Les simulations sismiques à haute résolution sont nécessaires pour comprendre la propagation des ondes sismiques dans des structures géologiques complexes. Cependant, les simulations par éléments finis nécessitent des ressources de calcul importantes, notamment pour explorer plusieurs scénarios ou prendre en compte les incertitudes. Ce projet de thèse vise à développer des surrogate modèles causaux qui réduisent les coûts de calcul tout en préservant la cohérence physique des simulations sismiques.

L’approche proposée combine l’apprentissage automatique causal et le calcul haute performance (HPC). À partir de données générées par des simulations à grande échelle par éléments finis, les recherches porteront sur des méthodes permettant d’identifier des relations orientées entre les variables sismiques dans l’espace et le temps. Ces relations causales serviront ensuite à construire des surrogate modèles capables d’approximer certaines composantes des simulateurs numériques. Les incertitudes associées aux structures causales apprises et aux prédictions des modèles seront également quantifiées.

Les méthodes développées seront intégrées dans des environnements de simulation parallèle, notamment ArcaneFEM et PSD, afin de permettre leur application à des problèmes de grande taille. Les résultats attendus comprennent des algorithmes d’apprentissage causal efficaces, des modèles de substitution capables de passer à l’échelle et des stratégies de simulation hybrides combinant méthodes numériques et intelligence artificielle. À terme, ces recherches visent à améliorer l’efficacité des simulations sismiques et à faciliter la quantification des incertitudes, le raffinement adaptatif du maillage et l’assimilation de données.