Journal de géologie et géophysique
Libre accès

Abstrait

Relief du socle d'un bassin sédimentaire à l'aide de données de gravité issues d'une approche de réseau neuronal profond

Chandra Prakash Dubey*, Madhusree Majhi, Laxmi Pandey

L'affaissement de la croûte terrestre a permis aux sédiments de s'accumuler au sommet d'un socle de roches ignées et métamorphiques sous forme de bassin sédimentaire. Ces sédiments et les fluides associés sont chimiquement et mécaniquement transformés par plusieurs événements physiques comme le compactage et le chauffage au cours du temps. Par conséquent, il devient le réservoir des ressources énergétiques du pétrole, du gaz naturel, du charbon, de l'énergie géothermique et de l'uranium, etc. Leur génération, leur développement et leur disparition sont directement liés aux mouvements de la tectonique des plaques et à d'autres événements géologiques importants pour comprendre l'histoire de l'évolution. Par conséquent, il est très important d'évaluer l'épaisseur des sédiments en termes de relief du socle pour mettre en évidence les paramètres de dépôt et les facteurs de formation du bassin. Ici, nous avons développé une approche de réseau neuronal artificiel basée sur MATLAB pour obtenir la profondeur d'un bassin sédimentaire en tenant compte de la variation de densité avec la profondeur. Dans ce travail, un modèle synthétique est créé initialement en utilisant un prisme rectangulaire 2D, puis le modèle est perturbé avec un bruit blanc gaussien à 5 %. Un processus d'apprentissage supervisé est utilisé pour entraîner le réseau neuronal et la rétropropagation avec la technique de descente de gradient stochastique est utilisée pour optimiser la sortie du réseau. Le modèle de prisme est ensuite utilisé pour créer un bassin sédimentaire synthétique afin de déterminer le profil de profondeur avec un contraste de densité connu à l'aide d'ensembles de données de gravité calculées. Après avoir vérifié cette optimisation pour divers modèles synthétiques, la technique est utilisée sur des données réelles extraites du bassin de Sayula, au Mexique, et les résultats sont comparés aux profondeurs de sous-sol précédentes pour valider son efficacité. La nouveauté de l'approche de réseau neuronal proposée est un calcul rapide et efficace sans aucune hypothèse de modèle initiale qui peut cartographier très efficacement des relations d'entrée-sortie complexes, là où d'autres processus d'optimisation manquent dans ce segment.