KNOXVILLE, TN, 9 janvier 2026 /24-7PressRelease/ -- Une nouvelle synthèse de la recherche sismique montre que l'intelligence artificielle, combinée aux principes physiques, transforme rapidement la manière dont les scientifiques imagent les structures peu profondes et crustales de la Terre. En intégrant l'IA à l'ensemble du flux de travail d'analyse des ondes de surface — de l'extraction automatisée des signaux à l'inversion et l'interprétation — les chercheurs démontrent des gains majeurs en vitesse, cohérence et évolutivité. Dans le même temps, l'étude avertit que les modèles purement basés sur les données peuvent produire des résultats dépourvus de sens physique, même lorsqu'ils semblent précis. Les résultats soulignent la nécessité de cadres d'IA guidés par la physique qui équilibrent l'efficacité computationnelle avec l'interprétabilité, offrant une base plus fiable pour l'imagerie sismique dans la recherche et les applications réelles.

Les méthodes par ondes de surface sont largement utilisées pour sonder les structures souterraines car la dispersion des ondes relie naturellement la fréquence à la profondeur. Pourtant, les flux de travail traditionnels restent lents, subjectifs et exigeants en calcul, reposant fortement sur l'interprétation manuelle et l'inversion itérative. Ces défis limitent leur utilisation dans les réseaux de surveillance denses et les applications d'ingénierie sensibles au temps. L'intelligence artificielle est apparue comme une alternative puissante, permettant l'automatisation et des accélérations spectaculaires. Cependant, de nombreuses approches basées sur l'IA fonctionnent comme des boîtes noires, soulevant des inquiétudes quant à la fiabilité physique et à la généralisation à travers différents contextes géologiques. Face à ces défis, il y a un besoin clair de mener des recherches approfondies sur la manière dont l'IA peut être intégrée avec des contraintes physiques pour garantir une inversion sismique fiable.

Dans une revue publiée (DOI : 10.1016/j.bdes.2025.100039) le 28 novembre 2025 dans Big Data and Earth System, des chercheurs de l'Université de Technologie du Zhejiang, de l'Université du Zhejiang et de l'Université des Sciences et Technologies de l'Anhui examinent comment l'intelligence artificielle redéfinit les méthodes sismiques par ondes de surface. L'article passe en revue les avancées récentes dans l'analyse automatisée de la dispersion, l'inversion basée sur l'apprentissage profond, la modélisation guidée par la physique et l'IA explicable. En comparant systématiquement les modèles de sensibilité basés sur les données avec la théorie sismique classique, les auteurs évaluent à la fois les promesses et les limites actuelles de l'imagerie sismique pilotée par l'IA.

La revue montre que l'IA a redéfini presque chaque étape de l'analyse des ondes de surface. Les modèles d'apprentissage profond peuvent désormais extraire automatiquement les informations de dispersion à partir de données sismiques complexes, éliminant le besoin d'un fastidieux choix manuel. Une fois entraînés, les réseaux de neurones peuvent inverser les mesures de dispersion en modèles de vitesse des ondes de cisaillement bien plus rapidement que les méthodes d'optimisation traditionnelles, rendant l'imagerie à grande échelle réalisable.

De manière cruciale, l'étude souligne que la vitesse seule ne suffit pas. En comparant les jacobiennes dérivées des réseaux avec les noyaux de sensibilité physique classiques, les auteurs révèlent que certains modèles d'IA s'appuient sur des corrélations statistiques plutôt que sur des relations profondeur-fréquence physiquement significatives. Ce décalage peut conduire à des interprétations trompeuses, en particulier dans les plages de profondeur mal contraintes.

La revue met également en lumière des solutions émergentes. Les modèles guidés par la physique et informés par la physique intègrent des connaissances géologiques ou des équations gouvernantes dans la conception des réseaux, améliorant la stabilité et l'interprétabilité. Une étude de cas présentée démontre comment l'analyse des caractéristiques assistée par l'IA peut aider à identifier les cavités karstiques souterraines à partir des modèles de vitesse sismique de manière plus objective que l'inspection manuelle. Ensemble, ces résultats montrent que l'IA est la plus puissante lorsqu'elle complète — plutôt qu'elle ne remplace — la compréhension physique.

« L'IA a clairement changé ce qui est possible sur le plan computationnel en imagerie sismique, mais la précision seule ne suffit pas », notent les auteurs. « Sans cohérence physique, des résultats rapides peuvent toujours être trompeurs. Notre comparaison entre les sensibilités basées sur les données et physiques montre pourquoi l'interprétabilité doit devenir un composant central de l'inversion basée sur l'IA. L'apprentissage guidé par la physique offre une voie pratique à suivre, permettant aux modèles d'IA de rester efficaces tout en préservant les relations fondamentales qui régissent la propagation des ondes. »

Les méthodes par ondes de surface utilisant une IA guidée par la physique pourraient considérablement améliorer les applications allant de l'évaluation des risques urbains et de la planification des infrastructures à la surveillance des eaux souterraines et aux études environnementales. Des flux de travail plus rapides et automatisés permettent une analyse en quasi-temps réel à partir de réseaux de capteurs denses, y compris les systèmes émergents de détection acoustique distribuée. Dans le même temps, les modèles d'IA interprétables aident les praticiens à identifier l'incertitude et à éviter une confiance excessive dans les résultats automatisés. Alors que les ensembles de données standardisés et les architectures informées par la physique continuent de se développer, l'imagerie sismique pilotée par l'IA est sur le point de passer de l'innovation expérimentale à une pratique de routine et fiable dans les sciences de la Terre et l'ingénierie.

Références
DOI
10.1016/j.bdes.2025.100039

URL de la source originale
https://doi.org/10.1016/j.bdes.2025.100039

Informations sur le financement
Cette étude est financée par la Fondation nationale des sciences naturelles de Chine (subvention n° 42304155) et la Fondation des sciences naturelles de la province du Zhejiang en Chine (subvention n° LMS25D040001).

À propos du journal
Big Data and Earth System

Chuanlink Innovations, où les idées révolutionnaires rencontrent leur véritable potentiel. Notre nom, ancré dans l'essence de la transmission et de la connexion, reflète notre engagement à favoriser l'innovation et à faciliter le parcours des idées de la conception à la réalisation.

Lien connexe :
http://chuanlink-innovations.com

Avertissement : Cette traduction a été générée automatiquement par NewsRamp™ pour 24-7 Press Release (collectivement désignés sous le nom de "LES ENTREPRISES") en utilisant des plateformes d'intelligence artificielle génératives accessibles au public. LES ENTREPRISES ne garantissent pas l'exactitude ni l'intégralité de cette traduction et ne seront pas responsables des erreurs, omissions ou inexactitudes. Vous vous fiez à cette traduction à vos propres risques. LES ENTREPRISES ne sont pas responsables des dommages ou pertes résultant de cette confiance. La version officielle et faisant autorité de ce communiqué de presse est la version anglaise.