Interprétation stochastique des failles géologiques dans le contexte de l’analyse d’images sismiques

Les failles géologiques sont des zones de cisaillement minces et intensément déformées, produisant un déplacement des roches et affectant le comportement mécanique et les propriétés hydrauliques des réservoirs. Les images de sismique réflexion sont largement utilisées pour cartographier les failles dans le sous-sol, mais leur interprétation conduit souvent à divers scénarios en raison des incertitudes dues à la bande passante sismique limitée et aux erreurs d'imagerie possibles. Une autre difficulté provient du fait que les failles sont souvent segmentées, avec un espacement entre les segments souvent inférieur à la résolution de l'image sismique. Dans cette thèse, nous cherchons à générer plusieurs scénarios d'interprétation des failles reflétant ces incertitudes, en utilisant le cadre des processus ponctuels marqués (MPP, extit{Marked Point Process}), dans lequel les failles sont représentées par des points aléatoires auxquels sont attachés des informations géométriques. Cependant, cette stratégie présente deux défis majeurs : (I) la prise en compte des interactions entre les objets constituant les failles (ou fractures), (II) la mise en place de stratégies de conditionnement spécifiques, adaptées au type de données sismiques. Bien que plusieurs approches prenant en compte les interactions mécaniques existent, elles restent néanmoins très coûteuses. De plus, les processus de liaison des failles, bien documentés dans les études sur les failles, restent difficiles à intégrer dans les modèles mathématiques. Nous proposons une approche, basée sur quelques hypothèses concernant la géométrie des failles, pour représenter des grandes failles sur des images sismiques. Cette approche utilise un modèle stochastique pour capturer les interactions locales entre les segments de faille en deux dimensions. L'approche proposée peut s'étendre en trois dimensions. La nouveauté de notre approche réside dans le conditionnement du modèle stochastique à l'aide d'une image des probabilités de faille générée par un réseau de neurones convolutionnel (CNN). Pour mettre en œuvre cette méthode, nous employons l'algorithme de Metropolis-Hastings afin de générer plusieurs scénarios de configuration de réseaux de failles, ce qui reflète l'incertitude et permet d'explorer l'espace des modèles associés. Nous analysons les réseaux de failles qui en résultent à l'aide de mesures statistiques, qui permettent de quantifier l'incertitude extit{a posteriori} du modèle et d'évaluer la structure des réseaux de failles. Enfin, nous utilisons un cadre de calcul bayésien approximatif (ABC, extit{Approximate Bayesian Computation}) pour déduire les valeurs des paramètres du modèle à partir des interprétations sismiques réalisées par des chercheurs. Cette étape d'inférence paramétrique, combinée aux mesures statistiques pour analyser les réseaux de failles, permet une caractérisation globale des réseaux de failles. Plus généralement, l'intégration de l'apprentissage machine pour calculer les probabilités d'occurrence de faille et des processus ponctuels s'avèrent prometteuse pour mieux gérer l'incertitude en interprétation sismique.