Deep learning for seismic velocity estimation and mapping from sparse data in underground environment

Apprentissage profond pour l’estimation et la cartographie des vitesses sismiques à partir de données éparses en environnement souterrain

¹ Aquila Data Enabler, 92400 Courbevoie, France
² SpotLight, 91300 Massy, France
³ Andra, 92298 Châtenay-Malabry Cedex, France

^* Corresponding author: This email address is being protected from spambots. You need JavaScript enabled to view it.

Abstract

Characterizing rocks around underground engineered structures without drilling requires weakly intrusive sensing and methods able to exploit sparse, non-conventional seismic data. This constraint is particularly strong in High Level Waste (HLW) cells, where sensor placement is limited by design requirements and by the need to preserve the surrounding rock, resulting in reduced illumination and data that are not well suited to standard data processing. To explore alternatives, a learning-based inversion framework was developed using stochastic velocity models, finite-difference simulations and spectral conditioning. A U-Net architecture trained on numerous synthetic datasets reconstructs coherent velocity maps despite sparse geometries, illustrating both the potential and the current limitations of deep learning approaches for such constrained underground acquisitions.

Résumé

Caractériser la roche autour d’ouvrages souterrains sans recourir à des forages impose des dispositifs faiblement intrusifs et des méthodes capables d’exploiter des données sismiques non conventionnelles. Cette contrainte est marquée dans les alvéoles HA (Haute Activité), où la pose des capteurs est fortement limitée par le concept de stockage et la préservation de la roche, rendant ces données peu adaptées à une tomographie classique. Pour explorer des alternatives, un schéma d’inversion par apprentissage a été développé à partir de nombreux modèles stochastiques de vitesse, de simulations en différences finies et d’un conditionnement spectral. Entraîné sur ces jeux synthétiques, un réseau U-Net a reconstruit des cartes de vitesse cohérentes malgré la géométrie contrainte des données d’entrée, illustrant le potentiel et les limites actuelles des approches d’apprentissage profond dans ce type d’acquisition.