Offre de thèse
ASGA - Homogénéisation inverse pour la caractérisation des systèmes de failles
Date limite de candidature
30-06-2025
Date de début de contrat
01-10-2025
Directeur de thèse
CUPILLARD Paul
Encadrement
La thèse débutera par une revue bibliographique du doctorant sur l'état de l'art du sujet à traiter. Cet effort bibliographique est indispensable à la compréhension et à l'appropriation du sujet. Il sera supervisé par les deux encadrants qui proposeront une série d'articles initiale puis se réuniront avec le doctorant à un rythme hebdomadaire. Les évolutions ultérieures du sujet et du travail de thèse seront elles aussi suivies grâce à des réunions hebdomadaires avec le doctorant. Les règles de l'Ecole Doctorale (SIReNa) seront exposées au doctorant dès la première année de thèse. Il aura donc connaissance du déroulé des opérations tout au long de la thèse : comité de suivi, formations doctorales, etc.
Type de contrat
école doctorale
équipe
Géologie Numérique Intégrative (Axe GéoModèles)contexte
Le candidat retenu travaillera au sein de l'équipe RING, un groupe pluridisciplinaire composé de 12 à 15 chercheurs, ingénieurs et doctorants, œuvrant à l'interface entre les géosciences, l'informatique et les mathématiques appliquées. L'équipe fait partie de l'École Nationale Supérieure de Géologie, au sein du laboratoire GeoRessources, un laboratoire de recherche de l'Université de Lorraine et du CNRS. L'équipe de recherche est animée par la passion de développer des méthodes et des théories informatiques pour la modélisation géologique et géophysique, au service de la communauté des géosciences afin de relever les défis scientifiques liés à la gestion des ressources naturelles.spécialité
Géoscienceslaboratoire
GeoRessources
Mots clés
Full Waveform Inversion, Géomodélisation, Sismologie computationnelle, Estimation d'incertitudes
Détail de l'offre
Cartographier les failles dans le sous-sol et comprendre leurs propriétés (c'est-à-dire leur géométrie, leurs dimensions, leur comportement en tant que barrière, leur croissance) est essentiel pour orienter la prise de décision dans les applications liées aux ressources souterraines. Aujourd'hui, les interprétations des failles en profondeur proviennent principalement de modèles haute résolution obtenus par inversion de forme d'onde complète (FWI, Full Waveform Inversion), en complément des images migrées. Bien que la facilité et la précision de l'imagerie et de l'interprétation sismiques ne cessent de progresser, des problèmes tels que la bande passante limitée des données sismiques, le bruit, l'approximation du modèle physique et la couverture de données incomplète restent des défis majeurs pour l'imagerie détaillée des failles (par exemple, celles dont le rejet est inférieur à la résolution verticale sismique) (Dimmen, Rotevatn & Lecomte, 2023). Sous-estimer les incertitudes associées peut conduire à des prévisions trop optimistes basées sur des modèles et accroître le risque financier des projets d'exploitation du sous-sol.
Dans un travail récent, Ruggiero, Cupillard & Caumon (2024) proposent une approche à deux échelles qui combine la FWI avec une inversion de raffinement pour estimer de manière probabiliste les paramètres d'une faille (par exemple : longueur, pendage, rejet). Cette approche, fondée sur des travaux antérieurs (Hedjazian, Capdeville & Bodin, 2021 ; Santos et al., 2024), est appelée homogénéisation inverse. En supposant que la FWI fournit une représentation lisse des structures réelles, elle vise à retrouver tous les modèles de failles à plus fine échelle compatibles avec la solution FWI. Dans le cadre du présent projet, nous proposons d'appliquer cette approche à un système de failles, c'est-à-dire non pas à une seule faille, mais à plusieurs, potentiellement connectées. Après avoir testé la méthode sur un cas synthétique en 2D, un cas réel et/ou une extension en 3D seront envisagés.
Références :
DIMMEN V, ROTEVATN A & LECOMTE I. (2023). IMAGING OF SMALL-SCALE FAULTS IN SEISMIC REFLECTION DATA: INSIGHTS FROM SEISMIC MODELLING OF FAULTS IN OUTCROP. MARINE AND PETROLEUM GEOLOGY 147:105980. https://doi.org/10.1016/j.marpetgeo.2022.105980
HEDJAZIAN N, CAPDEVILLE Y & BODIN T. (2021). MULTISCALE SEISMIC IMAGING WITH INVERSE HOMOGENIZATION. GEOPHYSICAL JOURNAL INTERNATIONAL 226(1):676-691. https://doi.org/10.1093/gji/ggab121
RUGGIERO G, CUPILLARD P & CAUMON G. (2024). QUANTIFYING FAULT-RELATED UNCERTAINTY WITH INVERSE HOMOGENIZATION. PROC. 2024 RING MEETING.
SANTOS T, BODIN T, SOULEZ F, RICARD Y & CAPDEVILLE Y. (2024). REFINING TOMOGRAPHY WITH GENERATIVE NEURAL NETWORKS TRAINED FROM GEODYNAMICS. GEOPHYSICAL JOURNAL INTERNATIONAL 238(3):1676-1695. https://doi.org/10.1093/gji/ggae2
Keywords
Inverse homogenization, Geomodelling, Computational seismology, Uncertainties assessment
Subject details
Mapping faults in the subsurface and understanding fault properties (i.e., geometry, dimensions, seal behaviour, fault growth) is fundamental to drive decision-making in subsurface earth resources applications. Nowadays, fault interpretations at depth are mainly derived from high-resolution models obtained by full waveform inversion (FWI), in addition to migrated images. Although the ease and accuracy of seismic imaging and interpretation are continually increasing, issues such as limited data bandwidth, noise, approximation of the physical model, and incomplete data coverage, are still sources of challenges in the detailed imaging of faults (e.g. faults with throws that fall below vertical seismic resolution) (Dimmen, Rotevatn & Lecomte, 2023). Under-estimating the associated uncertainties can lead to overly optimistic model-based forecasts and increase the financial risk associated with subsurface projects. In a recent work, Ruggiero, Cupillard & Caumon (2024) propose a two-scale approach which combines FWI with a downscaling inversion to estimate fault parameters (e.g., length, dip, throw) in a probabilistic way. The approach builds on previous studies (Hedjazian, Capdeville & Bodin, 2021; Santos et al., 2024), and is called inverse homogenization. Assuming that FWI provides a smooth representation of the real structures, it aims at recovering all the finer scale fault models compatible with the FWI solution. In the present project, we propose to apply this approach to a fault system, i.e., to not only one but multiple, possibly connected faults. After testing the method in a 2D synthetic case, a real data case and/or an extension to 3D will be considered. References : DIMMEN V, ROTEVATN A & LECOMTE I. (2023). IMAGING OF SMALL-SCALE FAULTS IN SEISMIC REFLECTION DATA: INSIGHTS FROM SEISMIC MODELLING OF FAULTS IN OUTCROP. MARINE AND PETROLEUM GEOLOGY 147:105980. https://doi.org/10.1016/j.marpetgeo.2022.105980 HEDJAZIAN N, CAPDEVILLE Y & BODIN T. (2021). MULTISCALE SEISMIC IMAGING WITH INVERSE HOMOGENIZATION. GEOPHYSICAL JOURNAL INTERNATIONAL 226(1):676-691. https://doi.org/10.1093/gji/ggab121 RUGGIERO G, CUPILLARD P & CAUMON G. (2024). QUANTIFYING FAULT-RELATED UNCERTAINTY WITH INVERSE HOMOGENIZATION. PROC. 2024 RING MEETING. SANTOS T, BODIN T, SOULEZ F, RICARD Y & CAPDEVILLE Y. (2024). REFINING TOMOGRAPHY WITH GENERATIVE NEURAL NETWORKS TRAINED FROM GEODYNAMICS. GEOPHYSICAL JOURNAL INTERNATIONAL 238(3):1676-1695. https://doi.org/10.1093/gji/ggae2
Profil du candidat
Le/la candidat(e) doit être titulaire d'un master en sciences de la Terre quantitatives, en géophysique, en physique, en géomécanique, en mathématiques appliquées ou en informatique. Il/elle est passionné(e) par la science et possède de solides compétences en rédaction scientifique. Une expérience en programmation informatique ainsi qu'une excellente maîtrise de l'anglais sont requises. La maîtrise du français est souhaitable, mais non obligatoire.
Candidate profile
The candidate should hold a MSc in quantitative Earth Sciences, Geophysics, Physics, Geomechanics, Applied Mathematics or Computer Science. He/she is passionate about science and has solid scientific writing skills. Anexperience in computer programming and a strong command of English language are required. French language is preferable, but not necessary.
Référence biblio
DIMMEN V, ROTEVATN A & LECOMTE I. (2023). IMAGING OF SMALL-SCALE FAULTS IN SEISMIC REFLECTION DATA: INSIGHTS FROM SEISMIC MODELLING OF FAULTS IN OUTCROP. MARINE AND PETROLEUM GEOLOGY 147:105980. https://doi.org/10.1016/j.marpetgeo.2022.105980
HEDJAZIAN N, CAPDEVILLE Y & BODIN T. (2021). MULTISCALE SEISMIC IMAGING WITH INVERSE HOMOGENIZATION. GEOPHYSICAL JOURNAL INTERNATIONAL 226(1):676-691. https://doi.org/10.1093/gji/ggab121
RUGGIERO G, CUPILLARD P & CAUMON G. (2024). QUANTIFYING FAULT-RELATED UNCERTAINTY WITH INVERSE HOMOGENIZATION. PROC. 2024 RING MEETING.
SANTOS T, BODIN T, SOULEZ F, RICARD Y & CAPDEVILLE Y. (2024). REFINING TOMOGRAPHY WITH GENERATIVE NEURAL NETWORKS TRAINED FROM GEODYNAMICS. GEOPHYSICAL JOURNAL INTERNATIONAL 238(3):1676-1695. https://doi.org/10.1093/gji/ggae2