Description

Le mouvement sismique enregistré en un site dépend des propriétés de la source sismique et de la propagation des ondes sismiques de la source jusqu’au site. Afin d’enregistrer le mouvement sismique, des capteurs sont classiquement déployés dans les zones à fort enjeu. Ils sont utilisés notamment pour détecter, localiser et suivre l’évolution de la sismicité, que ce soit dans le contexte de la sismicité induite ou naturelle. Ils permettent également d’estimer la réponse sismique locale d’un site (effets de site) dont la variabilité spatiale des propriétés géologiques est susceptible d’engendrer des modifications importantes de l’amplitude, du contenu fréquentiel et de la durée du signal sismique enregistré en surface. Mieux suivre la sismicité, notamment la sismicité induite, et améliorer la compréhension des effets de site constituent un enjeu scientifique majeur puisque ces deux phénomènes déterminent l’intensité et la répartition spatiale du mouvement sismique en surface. L’objectif de la thèse est de développer des approches innovantes visant à améliorer la détection et la qualité de localisation de séismes locaux et approfondir la connaissance du milieu géologique en s’appuyant sur des stratégies d’optimisation des réseaux de capteurs. Des méthodes de conception de réseaux, basées sur la matrice d’information de Fisher [M14] ou sur le gain d’information attendu [C25], seront mises en œuvre afin de maximiser l’information extraite, de réduire l’incertitude sur les paramètres d’intérêt et de prendre en compte les contraintes éventuelles liées au coût, à la topographie ou à l’accessibilité des sites. Pour rendre ces approches opérationnelles malgré la complexité des modèles physiques et des simulations numériques, des modèles simplifiés utilisant des méthodes de machine learning seront implémentés pour réduire significativement les temps de calcul. Les applications cibleront des sites d’intérêt, déjà partiellement instrumentés, nécessitant une surveillance adaptée pour mieux caractériser l’aléa sismique. Les travaux de cette thèse viseront principalement à quantifier l’amélioration apportée par la mise en place de nouveaux capteurs.

Compétences requises

Connaissances en calcul scientifique, géophysique, méthodes probabilistes, machine learning

Bibliographie

[S21] Sochala, P., Gesret, A., Le Maître, O. Polynomial surrogates for Bayesian traveltime tomography. Int J Geomath, 12, 20 (2021), https://doi.org/10.1007/s13137-021-00184-0
[P25] Polette, N., Le Maître, O., Sochala, P., Gesret, A., Change of measure for Bayesian field inversion with hierarchical hyperparameters sampling, Jour. of Comput. Physics, 529, 2025,113888, https://doi.org/10.1016/j.jcp.2025.113888
[M14] Maranò, S., Fäh, D., Lu, Y. M., Sensor placement for the analysis of seismic surface waves: sources of error, design criterion and array design algorithms, GJI, 197(3), 2014, 1566–1581, https://doi.org/10.1093/gji/ggt489
[C25] Callahan, J., Monogue, K., Villarreal, R., Catanach, T., Analysis and optimization of seismic monitoring networks with Bayesian optimal experimental design, GJI, 240(3), 2025, 1802–1824, https://doi.org/10.1093/gji/ggae458

Mots clés

aléas naturels, sismologie, machine learning