Soutenance mémoire
L’apprentissage du système de RNA utilisé
INTRODUCTION
Développées dans les années 60 pour l’exploration minière, les méthodes électromagnétiques en géophysiques constituent un outil robuste pour la détection des métaux de base sous forme massive. Les gisements de sulfure massive constituent une cible de choix pour les industries grâce à leur excellente conductivité, d’où l’intérêt et l’importance de la recherche et du développement des techniques d’acquisition électromagnétiques.La configuration InfiniTEM est une technique d’acquisition électromagnétique qui opère dans le domaine de temps (TDEM), cette technique est développée conjointement par Abitibi Géophysique inc. et SOQUEM inc. La configuration InfiniTEM est bien adaptée pour les cibles profondes (supérieur à 400 mètres de profondeur) peu importe les conditions du terrain. Elle présente de précieux avantages comparant aux autres configurations traditionnelles grâce à l’intensité du champ primaire qui est presque doublée en profondeur et grâce aussi au couplage minime avec le mort terrain.Afin de bien exploiter les techniques d’acquisition électromagnétique il faut avoir recours aux outils de traitement et d’interprétation qui permettent à l’opérateur d’extraire le plus efficacement possible toute les informations utiles. Parmi les outils mathématiques qui peuvent répondre à nos besoin on peut citer la méthode des réseaux de neurones artificiels (RNA) qui constitue un outil d’approximation de systèmes complexes qui sont difficiles à modéliser par les méthodes statistiques classiques. Actuellement il y’ a un intérêt grandissant pour l’utilisation d’algorithmes de réseaux de neurones dans des problèmes qui relèvent des sciences physiques et de l’ingénieur (Haykin, 1999), (Mackay, 1992). L’intérêt porté à ces réseaux neuronaux réside dans leurs capacités de généralisation et de leur faisabilité d’implantation (Graf et al, 1988), (Mead, 1989), (Murray, 1989). A priori, ces algorithmes peuvent être appliqués aux problèmes de classification, de regroupement, de prévision,d’identification, d’optimisation combinatoire et de contrôle de procédés (Kohonen, 1988). Il existe plusieurs types de réseaux. À titre d’exemple, on trouve : les réseaux à une seule couche cachée (Sanger, 1989), les réseaux multicouches (Rumelhart et al, 1986) et les réseaux récurrents (Boné et al, 2005). Ces réseaux se distinguent les uns des autres par le nombre de couches et leurs structures. À titre d’exemple, dans le cas d’identification du comportement des matériaux, soulignons les travaux d’Erchiqui et al (2004, 2011). À cet effet, une approche hybride qui utilise la modélisation numérique, l’expérimental et un algorithme des réseaux de neurones (de type rétro-propagation), est utilisée pour l’identification des paramètres mécanique des thermoplastiques.
Introduction aux réseaux de neurones artificiels
Depuis une vingtaine d’années, l’utilisation des réseaux de neurones artificiels (RNA) s’est étendue dans des domaines très divers de l’industrie et des services. En géophysique les RNA ont été utilisés pour plusieurs méthodes, par exemples pour détecter les premières arrivées d’ondes sismiques (Murat and Rudman, 1992; McCormack et al., 1993); classifier les différents signaux par l’inversion (Roth and Tarantola, 1994; Langer et al., 1996); transformer un problème de déconvolution sismique dans un réseau de Hopefield afin de réduire le temps de calcul (Wang and Mendal, 1992); pour caractériser la distribution de résistivité du sous-sol par l’inversion de données magnétotelluriques (Zhang and Paulson, 1997) et électromagnétiques (Poulton et al., 1992). Ils sont particulièrement utilisés pour résoudre des problèmes de classification, de prédiction, de reconnaissance des formes, de catégorisation, de mémoire associative et d’optimisation (Drew et Monson, 2000). Par l’entrainement d’un système non linéaire de multiples variables, les RNA peuvent prédire la variable indépendante (Huang et al., 1996). Par conséquent, les RNA constituent une technique d’approximation de systèmes complexes, qui sont difficiles à modéliser par les méthodes statistiques classiques.Puisqu’il existe un grand nombre de structures des réseaux de neurones artificiels, il est nécessaire de faire un résumé de leurs caractéristiques afin de choisir un réseau de neurone approprié au développement de ce mémoire.
Structure des réseaux de neurones artificiels
McCulloch et Pitts en 1943 ont implémenté un système de réseaux neuronaux artificiels, qui est analogue aux neurones biologiques fondée sur une structure complexe (tableau 1.1). Le système des RNA est considéré comme un arrangement d’éléments de structure identique appelés neurones interconnectées par analogie avec cellules du système nerveux humain. Il est composé également d’une succession de couches connectées de manière à ce que chaque neurone tienne son entrée de la sortie du neurone précédant. Chaque neurone dans ce cas fonctionne indépendamment par rapport aux autres afin que 1’ensemble forme un système compact. L’information est emmagasinée de façon répartie dans le réseau sous forme de coefficients synaptiques. Le neurone formel calcule régulièrement un résultat qu’il transmet ensuite aux neurones suivant, chaque calcul est associé à un poids qui définit la force de la connexion (Hagan et al. 1996).
Le perceptron multicouches«PMC»
Le PMC est wte extension du perceptron monocouche qui dispose d•wte ou de plusiems couches cachées. Les neurones y sont arrangés en couches successives : la première couche qui fonne 1e vecteur des données d, entrée est appelée couche d•entrée tandis que la dernière couche qui produit les résultats est appelée couche de sortie. Toutes les autres couches qui se trouve au milieu sont appelées couches cachées (Lippmann 1987~ Hagan et al. 1996).Les neurones de la couche d’entrée sont connectés uniquement à la couche suivante tandis que les neurones des couches cachées ont la particularité d, être cowtecté à tous les nemones de la couche précédente et de la couche suivante, par contre il n’y a pas de connexions entre les nemones elle-même dans n’importe quelle couche. Contrairement au SLP la présence d•une couche cachée dans le P.MC facilite la modélisation des relations non linéaires entre les entrées et la sortie.Le choix du nombre de couches cachées dépend généralement de la complexité du problème à résoudre, en théorie wte seule couche cachée peut être suffisante pour résoudre nn problème dowté mais il se peut que le fait de disposer de plusiems couches cachée permette de résoudre plus facilement nn problème complexe.
Apprentissage d’un réseau de neurone
L’apprentissage est une étape très importante du développement d’un réseau de neurones durant laquelle le comportement du réseau est modifié itérativement jusqu’à l’obtention du comportement désiré, et ce par l’ajustement des poids (connexion ou synapse) des neurones à une source d’information bien définit (Hebb 1949; Grossberg 1982; Rumelhart et al. 1986). L’apprentissage consiste également à extraire des conformités parmi les données utilisées pour 1’entrainement du réseau mais l’objectif essentiel de l’apprentissage est la résolution du problème par la prévision, la classification… etc (Weiss et Kulikowski 1991). Pour un RNA, l’apprentissage peut être regardé également comme étant le processus de la mise à jour des poids (connexion) au sein du réseau dans le but d’ajuster la réponse du réseau à l’expérience et aux exemples. Il existe plusieurs types de règles d’apprentissage qui peuvent être rassemblées en deux catégories qui sont l’apprentissage supervisé et l’apprentissage non supervisé.
L’algorithme d’apprentissage
Définir l’architecture d’un RNA pour un problème quelconque revient à faire un choix judicieux de la taille du réseau, du nombre total de couches et de neurones, distribution des données et des fonctions de transfert (Baum and Haussier 1989). Le choix de ces paramètres dépend de l’utilisateur. Il n’existe pas dans la littérature pour le moment des données suffisantes qui peuvent déterminer clairement les paramètres à adopter pour résoudre un problème donné (Coulibaly et al 1998). Les différentes techniques présentées par différents auteurs (Zurada 1992 ; Widrow et Lehr 1990; Murata et al.1994; Jacobs et al. 1997; Rudolph 1997; Hecht-Nielsen 1987) sont destinées à résoudre des cas particuliers.Afin de répondre à la problématique de ce mémoire, telle que la prédiction des paramètres géométriques des conducteurs géologiques recherchés (profondeur, pendage, conductance, longueur, largeurs d’un conducteur) nous avons choisi l’architecture de perceptrons multicouches PMC (Haykin 1994) en utilisant un algorithme de rétro-propagation avec fonction sigmoïde comme fonction de transfert.Ce choix d’utiliser le PMC et l’algorithme rétro-propagation est dû principalement à la popularité de ces deux derniers dans la gestion des relations non linéaire entre les variables, ce qui est le cas pour notre étude du problème électromagnétique.
L’algorithme de rétro-propagation
L’algorithme d’apprentissage de rétro-propagation consiste dans un premier temps à circuler vers l’avant les données d’entrées jusqu’à l’obtention d’une entrée calculée par le réseau, puis la seconde étape est de comparer la sortie calculée à la sortie réelle connue (Rumelhart et al 1986). Les poids sont modifiés de telle sorte qu’à la prochaine itération, l’erreur commise entre la sortie calculée est minimisée, en prenant en considération la présence des couches cachées, l’erreur est rétro-propagé vers l’arrière jusqu’à la couche d’entrée tout en modifiant la pondération.Le processus est répété sur tous les exemples jusqu’au temps où l’on obtienne une erreur de sortie considérée comme négligeable.
Introduction aux méthodes EM en géophysique
Développées dès les années 60 pour l’exploration minière, les méthodes électromagnétiques en géophysique permettent de mesurer la résistivité du sous-sol jusqu’à certaines profondeurs afin de déduire la géologie correspondante.Les méthodes électromagnétiques (EM) en géophysique sont utilisées particulièrement pour la recherche des conducteurs dans un sous-sol terrestre en utilisant un champ électromagnétique primaire provenant de différentes sources artificielles ou naturelles. Lorsqu’un corps géologique conducteur est présent dans le sous-sol, un champ électromagnétique secondaire est induit et peut être détecté et mesuré par les appareils appropriés. Dans la prospection EM on s’intéresse par exemple aux gisements de sulfures massifs volcanogènes qui sont considérés comme de bons conducteurs et des cibles très importantes pour l’exploration minière (Cooper et Swift 1994).Les méthodes EM peuvent être également utilisées pour la protection de l’environnement tel que la cartographie des eaux souterraines polluées ou contaminées ainsi que les intrusions saline en hydrogéologie (Hautot et al. 2002 ; Mitsuhata et al2006; Johnson et al2010), la détection des permafrosts (Harada et al 2000; Hauck et al2001 ; Pettersson et al2003) et la détection des objets non explosés UXO (Billings et al2010).
|
Table des matières
RÉSUMÉ
REMERCIEMENTS
TABLE DES MATIÈRES
LISTE DES TABLEAUX.
LISTE DES FIGURES
LISTE DES ACRONYMES
CHAPITRE I :INTRODUCTION
1.1 Objectifs
1.2 Méthodologie employée
1.3 Plan du mémoire
CHAPITRE II : Réseaux de neurones et application InfiniTEM
2.1 Réseaux de neurones artificiels
2.1.1 Introduction aux réseaux de neurones artificiels
2.1.2 Structure des réseaux de neurones artificiels
2.1.3 Architecture des réseaux de neurones
2.1.3.1 Les réseaux récurrents << FEED-BACK >>
2.1.3.2 Réseaux propagation vers l’avant<< FEED-FORWARD >>
2.3.4 Apprentissage d’un réseau de neurone
2.1.5 L’algorithme d’apprentissage
2.2 Méthodes électromagnétiques (EM)
2.2.1 Introduction aux méthodes EM en géophysique
2.2.2 Théorie fondamentale de la méthode électromagnétique
2.2.3 Méthodes électromagnétiques fréquentielles (FDEM)
2.2.4 Méthodes électromagnétiques Temporelles (TDEM)
2.2.5 Configuration des systèmes électromagnétiques
CHAPITRE III : Modélisation InfiniTEM.
3.1 Configuration InfiniTEM
3.2 Modélisation directe de la réponse InfiniTEM
3.2.1 Description du logiciel utilisé pour la modélisation
3.2.2 Signatures type des plaques minces générées par l’InfiniTEM
3.2.3 Étude du comportement du système InfiniTEM
3.2.3.1 Influence de la taille du conducteur à différents pendages
3.2.3.2 Influence de la conductance sur les conducteur à différents Pendages
3.2.3.3 Influence de la position latérale à différents pendages
3.2.3.4 Influence de la taille de la boucle émettrice
3.2.4 Banque de données pour l’application des RNA
CHAPITRE IV : Application des RNA sur les données InfiniTEM
4.1 Processus du système RNA utilisé
4.1.1 Choix des paramètres d’entrée et de sortie
4.1.2 Choix des paramètres du modèle RNA
4.2 L’apprentissage du système de RNA utilisé
4.3 Résultats de prédiction
4.4 Discussion
CHAPITRE V: CONCLUSION ET RECOMMANDATION
BIBLIOGRAPHIE
ANNEXE I : Réponse InfiniTEM des conducteurs à différents pendages
ANNEXE II : Canaux d’échantillonnage pour l’InfiniTEM
Télécharger le rapport complet
