Imagerie de subsurface à partir d'une approche géophysique multi-méthode basée sur l'inversion coopérative 2 D : Nouvelle formulation théorique et applications numériques et expérimentales sur des données électriques et sismiques

Pour mieux comprendre les résultats géophysiques en termes de géologie, il est important d’utiliser différents types de données acquises par plusieurs méthodes. Une seule méthode géophysique n’a pas nécessairement la résolution suffisante pour expliquer la géologie. Avec une seule méthode, il peut être difficile de donner un sens géologique aux anomalies observées dans les modèles. L’inversion coopérative, en revanche, est une approche permettant de combiner des données de différentes natures. L’inversion conjointe peut être réalisée de deux façons : structurale ou petrophysique. On peut subdiviser les inversions conjointes en deux groupes : l’inversion conjointe de méthodes sensibles au même paramètre physique, et l’inversion coopérative de méthodes sensibles aux paramètres de natures différentes, comme l’électrique et la sismique. Dans ce travail de thèse, on propose de combiner une inversion coopérative par zonation et une méthode Gauss-Newton de minimisation de la fonction coût. L’inversion coopérative par zonation consiste à utiliser séquentiellement une approche de classification non-hiérarchique fuzzy c-means (FCM) et un algorithme d’inversion séparée. Dans un processus itératif, l’algorithme de classification non-hiérarchique est appliqué sur les résultats obtenus par inversion séparée pour générer des modèles composés de plusieurs zones homogènes représentant chacune une certaine lithologie du milieu investigué. Les modèles ainsi construits sont ensuite utilisés comme modèles a priori dans l’expression du terme de covariance a priori sur l’espace des modèles dans une nouvelle étape d’inversion séparée. La solution obtenue par une telle approche peut être biaisé vers le modèle a priori qui est fonction du nombre de classes dans l’algorithme de classification non-hiérarchique. Pour résoudre ce problème, nous proposons l’utilisation d’un paramètre de régularisation choisi par une méthode dérivée de la méthode L-curve qui permet de pondérer l’impact du modèle a priori sur la solution dans le cas où la géologie ne se prête pas à une segmentation des modèles et de réduire l’effet du biais que pourrait introduire un mauvais a priori. Le choix du nombre de classes pour la construction du modèle a priori est ainsi également rendu moins crucial. La méthodologie développée durant cette thèse est testée et validée sur deux modèles synthétiques. Une application est réalisée sur des données réelles acquises dans le cadre d’un projet de recherche de l’agence nat