Modèle génératif pour l'interprétation géologique d'images tomographiques en Géosciences - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

Modèle génératif pour l'interprétation géologique d'images tomographiques en Géosciences

Résumé

Solving an inverse problem in physical sciences can involve exploring all possible models. We propose here to train a neural network to reproduce physical simulations. This network is then used to sample the set of models explaining the observed data. We use this approach to fit geological models of upper mantle called marble cakes on tomographic data. We show that the generated images are statistically close to the theoretical models and we get the result of the inversion as a distribution.
-La résolution d'un problème inverse en sciences physiques peut passer par l'exploration de l'ensemble des modèles possibles. Nous proposons ici d'entraîner un réseau de neurones à reproduire des simulations physiques. Ce réseau est ensuite utilisé pour échantillonner l'ensemble des modèles expliquant les données observées. Nous le mettons en oeuvre pour ajuster des modèles géologiques de manteau supérieur appelés gâteaux marbrés sur des données tomographiques. Nous montrons que les images générées sont statistiquement proches des modèles théoriques et nous obtenons le résultat de l'inversion sous forme d'une distribution.
Fichier principal
Vignette du fichier
santos1160-2.pdf (831.75 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Licence : CC BY - Paternité

Dates et versions

hal-04248394 , version 1 (18-10-2023)

Licence

Paternité

Identifiants

  • HAL Id : hal-04248394 , version 1

Citer

Theo Santos, Ferréol Soulez, Thomas Bodin. Modèle génératif pour l'interprétation géologique d'images tomographiques en Géosciences. Gretsi, Aug 2023, Grenoble, France. ⟨hal-04248394⟩
8 Consultations
9 Téléchargements

Partager

Gmail Facebook X LinkedIn More