⚡ génie électrique

Efficient uncertainty quantification in FDEM inversion using an adjusted Bayesian information criterion

Cette étude introduit un cadre de calcul efficace pour l'inversion électromagnétique dans le domaine fréquentiel (FDEM) qui utilise un critère d'information bayésien ajusté par les degrés de liberté effectifs (EDF-BIC) afin d'effectuer une moyenne de modèles par nombre de couches, fournissant ainsi une quantification robuste de l'incertitude des structures de résistivité sans le coût computationnel prohibitif des méthodes bayésiennes traditionnelles.

Auteurs originaux : Zekai Deng, Hai Li, Ziteng Li

Publié 2026-11-04

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Zekai Deng, Hai Li, Ziteng Li

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

Sous la surface de la Terre, le sol est rarement uniforme. Il s'agit d'un empilement complexe de couches, certaines composées de roche solide, d'autres de sol saturé d'eau ou de veines riches en minéraux. Pour comprendre ce qui se trouve en dessous, les géophysiciens utilisent une technique appelée induction électromagnétique dans le domaine des fréquences. Ils envoient des signaux électromagnétiques dans le sol et mesurent la façon dont la Terre y répond à différentes fréquences. Ces signaux voyagent différemment selon la résistance électrique des matériaux qu'ils traversent, ce qui permet aux scientifiques de construire une image du sous-sol. Cependant, ce processus ne ressemble pas à la prise d'une photographie où l'image est nette et unique. C'est plutôt comme essayer de deviner la forme d'un objet caché en écoutant l'écho d'un son ricochant sur celui-ci. De nombreuses dispositions de couches rocheuses pourraient produire exactement le même écho. Cette ambiguïté est connue sous le nom de non-unicité. Lorsque les scientifiques utilisent un modèle informatique pour interpréter ces signaux, ils doivent faire des choix sur le nombre de couches à inclure dans leur hypothèse. S'ils en choisissent trop peu, ils manquent des détails importants ; s'ils en choisissent trop, ils risquent d'inventer des caractéristiques qui n'existent pas réellement. Le défi est de trouver le bon équilibre et de comprendre quel degré de confiance nous pouvons accorder à l'image finale.

Une équipe de chercheurs de l'Institut de Géologie et de Géophysique de Pékin a développé une nouvelle façon de gérer cette incertitude. Ils ont créé un cadre qui ne se contente pas de choisir un seul modèle « optimal » des couches souterraines, mais qui combine plutôt de nombreuses possibilités différentes pour créer une image plus honnête et complète. Leur approche se concentre sur un problème spécifique : comment compter la complexité d'un modèle lorsque les données ont été lissées par des règles mathématiques. Dans les méthodes standards, la complexité d'un modèle est souvent comptée en additionnant simplement le nombre de variables, telles que le nombre de couches et leurs épaisseurs. Mais lorsque les données sont lissées pour éliminer le bruit, ces variables ne sont plus totalement indépendantes. Les chercheurs ont réalisé que compter le nombre brut de variables pénalise excessivement les modèles complexes, poussant les scientifiques à préférer des modèles plus simples et plus plats qui pourraient manquer de réelles caractéristiques géologiques. Pour corriger cela, ils ont introduit une méthode qui mesure le nombre « effectif » de variables réellement utilisées pour ajuster les données, plutôt que le nombre total de variables disponibles.

Les chercheurs ont testé cette nouvelle méthode, qu'ils appellent un critère d'information ajusté, en utilisant des modèles informatisés du sous-sol terrestre. Dans un test, ils ont simulé une structure souterraine à cinq couches. Lorsqu'ils ont utilisé la méthode de comptage traditionnelle, l'ordinateur avait tendance à favoriser un modèle de seulement quatre couches, manquant ainsi la complexité réelle. Lorsqu'ils ont appliqué leur nouvelle méthode ajustée, le résultat a basculé en faveur d'un modèle à cinq couches, identifiant correctement la structure réelle. Cet ajustement a permis au système de reconnaître que la couche supplémentaire était soutenue par les données, même après l'application des règles de lissage. L'équipe est ensuite passée à des simulations plus complexes où les couches s'amincissent et disparaissent, imitant les biseaux géologiques réels. Dans ces scénarios, la nouvelle méthode a montré que le « meilleur » nombre de couches change d'un endroit à l'autre le long d'une ligne de levé. Dans certains endroits, les données soutenaient un modèle simple à deux couches, tandis qu'à peine quelques mètres plus loin, un modèle à trois couches était préférable.

Au lieu de forcer un choix unique, les chercheurs ont combiné les résultats de tous les modèles soutenus. Ils ont attribué un poids à chaque modèle en fonction de la qualité de son ajustement aux données, créant une moyenne pondérée qui mélangeait les différentes possibilités. Ce processus, appelé moyennage de modèles par nombre de couches, a produit une image finale plus lisse et plus continue que le choix d'un seul modèle. Cela leur a également permis de séparer l'incertitude en deux types. Le premier type est l'incertitude concernant l'épaisseur exacte ou la résistance d'une couche lorsque le nombre de couches est fixe. Le second type est l'incertitude concernant le nombre de couches lui-même. Dans leurs simulations, l'incertitude sur le nombre de couches était la plus élevée précisément là où les structures géologiques changeaient, comme lorsqu'une couche s'amincissait ou qu'une interface se déplaçait. Cela a aidé à distinguer les caractéristiques robustes de celles qui dépendaient fortement du choix spécifique du modèle.

Pour s'assurer de la fiabilité de leur méthode, les chercheurs ont mené cinquante expériences distinctes en ajoutant un bruit aléatoire légèrement différent aux données. Ils ont constaté que leur méthode permettait de récupérer systématiquement les structures correctes et que l'intervalle d'incertitude calculé contenait la réponse réelle dans 84 à 88 % des cas. Ce niveau de précision suggère que la méthode est stable et qu'elle n'est pas excessivement sensible aux erreurs aléatoires dans les données. Enfin, ils ont appliqué leur technique à des données réelles collectées sur le gisement de fer-plomb-zinc de Yemaquan, dans l'ouest de la Chine. Les lignes de levé couvraient des centaines de mètres de terrain avec une géologie variable. La nouvelle méthode a identifié avec succès les principales structures électriques, telles que de grands corps rocheux résistifs et des zones conductrices, ce qui correspondait à des études indépendantes antérieures. Cependant, elle a également révélé que les positions exactes des limites entre ces zones étaient moins certaines. La méthode a montré que si le tableau à grande échelle était clair, les détails fins de l'endroit où une couche commence ou finit variaient selon le modèle choisi.

Le coût computationnel de cette nouvelle approche était étonnamment bas. Les chercheurs ont noté que le calcul de la complexité effective et le moyennage des modèles ajoutaient moins de un pour cent au temps requis pour exécuter les inversions standards. Cette efficacité est cruciale car elle signifie que la méthode peut être utilisée parallèlement aux flux de travail existants sans nécessiter de nouvelles puissances de calcul massives. En réutilisant les dérivées mathématiques déjà calculées lors de l'inversion standard, ils ont évité le besoin de millions de calculs supplémentaires que requièrent souvent d'autres méthodes probabilistes. Le résultat est un outil pratique qui aide les géophysiciens à voir non pas une seule version du sous-sol, mais un spectre de possibilités. Il souligne les endroits où les données sont assez fortes pour définir une structure et ceux où l'interprétation reste flexible. En fin de compte, ce travail offre une vue plus claire et plus nuancée des couches cachées de la Terre, transformant une simple supposition en une gamme de possibilités bien documentées.

Résumé technique : Quantification efficace de l'incertitude dans l'inversion FDEM à l'aide d'un critère d'information bayésien ajusté

Énoncé du problème
L'inversion électromagnétique en domaine fréquentiel (FDEM) est intrinsèquement non unique ; un ensemble d'observations donné peut être expliqué par diverses combinaisons de résistivité, d'épaisseur de couche et de paramétrage du modèle. Bien que la régularisation stabilise l'inversion pour produire une solution privilégiée, les approches déterministes conventionnelles nécessitent généralement que la dimension du modèle (spécifiquement le nombre de couches, $K$ ) soit spécifiée à l'avance. La sélection d'un nombre de couches unique comme étant le « meilleur » ignore l'incertitude découlant de la sélection de la dimension elle-même, ce qui peut surestimer la confiance dans les interfaces locales et les structures à fine échelle.

Les approches bayésiennes existantes, telles que l'échantillonnage de Markov par chaîne de Monte Carlo (MCMC) trans-dimensionnel, peuvent caractériser cette incertitude mais nécessitent souvent des millions d'évaluations directes (forward), ce qui est informatiquement prohibitif pour les applications à grande échelle ou de routine. Inversement, les critères d'information standards comme le critère d'information bayésien (BIC) sont informatiquement efficaces mais échouent souvent à rendre compte de la réduction de la complexité effective du modèle causée par la régularisation. Le BIC standard utilise le nombre nominal de paramètres comme pénalité de complexité, ce qui peut trop pénaliser les modèles régularisés possédant un nombre élevé de couches car la régularisation limite la contribution indépendante des paramètres ajoutés à l'ajustement des données.

Méthodologie
Les auteurs proposent un cadre pour l'évaluation du nombre de couches et la quantification de l'incertitude par moyennage de modèles qui s'intègre aux inversions FDEM régularisées conventionnelles. Le flux de travail se compose de trois composantes principales :

Ajustement des degrés de liberté effectifs (EDF) :
L'étude remplace le nombre nominal de paramètres dans la formule du BIC par les degrés de liberté effectifs (EDF). L'EDF est calculé comme la trace de la matrice d'influence de l'espace des données ( $S_K = J_d H_K^{-1} J_d^T$ ), où $J_d$ est la jacobienne des résidus de données et $H_K$ est le hessien de Gauss-Newton. Cette métrique quantifie la flexibilité réelle d'ajustement des données conservée après avoir pris en compte la régularisation, la corrélation des paramètres et la sensibilité des données. Le critère résultant, EDF-BIC, est défini comme :
$\text{EDF-BIC}_K = \chi_K^2 + \nu_K \ln N$
où $\chi_K^2$ est la somme des carrés des résidus pondérés, $\nu_K$ est l'EDF, et $N$ est le nombre de points de données.
Moyennage de modèles par nombre de couches (LCMA) :
Au lieu de sélectionner un seul nombre de couches privilégié, le cadre évalue un ensemble fini de modèles candidats (inversés séquentiellement avec un $K$ croissant). Une règle d'arrêt adaptative (seuil d'amélioration relative de 2 %) limite l'expansion des nombres de couches candidats. Les différences d'EDF-BIC entre les candidats sont converties en poids de support relatifs ( $w_{i,K}$ ) à chaque station. Ces poids sont utilisés pour effectuer la LCMA, où les modèles candidats sont projetés sur une grille de profondeur commune et moyennés dans l'espace de la log-résistivité.
Décomposition de l'incertitude :
En utilisant la loi de la variance totale, l'incertitude totale moyennée sur les modèles est décomposée en deux composantes :
- Incertitude intra-modèle : Incertitude des paramètres (résistivité, épaisseur) conditionnelle à un nombre de couches fixe, approximée via une approximation de Laplace à l'aide du hessien de Gauss-Newton.
- Incertitude inter-modèle : Variance découlant des différences entre les structures de résistivité moyennes des couches supportées.
  Le cadre combine ces éléments pour produire des intervalles de crédibilité P10–P90 pour la structure de résistivité finale.

Résultats clés

Expériences synthétiques (U05, G02, G05) :
- Dans le modèle à cinq couches U05, l'ajustement de l'EDF a corrigé la préférence pour un faible nombre de couches du BIC nominal. Le nombre moyen de couches pondéré est passé de 4,06 (BIC nominal) à 5,15 (EDF-BIC), réduisant considérablement l'écart par rapport à la configuration réelle à cinq couches.
- Dans les modèles à variation latérale (G02 et G05), le support de l'EDF-BIC variait spatialement, identifiant correctement les régions où les couches s'amincissent ou disparaissent.
- La LCMA a récupéré les structures électriques principales avec des erreurs quadratiques moyennes (RMSE) plus faibles par rapport aux modèles à dimension fixe ou aux modèles à support maximal.
- À travers 50 réalisations de bruit, l'approche EDF-BIC LCMA a atteint une couverture empirique moyenne de 87,57 % (G02) et 83,66 % (G05) pour les intervalles P10–P90, démontrant une stabilité et une robustesse.
- La décomposition de l'incertitude a révélé que si l'incertitude intra-modèle dominait globalement, l'incertitude inter-modèle était concentrée dans les zones de transition structurelle (ex: biseaux), soulignant où le choix du nombre de couches affecte le plus l'interprétation.
Application aux données de terrain (Yemaquan L52 et L53) :
- Appliqué à des données FDEM provenant d'un dépôt polymétallique, le cadre a récupéré des structures résistives et conductrices principales cohérentes à travers les modèles candidats.
- Bien que la zonation électrique à grande échelle soit robuste, les positions des interfaces locales et les extensions profondes ont montré une plus grande sensibilité au choix du nombre de couches, ce qui s'est traduit par une augmentation de l'incertitude inter-modèle dans les zones de transition.
- Le coût computationnel du calcul de l'EDF et de l'analyse de l'incertitude a été négligeable, ajoutant moins de 1 % au temps total d'inversion des candidats.

Signification et revendications
L'article affirme fournir une approche informatiquement traitable pour l'évaluation du nombre de couches et la propagation de l'incertitude dans l'inversion FDEM régularisée. Sa principale importance réside dans :

Le pont entre efficacité et rigueur : Il offre une méthode pour quantifier l'incertitude de la dimension du modèle sans le coût prohibitif de l'échantillonnage complet de la distribution postérieure (MCMC).
Une meilleure pénalisation de la complexité : En substituant les nombres de paramètres nominaux par l'EDF, la méthode fournit une mesure plus précise de la complexité des modèles dans les inversions régularisées, évitant la sous-estimation des nombres de couches nécessaires.
Une propagation explicite de l'incertitude : Le cadre va au-delà de la sélection d'un seul « meilleur » modèle pour propager l'incertitude provenant à la fois de l'estimation des paramètres et du choix de la dimension du modèle dans la structure de résistivité finale.
Applicabilité pratique : La méthode réutilise les jacobiennes et les hessiens des inversions déterministes standards, ce qui permet une intégration facile dans les flux de travail existants avec un surcoût computationnel minimal.

Les auteurs maintiennent une position modeste, notant que les incertitudes rapportées sont conditionnelles à l'ensemble de candidats choisi, au modèle d'erreur et à la régularisation. Ils reconnaissent que l'approximation de Laplace décrit l'incertitude locale et que la méthode ne capture pas l'incertitude des paramètres de régularisation ou des classes de modèles plus larges, ni ne traite pleinement la forte non-gaussianité ou la multimodalité dans la distribution postérieure. Cependant, pour évaluer l'incertitude du nombre de couches dans le cadre de l'inversion FDEM régularisée, le cadre offre une alternative robuste et efficace à l'échantillonnage bayésien complet.

Articles similaires