Accueil

• Agenda
• Actualité

Agenda de la délégation de Fontainebleau

Retrouvez tous les événements passés ou à venir ...

Le 10 décembre 2021

Soutenance de thèse de Mathieu CHAMBEFORT

Contrôle qualité et étude du traitement sismique par apprentissage statistique : développement d'un outil industriel autonome

Résumé de la thèse en français

Le traitement de données sismiques permet de convertir des enregistrements bruts effectués sur le terrain prospecté en images des structures géologiques et retrouver certaines propriétés physiques du sous-sol. Les études sismiques actuelles peuvent s'étendre sur plusieurs mois et générer plusieurs téraoctets d'information par jour. La taille considérable de ces jeux de données rend leur analyse et leur traitement de plus en plus complexes et coûteux. En particulier, la quantité d'images produites est telle qu'une vérification visuelle systématique de la cohérence des résultats par le géophysicien (phase dite de contrôle qualité) est impossible. Traiter et réaliser le contrôle qualité des données nécessitent une grande expertise en sismique. Les travaux présentés dans cette thèse portent sur l'utilisation des méthodes issues de l'apprentissage statistique pour réaliser le traitement des données et fournir une aide à la prise de décision aux géophysiciens pour contrôle qualité des données. Différents états de l'art sur les méthodes disponibles pour réaliser ces traitements et le contrôle qualité des données sismiques sont réalisés. Les approches proposées se fondent dans un premier temps sur celles utilisées par les géophysiciens, couplées avec de l'apprentissage statistique. Par la suite, de nouvelles approches utilisant des méthodes d'apprentissage profond sont proposées pour le traitement et le contrôle qualité, dans un contexte où peu de données étiquetées pour la réalisation d'apprentissage supervisé est disponible. Aussi une méthode basée sur l'apprentissage semi-supervisé est proposée pour le contrôle qualité des données. Pour tirer au mieux parti de l'étiquetage des géophysiciens, une approche originale d'apprentissage actif a également été développée.

Résumé de la thèse en anglais

Seismic data processing has the goal of converting raw field records into images of geological structures below the ground. It may also allow us to recover some physical properties of the sub-surface with the aim of assessing the presence of fluids (hydrocarbon, gaz, water). Modern seismic surveys can take months to acquire, resulting in several terabytes of seismic data and millions of temporal series per day. The huge size of those datasets makes their analysis and processing increasingly complex, long and expensive, an imaging project needing to mobilize thousands of machines over several months. Considering this amount of data, it is impossible for geophysicists to systematically verify the coherency of the results obtained at each processing task for the whole dataset. A geophysicist needs a lot of expertise to process and quality control the seismic data, and this task is extremely time consuming. The automatization of either the processing or the quality control is therefore an important challenge for the oil industry. The different works of this thesis deal with the use of machine learning methods as a tool to aid in this processing and proposes techniques for quality control of the data. An overview of the current state of the art of processing methods and quality control is outlined. A number of approaches are highlighted: firstly, those which are based on our observations of how geophysicists usually build their quality control workflow combined with machine learning approaches. These methods are relying on supervised learning and therefore require access to the processed data as well as their labels indicating the quality of the processing. To obtain such data, a software allowing the gathering of data at various steps of the processing sequence was developed, also allowing the on-the-fly labelling of data by the geophysicists. New approaches are proposed for the processing and quality control which are based on supervised deep learning in the context of a small amount of labeled data. An alternative method is given, based on semi-supervised learning for the model part and on active learning which takes advantage of labels assigned by the geophysicist.

Titre anglais : Quality control and study of seismic processing by machine learning: development of an autonomous industrial tool
Date de soutenance : vendredi 10 décembre 2021 à 14h00
Adresse de soutenance : 19 place marguerite perey, 91120 Palaiseau - Amphi 4
Directeur de thèse : Hans WACKERNAGEL
Co-encadrant : Stephan CLEMENCON
Co-encadrant : Emilie CHAUTRU