Apprentissage automatique de données de forage pour la définition de colonnes de sol litho-stratigraphiques types vers un modèle de sol 3d de la ville d’aix-en-provence.

Description

CONTEXTE

Depuis, la carte réglementaire de zonage sismique classe la ville d’Aix-en-Provence en zone de
sismicité modérée, soit la zone sismique la plus élevée en France hexagonale. Étant donné les enjeux
majeurs de la ville (forte densité urbaine et présence de nombreuses industries), le préfet a prescrit
l’élaboration d’un Plan de Prévention des Risques (PPR) séisme.
Les études techniques préalables à ce PPR ont été confiées au Cerema. Elles visent à établir une carte d’aléa
sismique à l’échelle 1/10 pour la commune. Dans ce cadre, un microzonage sismique sera réalisé pour
cartographier les effets de site pouvant amplifier localement les ondes sismiques.
La définition d’un microzonage sismique repose sur l’élaboration d’un modèle géologique et géotechnique du
sol, généralement basé sur une carte géologique au 1/5 ou 1/10, complétée par des forages
lithologiques réalisés sur le site. Puis sur l’intégration de mesures géotechniques ou géophysiques pour
caractériser les propriétés des couches de sol, telles que la vitesse de propagation des ondes de cisaillement
(Vs) et la profondeur du substratum sismique.
Les données lithologiques de forage, issues principalement de la base de données du sous-sol, sont éparses
mais nombreuses (plusieurs centaines de profils). Elles sont localisées sur différentes zones géologiques et
peuvent variées en terme de profondeur d’investigation. Cette base de données de forage est analysée afin
de :
– Définir une colonne de sol litho-stratigraphique type chacune des zones géologiques.
– Associer à chacun des forages les couches de sol définies dans la colonne de sol lithostratigraphique
type de sa zone.
– Interpoler les forages pour déterminer la répartition spatiale de la profondeur du substratum sismique
Ces étapes représentent un travail fastidieux qui pourrait être optimisé par l’utilisation de méthodes de
machine learning ou de deep learning. Ce type d’approche a déjà été mis en oeuvre pour définir des coupes de
sol dans le cadre d’analyse de stabilité des pentes (Wang, Shi and Li, ) ou pour réaliser des modèles de
sol en 3D (Kim and Ji, ).

Objectif du stage
L’objectif de ce stage est de tester la faisabilité de l’application de telles méthodes pour les 3 étapes
précédemment décrites ; Définition de colonnes de sol types Association des couches des sol type au
forage et interpolation spatiale des forages. On se basera notamment sur la bibliothèque DeepInv
(Tachella et al., ).
Un premier site d’étude est envisagé pour tester la faisabilité de la méthode : la basse vallée du Var où un
modèle de sol est déjà disponible. La vallée est située entre Nice et Saint-Laurent-du-Var. Cette zone
constitue un bassin sédimentaire fluvial de 2 km de large, où des effets de site ont été observés sur les
enregistrements sismiques. Elle est située dans la partie la plus sismique de la région métropolitaine, elle
présente une accélération maximale de référence au rocher de 1,6 m/s².
Des études géologiques antérieures indiquent que la vallée est remplie de dépôts alluviaux récents,
recouverts par une épaisse accumulation de conglomérats deltaïques pliocènes. L’épaisseur des sédiments
quaternaires atteint mètres de profondeur à l’embouchure du Var (Courboulex et al., ). Un modèle
géologique 3D de la vallée a été établi par (Rohmer et al., ) à partir de données de forages et
d’enregistrements de vibrations ambiantes ponctuelles (Figure 1). forages sont disponibles. Tous ont été
analysés afin de définir pour chacun d’entre eux les profondeurs des couches de sol définies dans la colonne
litho-stratigraphique type indiquée en figure 2.
Ensuite, la méthode sera appliquée sur le site d’Aix-en-Provence. Pour cela, il sera nécessaire d’établir une
base de données de logs lithologiques (voir figure 3), puis de les faire analyser et taguer par des géologues
avant de réaliser l’apprentissage.
Figure 2: Colonne de sol litho-stratigraphique type de la
basse vallée du var.
Figure 1: Profondeur des sédiments avec la localisation des
données de forage et les mesures de vibrations ambiantes sur
la carte de gauche. Deux sections géologiques issues de ce
modèle sont illustrées à droite, le profile A au niveau de la
préfecture de Nice et le profil B au nord du stade Allianz-Riviera.
Figure 3: Exemple d’image de forages lithologiques issue de la BSS
et situé sur la commune d’Aix-en-Provence.

Références
Courboulex, F. et al. “Strong Site Effect Revealed by a New Broadband Seismometer on the
Continental Shelf Offshore Nice Airport (Southeastern France),” Pure and Applied Geophysics, pp. 1–
20.
Kim, H.-S. and Ji, Y. “Three-dimensional geotechnical-layer mapping in Seoul using borehole database
and deep neural network-based model,” Engineering Geology,, p. .
Rohmer, O. et al. “Combining borehole log-stratigraphies and ambient vibration data to build a 3D
Model of the Lower Var Valley, Nice (France),” Engineering Geology, p.
Wang, Y., Shi, C. and Li, X. “Machine learning of geological details from borehole logs for development
of high-resolution subsurface geological cross-section and geotechnical analysis,” Georisk: Assessment
and Management of Risk for Engineered Systems and Geohazards, 16, pp. 2–20. doi:
10./...
Tachella, J., Terris, M., Hurault, S., Wang, A., Chen, D., Nguyen, M. H., ... & Weiss, P.. Deepinverse: A
python package for solving imaging inverse problems with deep learning. arXiv preprint
arXiv:..

Profile

Master 2 en science de la données. L’étudiant doit maîtriser les algorithmes d’intelligence artificielle, notamment en machine learning et deep learning. Des connaissances en géologie et géotechnique seront également considérées comme un atout majeur.

Starting date

-02-02