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