Optimisation des réseaux de capteurs dédiés à la surveillance environnementale // optimization of sensor networks for environmental applications

Topic 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.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The seismic motion recorded at a site depends on the properties of the seismic source and on the propagation of seismic waves from the source to the site. To record seismic motion, sensors are commonly deployed in areas of high importance. They are used in particular to detect, locate, and monitor the evolution of seismicity, whether in the context of induced or natural seismicity. They also make it possible to estimate the local seismic response of a site (site effects), whose spatial variability in geological properties can lead to significant changes in the amplitude, frequency content, and duration of the seismic signal recorded at the surface. Improving the monitoring of seismicity—particularly induced seismicity—and enhancing the understanding of site effects are major scientific challenges, as these two phenomena determine the intensity and spatial distribution of ground motion at the surface.

The objective of this PhD thesis is to develop innovative approaches aimed at improving the detection and location accuracy of local earthquakes, as well as deepening the understanding of the geological medium, by relying on optimization strategies for sensor networks. Network design methods based on the Fisher information matrix [M14] or on expected information gain [C25] will be implemented in order to maximize the extracted information, reduce uncertainty in the parameters of interest, and account for potential constraints related to cost, topography, or site accessibility. To make these approaches operational despite the complexity of physical models and numerical simulations, simplified models using machine learning methods will be implemented to significantly reduce computation times. Applications will focus on sites of interest that are already partially instrumented and require appropriate monitoring to better characterize seismic hazard. The work carried out in this thesis will primarily aim to quantify the improvements brought about by the deployment of new sensors.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/

Funding category

Public funding alone (i.e. government, region, European, international organization research grant)

Funding further details

Concours pour un contrat doctoral