Résumé:
La tomographie de résistivité électrique ERT (Electrical Resistivity Tomography) a été largement utilisée pour l'imagerie de la distribution et de la structure de la résistivité souterraine. Au fil des ans, de nombreux algorithmes ont été développés pour résoudre la distribution de la résistivité électrique à partir des mesures ERT. Et dans le but de surmonter les difficultés d'interprétation des mesures ERT rencontrées lors de l’inversion conventionnelle, en fournissant une imagerie 2D du profil de résistivité du sous-terrain, nous allons présenter une nouvelle approche basée sur l'apprentissage supervisé pour la formation d'un réseau de neurones artificiel.
Notre travail est basé sur l'utilisation d’un RNA pour interpréter les mesures de résistivité électrique en une image 2D de la résistivité jusqu’à des profondeurs de 50 mètres en utilisant un simple levé Wenner-Schlumberger de 96 électrodes, ensuite comparer les résultats du terrain prédit avec cette méthode avec les prédictions de la méthode d’inversion classique par le programme R2.
La comparaison entre la prédiction du réseau de neurones et la prédiction du processus d'inversion itératif se fait à l'aide de deux paramètres : la fonction perte de chaque prédiction faite par RNA et R2, et la mesure de la similitude globale des valeurs entre la prédiction et le terrain réel. L’exemple étudié a démontré la capacité de reconstruire le profil de résistivité électrique en profondeur à partir d'une tomographie de résistivité électrique ERT en utilisant un réseau de neurones entrainé. Les prédictions à l'aide du réseau de neurones sont plus précises et plus rapides que les prédictions issues de la méthode d'inversion traditionnelle.
