Bienvenue aux Mines Paristech
Bienvenue à MINES ParisTech
Newsletter International
Website
Théorie & Pratique
Vous êtes

webTV

Lecture

Séminaire PSL - Écosystèmes de médias I Session 4 Partie 4

Lecture

Séminaire PSL - Écosystèmes de médias I Session 4 Partie 2

Lecture

Séminaire PSL - Écosystèmes de médias I Session 4 Partie 3

Lecture

Séminaire PSL - Écosystèmes de médias I Session 4 Partie 1

Lecture

Lancement de la Chaire DEEP unissant HUTCHINSON, l'ESPCI et MINES ParisTech

+ Toutes les vidéos

Partager

Keurfon LUU - Soutenance de thèse MINES ParisTech

Keurfon LUU

Optimisation numérique stochastique évolutionniste : application aux problèmes inverses de tomographie sismique

Titre anglais : Numerical optimization using stochastic evolutionary algorithms: application to seismic tomography inverse problems
Date de soutenance : 28/09/18
Directeur de thèse : Mark NOBLE

Mots clés en français : algorithme évolutionniste,tomographie sismique,problème inverse,calcul haute performance,intelligence artificielle,
Mots clés en anglais : evolutionary algorithm,seismic tomography,inverse problem,high performance computing,artificial intelligence,

Résumé de la thèse en français
La tomographie sismique des temps de trajet est un problème d'optimisation mal-posé du fait de la non-linéarité entre les temps et le modèle de vitesse. Par ailleurs, l'unicité de la solution n'est pas garantie car les données peuvent être expliquées par de nombreux modèles. Les méthodes de Monte-Carlo par Chaînes de Markov qui échantillonnent l'espace des paramètres sont généralement appréciées pour répondre à cette problématique. Cependant, ces approches ne peuvent pleinement tirer partie des ressources computationnelles fournies par les super-calculateurs modernes. Dans cette thèse, je me propose de résoudre le problème de tomographie sismique à l'aide d'algorithmes évolutionnistes. Ce sont des méthodes d'optimisation stochastiques inspirées de l'évolution naturelle des espèces. Elles opèrent sur une population de modèles représentés par un ensemble d'individus qui évoluent suivant des processus stochastiques caractéristiques de l'évolution naturelle. Dès lors, la population de modèles peut être intrinsèquement évaluée en parallèle ce qui rend ces algorithmes particulièrement adaptés aux architectures des super-calculateurs. Je m'intéresse plus précisément aux trois algorithmes évolutionnistes les plus populaires, à savoir l'évolution différentielle, l'optimisation par essaim particulaire, et la stratégie d'évolution par adaptation de la matrice de covariance. Leur faisabilité est étudiée sur deux jeux de données différents: un jeu réel acquis dans le contexte de la fracturation hydraulique et un jeu synthétique de réfraction généré à partir du modèle de vitesse Marmousi réputé pour sa géologie structurale complexe.

Résumé de la thèse en anglais
Seismic traveltime tomography is an ill-posed optimization problem due to the non-linear relationship between traveltime and velocity model. Besides, the solution is not unique as many models are able to explain the observed data. The non-linearity and non-uniqueness issues are typically addressed by using methods relying on Monte Carlo Markov Chain that thoroughly sample the model parameter space. However, these approaches cannot fully handle the computer resources provided by modern supercomputers. In this thesis, I propose to solve seismic traveltime tomography problems using evolutionary algorithms which are population-based stochastic optimization methods inspired by the natural evolution of species. They operate on concurrent individuals within a population that represent independent models, and evolve through stochastic processes characterizing the different mechanisms involved in natural evolution. Therefore, the models within a population can be intrinsically evaluated in parallel which makes evolutionary algorithms particularly adapted to the parallel architecture of supercomputers. More specifically, the works presented in this manuscript emphasize on the three most popular evolutionary algorithms, namely Differential Evolution, Particle Swarm Optimization and Covariance Matrix Adaptation - Evolution Strategy. The feasibility of evolutionary algorithms to solve seismic tomography problems is assessed using two different data sets: a real data set acquired in the context of hydraulic fracturing and a synthetic refraction data set generated using the Marmousi velocity model that presents a complex geology structure.

Retour à l'annuaire des docteurs

actualité

La finance au service du climat

Formation La finance au service du climat Et si l’Europe décidait de mettre la finance au service…
> En savoir +

Employabilité des diplômés

Formation Employabilité des diplômés Dans l'édition 2018 du Global Employability University Ranking , publiée le 14 novembre…
> En savoir +

#PACTE : un nouveau statut pour l'entreprise

Formation #PACTE : un nouveau statut pour l'entreprise Votée le 9 octobre 2018, en première lecture à…
> En savoir +

Les nouveaux visages de MINES ParisTech

Formation Les nouveaux visages de MINES ParisTech Conformément aux nouvelles orientations de son Plan…
> En savoir +

Peut-on apprendre à sauver la planète ?

Formation Peut-on apprendre à sauver la planète ? Faut-il être un « super héros » pour changer le monde ? Il faut…
> En savoir +

+ Toutes les actualités

agenda

Du 18 septembre au 14 décembre 2018 Musique aux Mines 2018

Du 1 octobre 2018 au 31 janvier 2019 Mai 68 aux Mines

Le 19 décembre 2018 Réduire le gaspillage & manger à petit prix

+ Tous les événements

contact

Régine MOLINS
Direction de l'Enseignement
Service du Doctorat
> envoyer un mail

Plan du site
MINES
ParisTech

60, Boulevard Saint-Michel
75272 PARIS Cedex 06
Tél. : +33 1 40 51 90 00

Implantations
Formation
Mentions légales | efil.fr | ©2012 MINES ParisTech | +33 1 40 51 90 00 |