Applications de l’apprentissage profond pour le traitement et l’interprétation sismique Acquérir des connaissances sur la géologie de la subsurface terrestre grâce à l’imagerie sismique est un processus long et parfois fastidieux. De nombreux algorithmes sont utilisés pour transformer le signal, atténuer le bruit et aider à interpréter l’image. Ces algorithmes sont conçus par des experts et nécessitent d’être soigneusement paramétrés. De plus, de nombreuses tâches doivent être effectuées manuellement par les géoscientifiques lorsque les algorithmes ne parviennent pas à fournir de bons résultats. Ces dernières années, l’apprentissage profond, un sous-domaine de l’intelligence artificielle, a pris une grande importance. Il a été montré que les modèles d’apprentissage surpassent les algorithmes traditionnels dans de nombreuses applications à travers un grand nombre de disciplines scientifiques. Ils permettent également d’automatiser certains processus qui n’étaient jusque-là réalisables que par des humains. Cependant, il peut être difficile de remplir les conditions nécessaires pour exploiter leur potentiel. Dans cette thèse, nous identifions les principaux obstacles à l’utilisation de l’apprentissage profond, notamment ceux de l’incertitude sur l’interprétation des données et de la dépendance de l’apprentissage en exemples fournis par des experts, et proposons une série de méthodologies visant à les surmonter. Nous démontrons la validité et la faisabilité de nos méthodes sur un ensemble de problèmes d’interprétation et de traitement sismique.

c volume in a fixed coordinate ( IL , XL , or Z ) is called a slice ( Figure 1 b). Figure 1. Open in a new tab ( a ) Seismic Volume, ( b ) Slice (cut on the seismic volume) on a fixed IL coordinate. Given that a seismic volume can be considered a sequence of subsurface images, we propose two different approaches for seismic data clustering: Pointwise Data Clustering and Spatial Groups Data Clustering. The two alternatives are represented in Figure 2 . Figure 2. Open in a new tab Proposed seismic data clustering approaches. Pointwise Data Clustering analyzes the seismic volume using each data point o I L ,   X L ,   Z as a sample. These samples can be described with multiple seismic attributes commonly extracted from the amplitude seismic data, such as energy, frequency, phase, among others. With the Seismic Volume usually requiring Gbs of storage, the addition of multiple seismic attributes for an accurate interpretation can escalate the volume of data to a prohibitive size for most Machine Learning algorithms. Therefore, we propose feature selection [ 33 ] to eliminate irrelevant or redundant seismic attributes, resulting in a significant reduction in the data size. Specifically, 28 seismic attributes are reduced to a subset of only 12 attributes employing the rankings provided by four feature selection algorithms: Principal Component Analysis [ 34 ], Principal Feature Analysis [ 35 ], Variance Threshold [ 36 ], and Feature weighting k-Means [ 37 ]. After selecting the best subset of seismic attributes, classical clustering algorithms are applied to the data, obtaining post-processed groups to enhance their homogeneity inside the seismic volume. These groups represent points in this multivariate seismic volume with similar seismic attributes values. Spatial Groups Data Clustering, in contrast, defines a processing pipeline that employs image segmentation algorithms to define preliminary spatial groups of seismic data denominated segments. This approach begins by di