l'entrée d'atténuation auxiliaire et la variabilité de l'initialisation du réseau, fournissant une vue nuancée de la fiabilité de la méthode.
Caractérisation de la performance régionale : L'analyse va au-delà des métriques globales pour évaluer la précision de la reconstruction dans des régions géologiques spécifiques (ex: sables gazeux, chenaux de sable humides).

Résultats

Précision globale : L'incorporation de l'information d'atténuation a réduit la RMSE globale de 0,0237 (Base) à 0,0204 (Proposé), soit une réduction de 13,9 %. Le FCN informé par l'atténuation a également surpassé la référence FWI (RMSE 0,0249) sous ces conditions synthétiques spécifiques.
Variabilité régionale : L'amélioration n'était pas uniforme. Les plus grandes réductions de RMSE se sont produites dans le Sable Gazeux 1 (GS1, ~48,8 % de réduction) et les Chenaux de Sable Humides (WWSC, ~34,9 % de réduction). Des améliorations plus faibles mais constantes ont été observées dans d'autres régions (ex: ~8,5 % dans le Sable Pétrolier 2).
Robustesse au bruit : La méthode proposée a maintenu des erreurs plus faibles que la base dans des conditions bruitées, bien que le bénéfice relatif ait diminué à mesure que le bruit augmentait (réduction de 10,9 % à 20 dB SNR ; 6,8 % à 10 dB SNR).
Sensibilité à l'incertitude de l'entrée : La méthode est sensible à la précision de l'entrée auxiliaire. Une perturbation de 10 % de la matrice d'atténuation a augmenté la RMSE à 0,0226, et une perturbation de 20 % l'a augmentée à 0,0259 (dépassant l'erreur de base). Cela indique qu'une estimation inexacte de l'atténuation peut annuler les bénéfices de l'approche.
Répétabilité et convergence : Cinq exécutions d'entraînement indépendantes ont confirmé la signification statistique de l'amélioration ( $p < 0,05$ ). Le FCN informé par l'atténuation a convergé de manière stable, atteignant une perte de validation minimale plus faible avec seulement une augmentation marginale des époques d'entraînement par rapport à la base.
Coût computationnel : Le temps d'entraînement a augmenté d'environ 6,94 % (environ 1,87 heure supplémentaire) en raison des canaux d'entrée supplémentaires. Le temps d'inférence est resté efficace à environ 11 secondes par cas.

Signification et affirmations
L'article affirme que l'information liée à l'atténuation sert de contrainte physique complémentaire précieuse pour la reconstruction de la vitesse par FCN dans les milieux viscoacoustiques. L'étude démontre qu'en fournissant explicitement l'information sur la dissipation d'énergie, le réseau peut mieux mapper les champs d'ondes sismiques vers les structures de vitesse, particulièrement dans des contextes de réservoirs complexes comme les sables gazeux et les chenaux d'eau.

Cependant, les auteurs maintiennent une portée modeste concernant leurs affirmations :

Les résultats sont restreints au modèle dérivé de Marmousi II et ne revendiquent pas de généralisation universelle à tous les contextes géologiques sans validation supplémentaire.
La méthode n'est pas présentée comme une stratégie d'inversion universellement robuste ; son efficacité est dépendante de la précision de l'entrée d'atténuation auxiliaire. Si l'information d'atténuation est significativement inexacte, la performance se dégrade.
La comparaison avec la FWI est destinée à servir de référence physique pour l'ordre de grandeur de l'erreur plutôt qu'à une preuve définitive de supériorité, étant donné les stratégies d'inversion fondamentalement différentes (cartographie apprise vs itérative).

En conclusion, le cadre proposé offre une base pour de futures investigations utilisant des modèles géologiques indépendants et des données de terrain, soulignant que si l'information d'atténuation améliore la reconstruction, son utilité est limitée par la qualité des observations sismiques et la fiabilité des estimations d'atténuation.

Articles similaires