Thèse de doctorat (2010)
|
Libre accès au plein texte de ce document Conditions d'utilisation: Tous droits réservés Télécharger (2MB) |
Résumé
Dans le cadre de cette thèse, deux algorithmes d‘inversion conjointe des données électriques et de radar en forage ont été développés. Le premier algorithme combine une approche basée sur l‘échange de l‘information structurale entre deux inversions séparées et une régularisation dans le domaine des ondelettes qui force la solution à avoir une représentation creuse des coefficients en ondelettes. Cette régularisation consiste à appliquer un algorithme de seuillage doux à chaque itération d‘un algorithme de descente. L‘opération de seuillage nécessite le calcul de seuils qui sont déterminés dans notre cas en maximisant un critère de similarité structurale entre les modèles de résistivité et de lenteur. Comme la régularisation dans le domaine des ondelettes permet la reconstruction des discontinuités de contraste fort ainsi que les zones homogène, nous proposons d‘utiliser le détecteur de contours Canny pour extraire l‘information structurale de chaque modèle. Les contours ainsi détectés sont utilisés pour construire des matrices de pondération qui sont appliquées à la matrice de rugosité de chaque inversion séparée. Pour valider cet algorithme trois modèles synthétiques ont été utilisés. Les résultats montrent que celui-ci permet d‘améliorer la résolution spatiale, ainsi qu‘une meilleure estimation des propriétés physiques, en comparaison avec l‘inversion séparée. De plus, il présente l‘avantage d‘être très robuste lorsque le niveau du bruit est élevé. Dans le deuxième algorithme, on propose de combiner une inversion coopérative par zonation et une approche bayésienne hiérarchique. L‘inversion coopérative par zonation consiste à utiliser séquentiellement une approche de classification non-hiérarchique 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 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.
Abstract
We present two joint structural inversion algorithm for cross-hole electrical resistance tomography (ERT) and cross-hole radar travel time tomography (RTT). The first algorithm proceeds by combining the exchange of structural information and a regularization method that consists of imposing an L1-norm penalty in the wavelet domain. The minimization of the L1-norm penalty is carried out using an iterative soft-thresholding algorithm. The thresholds are estimated by maximizing a structural similarity criterion, which is a function of the two (ERT and RTT) inverted models. Besides, the regularization in the wavelet basis allows for the possibility of sharp discontinuities superimposed on a smoothly varying background. Hence the structural information is extracted from each model using a Canny edge detector. The detected edge serves to construct a weighting matrix that is used to alter the smoothness matrix constraint. To validate our methodology and its implementation, three synthetic models were created. Experiments demonstrate that the proposed approach improves the spatial resolution and quantitative estimation of physical parameters. In addition, it seems to be more robust in high noise level condition. In the second algorithm, we propose to combine a zonal cooperative inversion (ZCI) scheme with a hierarchical Bayesian approach, in order to invert cooperatively cross-hole ERT data and cross-hole radar travel time data. The basic idea of ZCI is to use cooperatively cluster analysis and separate inversion algorithm. For each iteration cluster analysis of separate inversion results is used to construct models that contain the parameter characteristics of dominant subsurface structures. These constructed models are then used as starting model in the next iteration of separate inversion. The resulting models are then biased to starting models which are a function of the number of clusters. To overcome this problem, we formulate the inverse problem within a hierarchical Bayesian framework where the hierarchical prior distribution is based on the a priori models constructed from cluster analysis.
Département: | Département des génies civil, géologique et des mines |
---|---|
Programme: | Génie minéral |
Directeurs ou directrices: |
Michel C. Chouteau |
URL de PolyPublie: | https://publications.polymtl.ca/407/ |
Université/École: | École Polytechnique de Montréal |
Date du dépôt: | 29 nov. 2010 14:46 |
Dernière modification: | 07 avr. 2024 17:40 |
Citer en APA 7: | Bouchedda, A. (2010). Inversion conjointe des données électriques et de radar en forage [Thèse de doctorat, École Polytechnique de Montréal]. PolyPublie. https://publications.polymtl.ca/407/ |
---|---|
Statistiques
Total des téléchargements à partir de PolyPublie
Téléchargements par année
Provenance des téléchargements