Inversion par apprentissage profond de la teneur en eau et du temps de relaxation dans les zones de fractures aquifères à partir de données RMN de surface

Pourquoi l'eau cachée dans les fractures rocheuses est importante

Bien sous nos pieds, l'eau circule souvent dans de minuscules fissures de la roche. Ces veines cachées peuvent être à la fois une ressource vitale et un danger sérieux : elles alimentent en eau potable, mais peuvent aussi inonder des mines, fragiliser des tunnels et déclencher des glissements de terrain. L'étude résumée ici présente une nouvelle manière de détecter ces zones fracturées remplies d'eau depuis la surface, en combinant une méthode magnétique spécialisée et l'apprentissage profond moderne. L'objectif n'est pas seulement de localiser l'eau souterraine, mais de comprendre comment elle est stockée et à quelle vitesse elle peut se déplacer — des informations cruciales pour des travaux sûrs et une gestion durable de la ressource.

Écouter l'eau via des signaux magnétiques subtils

Le travail s'appuie sur une technique appelée résonance magnétique nucléaire de surface, inhabituelle parmi les outils géophysiques car elle répond directement à l'hydrogène contenu dans l'eau liquide. Sur le terrain, des boucles de fil envoient des impulsions soigneusement accordées dans le sol puis captent de faibles signaux d'écho provenant de l'eau souterraine. Ces signaux s'atténuent au fil du temps à des rythmes qui dépendent de la manière dont l'eau est retenue dans la roche. Des pores larges et spongieux produisent un type de décroissance, tandis que des fractures étroites en produisent un autre. En principe, cette évolution temporelle peut révéler non seulement la quantité d'eau présente, mais aussi si elle se situe dans des couches poreuses ou dans des réseaux de fissures susceptibles de canaliser l'écoulement et de provoquer des fuites ou des inondations soudaines.

Les limites des images souterraines traditionnelles

Les méthodes conventionnelles pour transformer ces signaux en images du sous-sol reposent sur l'ajustement itératif de modèles mathématiques aux données mesurées. Cette approche établie d'« inversion QT » fonctionne bien pour les aquifères larges et riches en eau, mais peine à résoudre les zones de fractures fines ou profondes. Leurs signaux sont plus faibles, souvent masqués par des couches sus-jacentes plus riches en eau, et peuvent être estompés par les astuces de régularisation utilisées pour stabiliser les calculs. Le processus est aussi coûteux en calcul : pour obtenir une image fiable, les spécialistes doivent ajuster à plusieurs reprises les termes de pénalité et les contraintes, ce qui est lent et peu adapté lorsque des décisions en temps réel sont nécessaires dans des projets miniers ou de tunnellisation.

Apprendre à un réseau neuronal à voir les fractures

Pour surmonter ces limites, les auteurs ont reformulé le problème comme une tâche de reconnaissance de motifs. Ils ont construit des milliers de modèles synthétiques réalistes de géologie souterraine, combinant des aquifères poreux en couches et des réseaux de fractures générés aléatoirement de longueurs, d'angles et de densités variés. Pour chaque modèle, ils ont simulé les signaux de résonance magnétique attendus, ajouté du bruit réaliste et étiqueté la distribution réelle souterraine de quatre grandeurs clés : la teneur en eau et le temps de relaxation pour les couches poreuses et pour les zones fracturées. Ils ont ensuite entraîné un réseau neuronal convolutionnel — une architecture d'apprentissage profond orientée image — pour apprendre la correspondance directe entre les enregistrements complets de signaux et ces quatre cartes souterraines. En pratique, le réseau devient une « inverse » apprise et rapide qui évite une grande partie des réglages traditionnels.

Images plus nettes, réponses plus rapides

Des tests sur des exemples synthétiques non vus lors de l'entraînement ont montré que le réseau entraîné pouvait clairement distinguer les aquifères poreux des fractures remplies d'eau sur une coupe bidimensionnelle. Il a restitué les formes et les positions des zones fracturées, même lorsqu'elles étaient inclinées ou regroupées, et a capturé leurs temps de relaxation caractéristiques, plus longs. Un certain flou et une sous-estimation sont apparus aux bords des petites structures profondes, où les signaux sont les plus faibles, mais les erreurs globales sont restées modestes. Comparée directement à une inversion régularisée standard, la méthode par apprentissage profond a fourni des limites plus nettes, moins d'artéfacts en profondeur et des erreurs moyennes nettement plus faibles — tout en réduisant le temps d'inversion réel d'environ une demi-heure à quelques secondes une fois l'entraînement terminé. Des tests de robustesse avec des niveaux de bruit croissants ont montré que, bien que les détails fins se dégradent, les principales zones de fractures et les aquifères restent reconnaissables même dans des conditions de signal assez médiocres.

Des essais numériques à la roche du monde réel

Les auteurs ont appliqué leur réseau entraîné à des données de terrain provenant d'une zone houillère du nord de la Chine, où le socle altéré sous des sédiments plus jeunes abrite un aquifère contrôlé par des fractures pouvant menacer la sécurité des mines. L'inversion standard a montré l'aquifère poreux peu profond attendu mais n'a pas révélé de zone de fractures profondes claire. En revanche, l'inversion par apprentissage profond a mis en évidence une zone bandelette distincte porteuse d'eau dans le substratum fracturé à des profondeurs d'environ 18 à 30 mètres le long d'une partie du profil. Des observations indépendantes en forage ont confirmé que cet intervalle était fortement fracturé et saturé en eau. Un essai de pompage dans un forage a fourni une estimation de la perméabilité de l'écoulement de l'eau dans la roche, qui concordait étroitement — à environ 10 % près — avec les valeurs déduites de la nouvelle inversion, apportant un soutien opérationnel à la méthode.

Ce que cela signifie pour l'eau et la sécurité souterraines

En termes simples, cette étude montre que combiner une méthode de détection spécifique à l'eau et l'apprentissage profond permet de mieux détecter depuis la surface des fractures remplies d'eau jusque-là cachées. L'approche distingue l'eau à mouvement lent des pores de l'eau potentiellement dangereuse des fractures et fournit des estimations de la quantité d'eau présente et de sa facilité de déplacement. Bien que la méthode dépende encore de données d'entraînement de qualité et puisse estomper des structures très petites ou profondes, elle offre un moyen rapide et non invasif de cartographier des zones de fractures à risque et de soutenir une planification minière, une conception de tunnels et une gestion des eaux souterraines plus sûres dans des terrains rocheux complexes.

Citation: Li, K., Li, H., Qiu, H. et al. Deep learning inversion of water content and relaxation time in water-bearing fracture zones based on surface NMR data. Sci Rep 16, 9292 (2026). https://doi.org/10.1038/s41598-026-40506-6

Mots-clés: eau souterraine, fractures rocheuses, résonance magnétique nucléaire, apprentissage profond, risques géologiques