Sujet :
Estimation rapide des courants et inondations de tsunami à partir d’algorithmes de deep learning
Contexte :
Contrairement à ce qui se passe en océan profond, la simulation de la propagation des tsunamis à la côte nécessite un modèle non linéaire avec une bathymétrie/topographie à résolution fine pour faire face à la non-linéarité et à la morphologie complexe des côtes. Par conséquent, elle impose un temps calcul considérable qui peut ne pas convenir à la prévision des tsunamis en temps réel, particulièrement si l’on considère les événements en champ proche ou régional. Pour pallier ce problème, les centres d’alerte, tel que le Centre national d’Alerte aux Tsunamis (CENALT) au CEA, développent des outils de prévision rapide de l’amplitude des tsunamis côtiers, calculés à partir de lois empiriques ou de fonctions de transfert dérivées de ces lois empiriques. Ce type d’approximation linéaire fournit très rapidement les hauteurs des tsunamis le long du trait de côte, avec des barres d’erreur sur les valeurs calculées de l’ordre d’un facteur 2 au mieux. De telles approches sont adaptées au contexte de champ proche (presque dix fois plus rapide que les prévisions à haute résolution), mais tous les effets locaux ne sont pas bien pris en compte et l’estimation du run-up et de l’inondation horizontale fait défaut. Ces trois aspects peuvent être en revanche appréhendés au travers d’approches utilisées dans le domaine en pleine expansion du machine learning, avec comme objectif de transformer rapidement un résultat de simulation de tsunami en océan profond (résolution grossière) en un modèle d’inondation côtier et champ de vitesse associé (haute résolution).
Objectif de la thèse :
Le but de la thèse sera de développer un outil permettant de transformer rapidement un résultat de simulation de tsunami en océan profond en un modèle d’inondation côtier et champ de vitesse associé. Plusieurs méthodes d’apprentissage couramment utilisées en reconnaissance faciale seront explorées à l’aide de librairies et toolbox dédiées. Une étude paramétrique poussée sera réalisée.
Cependant, même lorsque les paires entrée/sortie des données d’apprentissage sont physiquement exactes (i.e., résultats d’une simulation numérique), les quantités interpolées peuvent être très éloignées de la précision physique. Il existe une grande quantité de connaissances préalables actuellement non utilisées dans la pratique moderne de l’apprentissage machine. Une seconde voie très prospective de la thèse sera de développer une approche intermédiaire où les lois de la physique seront (partiellement) respectées (e.g., Raissi et al., 2019).
Dans un premier temps, l’étude se concentrera sur les tsunamis d’origine sismique, avec une application sur les côtes méditerranéennes et les Petites Antilles françaises. L’intégration des tsunamis d’origine gravitaire sur un petit jeu de test pourra également être envisagée.
Déroulement de la thèse :
Prendre en main les codes CEA de simulation de tsunamis et construire des bases de données pour la constitution de jeux d’entrainement et de validation
– Développer des scripts python sur la base de librairies de deep-learning dédiées (e.g., Tensorflow-GPU) utilisant différentes approches pour la phase d’apprentissage (CNN, GAN,…) et tests paramétriques (influence de la dimension des grilles sur l’entrainement, robustesse de l’apprentissage vis-à-vis du paramétrage des modèles, optimisation du calcul d’erreur…)
– Enrichir l’apprentissage profond grâce aux lois de la physique pour l’estimation rapide des courants et inondations de tsunami
– Prendre en compte les tsunamis d’origine gravitaire sur un petit jeu de données
– Valoriser les résultats de thèse par des publications de rang A
– Fournir des éléments préparatoires pour la faisabilité d’un calcul rapide opérationnel
Directeur de thèse et école doctorale :
VAYATIS Nicolas
Nicolas.vayatis@ens.paris-saclay.fr
ED 574 – Mathématiques Hadamard (MH)
Université Paris Saclay
Encadrant :
GAILLER Audrey
CEA/DAM Ile-de-France – Bruyères-le-Châtel, 91297 Arpajon Tél. : 01.69.26.40.00. – audrey.gailler@cea.fr