Surveillance microsismique du sous-sol profond et intelligence artificielle : l’Ineris développe un outil d’analyse de données par machine learning 7 décembre 2023 La surveillance microsismique trouve de nombreuses applications dans le domaine de la prévention des risques naturels et industriels. Elle s'est particulièrement développée dans le contrôle de l’exploitation des mines ou des réservoirs d’hydrocarbures*. Elle repose sur l’enregistrement et l’analyse de signaux, provenant de stations de surface (Figure 1), ou en forages répartis autour de la zone d’intérêt à surveiller. Station de surveillance microsismique Figure 1. Effets potentiels d’une instabilité sur les enjeux de surface à surveiller à l’aide d’un dispositif de surveillance microsismique Dans le cas de la gestion du risque associés aux mouvements de terrains liés à d’anciennes mines souterraines, par exemple, elle a pour objectif de détecter des signes précurseurs d’instabilité au niveau des ouvrages souterrains. Les capteurs enregistrent de très nombreux signaux (Figure 2) dont une part non négligeable n’a aucun lien avec un événement réel. Cette abondance de signaux à traiter constitue une charge lourde et fastidieuse pour la surveillance en temps réel. Figure 2 : Exemples des différents types de signaux à traiter Pour améliorer et fiabiliser ces traitements, l’Ineris a développé un outil innovant d'analyse de données par méthode de Machine Learning, entrainé sur la base des centaines d’évènements déjà disponibles dans la base de données du Cenaris, le Centre National de Surveillance des Risques du Sol et du Sous-Sol créé par l’Ineris en 2006. Différents types de réseaux neuronaux adaptés aux signaux temporels** ont été testés afin de déterminer l’assemblage et les paramétrages optimaux. Il s’agit de (Figure 3) : réseau de neurones CNN à convolution 1D avec plusieurs couches (1 à 10 couches testées) ; réseau de type LSTM (Long-Short-Term Memory Networks) ; réseau de type Inception (CNN multiples et profonds). Figure 3 : Schémas classiques des réseaux testés L’apprentissage est de type classification supervisée, c’est-à-dire que le classement des signaux servant à l’entrainement des modèles est connu. Deux critères de convergence principaux ont été appliqués : 1. Maximiser le nombre d’évènements réels reconnus (vrais positifs) ; 2. Minimiser le nombre de faux négatifs. Une fois optimisés, ces modèles permettent donc d’identifier les évènements réels pour déclencher des alarmes et alertes dans le but de protéger les biens et les personnes. Les meilleurs d’entre eux sont capables de classer correctement les évènements détectés, et en temps réel, avec une fiabilité supérieure à 98%, constituant ainsi une aide précieuse à la surveillance opérationnelle du centre Cenaris opéré par l’Ineris. Références bibliographiques (*) Contrucci, I. et Klein, E. (2017), Etat des connaissances concernant les aléas et les risques liés à la sismicité anthropique, rapport INERIS DRS-17-149681-07390D. (**) Jorge L. Reyes-Ortiz, Alessandro Ghio, Luca Oneto, Davide Anguita and Xavier Parra. (2013). Human Activity Recognition on Smartphones Using a Multiclass Hardware-Friendly Support Vector Machine. International Workshop on Ambient Assisted Living
Surveillance microsismique du sous-sol profond et intelligence artificielle : l’Ineris développe un outil d’analyse de données par machine learning 7 décembre 2023 La surveillance microsismique trouve de nombreuses applications dans le domaine de la prévention des risques naturels et industriels. Elle s'est particulièrement développée dans le contrôle de l’exploitation des mines ou des réservoirs d’hydrocarbures*. Elle repose sur l’enregistrement et l’analyse de signaux, provenant de stations de surface (Figure 1), ou en forages répartis autour de la zone d’intérêt à surveiller. Station de surveillance microsismique Figure 1. Effets potentiels d’une instabilité sur les enjeux de surface à surveiller à l’aide d’un dispositif de surveillance microsismique Dans le cas de la gestion du risque associés aux mouvements de terrains liés à d’anciennes mines souterraines, par exemple, elle a pour objectif de détecter des signes précurseurs d’instabilité au niveau des ouvrages souterrains. Les capteurs enregistrent de très nombreux signaux (Figure 2) dont une part non négligeable n’a aucun lien avec un événement réel. Cette abondance de signaux à traiter constitue une charge lourde et fastidieuse pour la surveillance en temps réel. Figure 2 : Exemples des différents types de signaux à traiter Pour améliorer et fiabiliser ces traitements, l’Ineris a développé un outil innovant d'analyse de données par méthode de Machine Learning, entrainé sur la base des centaines d’évènements déjà disponibles dans la base de données du Cenaris, le Centre National de Surveillance des Risques du Sol et du Sous-Sol créé par l’Ineris en 2006. Différents types de réseaux neuronaux adaptés aux signaux temporels** ont été testés afin de déterminer l’assemblage et les paramétrages optimaux. Il s’agit de (Figure 3) : réseau de neurones CNN à convolution 1D avec plusieurs couches (1 à 10 couches testées) ; réseau de type LSTM (Long-Short-Term Memory Networks) ; réseau de type Inception (CNN multiples et profonds). Figure 3 : Schémas classiques des réseaux testés L’apprentissage est de type classification supervisée, c’est-à-dire que le classement des signaux servant à l’entrainement des modèles est connu. Deux critères de convergence principaux ont été appliqués : 1. Maximiser le nombre d’évènements réels reconnus (vrais positifs) ; 2. Minimiser le nombre de faux négatifs. Une fois optimisés, ces modèles permettent donc d’identifier les évènements réels pour déclencher des alarmes et alertes dans le but de protéger les biens et les personnes. Les meilleurs d’entre eux sont capables de classer correctement les évènements détectés, et en temps réel, avec une fiabilité supérieure à 98%, constituant ainsi une aide précieuse à la surveillance opérationnelle du centre Cenaris opéré par l’Ineris. Références bibliographiques (*) Contrucci, I. et Klein, E. (2017), Etat des connaissances concernant les aléas et les risques liés à la sismicité anthropique, rapport INERIS DRS-17-149681-07390D. (**) Jorge L. Reyes-Ortiz, Alessandro Ghio, Luca Oneto, Davide Anguita and Xavier Parra. (2013). Human Activity Recognition on Smartphones Using a Multiclass Hardware-Friendly Support Vector Machine. International Workshop on Ambient Assisted Living
Augustin Colette, spécialiste en modélisation atmosphérique à l’Ineris, nommé auteur pour les prochains travaux du Giec 11 décembre 2024
