MEGA - ANR 2023
ABYSS - ERC 2022
INSeiS - ANR 2022
HOPE - ERC 2022
OSMOSE - ANR 2022
LisAlps - ANR 2021
NILAFAR - ANR PRC 2021
EARLI - ERC 2021
WIND - Consortium Pétrolier 2020
S5 - ANR 2019
MARACAS - ANR 2018
Et aussi...
previous arrow
next arrow
 
MEGA - ANR 2023
ABYSS - ERC 2022
INSeiS - ANR 2022
HOPE - ERC 2022
OSMOSE - ANR 2022
LisAlps - ANR 2021
NILAFAR - ANR PRC 2021
EARLI - ERC 2021
WIND - Consortium Pétrolier 2020
S5 - ANR 2019
MARACAS - ANR 2018
Et aussi...
previous arrow
next arrow

NILAFAR ImageLRLes modèles numériques qui synthétisent nos connaissances du système climatique prévoient pour les décennies à venir des variations extrêmes du cycle de l'eau qui auront un impact sur les ressources naturelles et les populations. Dans la corne de l’Afrique, depuis plusieurs milliers d’années, des périodes de fortes et faibles moussons ont déterminé la disponibilité en eau dans les basses terres, ce qui a affecté drastiquement les dynamiques de peuplement humain. Comment ces populations se sont-elles adaptées à ces changements plus ou moins rapides de disponibilité en eau depuis 20,000 ans ? Comment l’homme s’adaptera aux changements climatiques et environnementaux futurs ?

Le projet NILAFAR vise à quantifier les fluctuations hydrologiques et à documenter leurs conséquences sur les communautés humaines, à la transition entre le monde des chasseurs-cueilleurs et le monde des agro-pasteurs, au cours des 20,000 dernières années, en Afrique du nord-est (en région Afar, Ethiopie & Djibouti). Il vise aussi à acquérir une meilleure compréhension des mécanismes à l’origine des fluctuations de la mousson africaine et des épisodes d’hyperaridités qui se sont installés en quelques centaines d’années dans le passé.

logo EARLINatural hazards such as earthquakes are difficult to predict. Dramatic developments in the field of artificial intelligence (AI), however, are paving the way for anticipating destructive events. The EU-funded EARLI project will use AI to identify weak, early seismic signals to both speed up early warning and explore the possibility of earthquake prediction. Specifically, it will implement an early-warning approach based on a newly identified signal, caused by the perturbation of the gravity field generated by an earthquake, which is ~6 orders of magnitude smaller than seismic waves (strongly limiting its detection with standard techniques), but precedes them. The second, more exploratory, objective will be to adapt the developed AI algorithm to search for even earlier signals preceding the origin of large earthquakes.
 

WIND IconLe projet WIND a pour objectif de développer des méthodes d'imagerie sismique plus particulièrement adaptées à des dispositifs d'acquisition mis en oeuvre avec des parcs de stations sismiques (terrestres ou sous-marines) autonomes. Le fait que le dispositif de réception est fixe par rapport à celui des sources donne la flexibilité nécessaire pour positionner les capteurs par rapport aux sources avec des déports variables de manière à ce que les ondes enregistrées interagissent avec les hétérogénéités du sous sol de manière variée par transmission, réflexion ou diffraction. Le riche éclairage angulaire du sous-sol qui en découle  constitue un facteur favorable à une imagerie haute résolution multi-paramètre sous réserve que la méthode d'imagerie puisse assimiler la richesse de l'information contenue dans les mesures sismiques. Dans ce contexte, nous développons des méthodes d'imagerie par inversion de formes d'ondes complètes (FWI: Full Waveform Inversion) qui visent à reconstruire les propriétés constitutives du sous-sol en minimisant une distance entre les données enregistrées et leur analogues simulées numériquement.  Trois difficultés majeures sont à surmonter: (1) la nonlinéarité du problème inverse nécessitant de concevoir de nouvelles distances ou stratégies d'optimisation visant à étendre le régime linéaire de l'inversion ou l'espace de recherche. L'approche que nous développons repose sur la méthode de reconstruction de champs d'onde qui introduit une relaxation de l'équation d'onde généré par un terme de rappel aux observations pour mieux ajuster ces dernières lors du problème direct. (2) La non unicité de la solution résultant de l'éclairage incomplet du sous-sol depuis la surface nécessitant d'incorporer des a priori dans le processus inverse sous forme de contraintes ou de régularisations. Nous développons une librairie de régularisation incluant des functions non lisses (localement non différentiables) implémentées avec des algorithmes proximaux. (3) Le coût calculatoire de la simulation numérique des ondes dans des modèles de Terre en trois dimensions nécessitant l'utilisation maitrisée du calcul scientifique haute performance. Nous développons des algorithmes de simulation des ondes dans les domaines temps-espace et fréquence-espace où le problème numérique à résoudre est de nature très différente (problème d'évolution versus problème de condition aux limites). Dans le domaine fréquentiel, nous utilisons à la fois des méthodes directes fondées sur des solveurs multifrontaux tels que MUMPS et des méthodes hybrides fondées sur des préconditionneurs par décomposition en domaine. Nous développons également des méthodes tomographiques où les pentes d'évènements localement cohérents sont utilisées conjointement au temps de trajet des ondes pour améliorer la résolution des modèles et mieux poser le problème inverse via l'information supplémentaire fournie par les pentes. Ces modèles peuvent être utilisés comme modèles de réference ou modèles initiaux pour la migration avant-sommation profondeur et la FWI. On s'intéresse également au problème du design de l'acquisition qui doit se formuler comme un problème inverse. C'est un enjeu important pour des dispositifs de "nodes" où le nombre d'instruments est nécessairement limité et où il s'agit de minimiser l'empreinte de l'acquisition dans l'imagerie.

WIND Figure
Seismic imaging of a north sea oil and gas field by frequency-domain FWI (Full Waveform Inversion). (a) Slice across sand channel deposits at 175 m depth (vertical wavespeed). (b) Same as (a) across a gas cloud at 1km depth. (c-d) Vertical sections across the gas cloud (c) and its periphery (d) (vertical wavespeed). (e-f) Reflectivity images (sum of horizontal and vertical derivatives) of (c-d). (g-f) Vertical section of quality factor across (g) and away (h)  the gas cloud. (i) Wavefield simulation with the MUMPS multifrontal solver. Frequency is 13 Hz. Number of unknowns is 45 millions.
 

 

Site web : https://www.geoazur.fr/WIND
Financement: consortium de compagnies pétrolières (Chevron, Shell, Total), 405k€ sur 3 ans
PI: Stéphane Operto (email: operto@geoazur.unice.fr; tel: 04 83 61 87 52); Hossein Aghamiry (email: aghamiry@geoazur.unice.fr)
Sponsors: Chevron, Shell, Total.
Collaborations académiques: LJAD (UCA), LJLL (Sorbonne University), ENSEEIHT (Université de Toulouse), MUMPS-consortium, University of Tehran.
Dates : Janvier 2020-Décembre 2023