Apprentissage automatique en géophysique
Les algorithmes d'apprentissage automatique (AA, ou IA) sont des outils puissants permettant de reconnaître des modèles dans des données multidimensionnelles. Ils constituent des méthodes efficaces pour produire des cartes géologiques, améliorer les cartes existantes et prédire les ressources du sous-sol. On distingue deux grandes catégories d'AA : les méthodes supervisées et non supervisées. Les méthodes supervisées utilisent des données d'entraînement, constituées d'un ensemble d'observations connues. Ces données permettent d'entraîner un modèle de classification (au sein des AA), ce qui nous permet de prédire l'appartenance à un groupe ou une classe d'échantillons jamais observés auparavant. Les méthodes non supervisées, quant à elles, ne disposent d'aucune donnée d'entraînement et identifient les groupes ou classes au sein des données. Les AA peuvent exploiter des données géophysiques, géochimiques, radiométriques, géologiques et de télédétection.
P.S. Conformément à la politique relative aux données réelles, les informations chiffrées ont été supprimées.
Cartographie géologique utilisant l'apprentissage automatique et les données géophysiques
De nombreux jeux de données (géophysiques, géochimiques et géologiques) couvrant la zone d'étude permettent une bonne connaissance du sous-sol. Cependant, l'intégration de ces nombreuses données peut complexifier leur interprétation. Les réseaux de neurones multicouches (RNM) permettent de surmonter cette difficulté grâce à une méthode automatique de reconnaissance des motifs dans les données. Les RNM sont des méthodes efficaces pour produire des cartes géologiques ou améliorer les cartes existantes. Ils débutent par un apprentissage, puis, une fois les motifs appris, sont appliqués aux jeux de données pour générer des prédictions dans le cadre de problèmes de classification et de régression basés sur les données. Les RNM présentent de bonnes performances pour la prédiction des catégories à partir des données d'apprentissage. Ils constituent l'une des méthodes les plus efficaces pour la prédiction et la classification des minéralisations, des unités lithologiques et des structures géologiques.
Apprentissage automatique et inversion géophysique
Alors que les inversions géophysiques reconstruisent les structures géologiques à partir des réponses physiques et des géométries, les méthodes d'apprentissage automatique exploitent les tendances dans les données pour fournir des prédictions et des classifications (par exemple, de la lithologie ou de la minéralisation). Pour une géométrie (structure) donnée, différentes propriétés physiques (telles que la densité, la conductivité, etc.) produisent différents types de données géophysiques. Cependant, lors de l'inversion, différents types de données géophysiques issues d'une même géométrie présentant des propriétés physiques différentes peuvent ne pas aboutir au même modèle. Par conséquent, les modèles géologiques reconstruits par inversion de données géophysiques peuvent différer. C'est là que les algorithmes d'apprentissage automatique peuvent identifier les tendances dans les modèles afin de proposer un modèle unique par classification.