Doctorant "Détermination de la géométrie et du glissement d’un séisme à partir d'observations de surfac

Sujet de thèse :
Détermination de la géométrie et du glissement d’un séisme à partir d'observations de surface par apprentissage automatique.
Contexte :
Lors d'un séisme, la majeure partie du glissement co-sismique se produit sur les failles, en profondeur. Or la plupart de nos observations se limitent à la surface via la télédétection. Reconstituer la géométrie de la rupture ainsi que le glissement tridimensionnel à partir de ces observations de surface est un problème fondamental mais complexe en géophysique. Le projet ERC BE_FACT (Boxing Earthquakes and Faults in Active Tectonics) propose d'aborder ce problème à partir d'expériences en laboratoire et de simulations numériques pour étudier le lien entre la géométrie des failles, la dynamique de rupture et la déformation de surface. C'est dans le cadre du projet BE_FACT que s'inscrit ce sujet de thèse.
Objectifs
Le but de cette thèse est d’explorer dans quelle mesure, pour un séisme donné, la géométrie de la rupture et la distribution du glissement lors de cette rupture peuvent être déduits à partir des champs de déplacement observés en surface, éventuellement complétés par des données sismologiques, en utilisant des méthodes d’apprentissage automatique (statistique ou profond). Dans le cadre de cette thèse, on utilisera une base d'environ 1000 séismes simulés numériquement (déjà en partie disponibles) pour lesquels on connait les caractéristiques de la source ainsi que les champs de déplacement 3D (y compris à la surface). L’étudiant.e analysera ces ensembles de données pour déterminer le degré de complexité du problème inverse en fonction du niveau de précision visé, identifier les caractéristiques les plus pertinentes des signaux de surface et développer des méthodes d’apprentissage automatique pour reconstituer le glissement (ou ses caractéristiques principales) en profondeur.
Plan de travail
La thèse commencera par une exploration des séismes simulés afin de comprendre les motifs de déplacement à la surface et en profondeur. L’étudiant.e extraira et analysera d’abord des caractéristiques simples (glissement moyen, surface affectée, géométrie, orientation) et appliquera des techniques de réduction de dimension pour mettre en évidence les principaux modes de variation des données. À partir de ces caractéristiques (et, si nécessaire, de caractéristiques plus avancées), des modèles de prédiction seront développés, allant de relations statistiques simples à des modèles plus flexibles comme les réseaux de neurones artificiels. Les performances et l’incertitude des modèles seront évaluées sur des événements cachés lors de la phase d’entraînement pour tester la capacité des modèles à généraliser, et éviter le sur-apprentissage. Dans un deuxième temps, en fonction des performances des premiers modèles, l'objectif sera de chercher à complexifier les modèles de source pour se rapprocher de géométries plus réalistes. Si dans une première approche o
Voir plus sur le site emploi.cnrs.fr...