Un nouveau modèle d’apprentissage profond pour convertir la déformation DAS en vitesse particulaire géophonique : application aux données PoroTomo du champ géothermique de Brady

Écouter les séismes avec des câbles « Internet »

Et si les mêmes câbles à fibre optique qui transportent notre trafic Internet pouvaient aussi faire office de gigantesques séries de milliers de capteurs sismiques ? Cette étude explore exactement cette idée. Les auteurs montrent comment un modèle d’intelligence artificielle (IA) moderne peut transformer les signaux bruts et difficiles à interpréter des fibres optiques en mesures de mouvement plus familières pour les sismologues, rendant potentiellement la surveillance sismique moins coûteuse, plus dense et plus facile à déployer dans des environnements difficiles ou encombrés.

Pourquoi il est difficile de comprendre les « oreilles » en fibre optique

La détection acoustique distribuée (DAS) transforme des câbles à fibre optique ordinaires en lignes continues de capteurs qui réagissent aux très faibles étirements et compressions du sol. Plutôt que quelques centaines d’instruments autonomes répartis sur un champ, la DAS peut fournir des milliers de points de mesure le long d’un seul câble. Cette densité est un avantage majeur pour suivre la propagation des ondes sismiques à travers la Terre. Mais il y a un hic : la DAS mesure la déformation du câble, alors que les sismomètres traditionnels, appelés géophones, enregistrent la vitesse de mouvement du sol. La plupart des méthodes sismologiques existantes sont conçues pour des mesures de type géophone, pas pour la déformation. La déformation amplifie également les irrégularités à petite échelle près de la surface, rendant les données bruyantes et moins homogènes d’un endroit à l’autre. Convertir la déformation DAS en mouvement du sol de type géophone est donc essentiel, mais les recettes classiques basées sur la physique exigent souvent des hypothèses fortes sur le comportement des ondes, la géométrie du câble et la présence de capteurs de référence collocés.

Utiliser l’IA pour traduire entre deux façons d’entendre

Les chercheurs ont développé un modèle d’apprentissage profond qui agit comme un traducteur entre la déformation DAS et la vitesse particulaire géophonique. Ils l’ont entraîné sur les données de l’expérience PoroTomo au champ géothermique de Brady Hot Springs, au Nevada, où un câble à fibre optique en zigzag de 8,4 kilomètres a été déployé parallèlement à une grille de 238 géophones triaxiaux. Pour 112 emplacements où des géophones étaient très proches du câble, ils ont apparié la trace de mouvement horizontal de chaque géophone avec les dix canaux DAS les plus proches. Le modèle, qui combine un opérateur neural de Fourier (pour capturer les motifs spatiaux le long du câble), un réseau récurrent bidirectionnel (pour comprendre l’évolution temporelle) et un mécanisme d’attention (pour se concentrer sur les parties les plus informatives de chaque signal), a appris à prédire ce que le géophone aurait enregistré à partir de la seule entrée de déformation DAS.

Quelle est l’efficacité du traducteur IA

Pour évaluer les performances, les auteurs ont comparé les formes d’onde générées par l’IA aux données réelles des géophones en utilisant des mesures standard d’erreur et de similarité. Ils ont aussi vérifié la fréquence d’accord des prédictions sur de nombreux exemples. L’architecture hybride a clairement surpassé un design plus simple sans la composante de Fourier : les erreurs étaient en moyenne environ vingt fois plus faibles, et la similarité avec les traces géophoniques réelles restait constamment très élevée. Dans le domaine fréquentiel, où les scientifiques analysent quelles hauteurs de vibration sont présentes, les vitesses particulaires produites par l’IA correspondaient étroitement aux spectres des géophones sur l’ensemble de la bande d’intérêt pour les ondes P et S. En revanche, une méthode conventionnelle de conversion basée sur la physique n’était d’accord qu’à basses fréquences, manquant des détails importants aux hautes fréquences où le comportement de la DAS est plus compliqué.

Mettre les données converties au travail

Le véritable test est de savoir si les signaux convertis sont utiles pour des tâches en aval. L’équipe a appliqué une technique de formation de faisceau, connue sous le nom de MUSIC, qui utilise un réseau de capteurs pour estimer la direction et la vitesse apparente des ondes sismiques entrantes. Des travaux antérieurs sur le même site avaient montré que le taux de déformation brut de la DAS était trop incohérent pour un beamforming fiable : les ondes paraissaient floues et les résultats étaient médiocres comparés au réseau de géophones nodaux. La nouvelle conversion basée sur l’IA raconte une autre histoire. Lorsque les auteurs ont appliqué le beamforming sur la vitesse particulaire prédite par l’IA le long du câble, la méthode a retrouvé une estimation nette de la backazimut du séisme et de la vitesse des ondes—égale ou même légèrement meilleure que la performance des géophones et surpassant la conversion DAS basée sur la physique. Cette amélioration provient à la fois de la plus haute densité spatiale des canaux DAS et de la capacité du modèle IA à supprimer le bruit incohérent tout en préservant le mouvement cohérent qui compte pour l’analyse sismique.

Ce que cela signifie pour la surveillance future de la Terre

Pour les non-spécialistes, la principale conclusion est que les auteurs ont construit un traducteur intelligent qui permet aux câbles à fibre optique denses et flexibles de parler le même langage que les instruments sismiques conventionnels. Leur modèle d’IA ne remplace pas la physique, mais il apprend une correspondance spécifique au site qui capture des facteurs réels et complexes comme l’accouplement câble-sol et le bruit local. Bien que chaque nouvelle installation nécessitera toujours une courte période d’étalonnage avec quelques géophones collocés, l’approche ouvre la possibilité de transformer les réseaux de fibres existants et futurs en outils puissants et à haute résolution pour la surveillance des séismes, l’évaluation des risques et l’imagerie du sous-sol. Avec le temps, à mesure que la méthode sera testée sur davantage de sites et d’événements, ces conversions assistées par IA pourraient aider à diffuser une analyse sismologique détaillée vers des endroits où le déploiement de capteurs traditionnels est impraticable ou trop coûteux.

Citation: Al-Qadasi, B., Cui, Y., Waheed, U.B. et al. A novel deep-learning model to convert DAS strain to geophone particle velocity: application to PoroTomo data from the Brady geothermal field. Sci Rep 16, 7001 (2026). https://doi.org/10.1038/s41598-026-37888-y

Mots-clés: détection acoustique distribuée, sismologie, apprentissage profond, surveillance des séismes, capteurs à fibre optique