Identification et inversion d’un modèle multiphysique pour la caractérisation et la correction des signaux d’un capteur sismique en boucle ouverte par interférométrie
Cette thèse CIFRE, en partenariat entre l’ESEO (équipe GSII – LAUM, CNRS UMR 6613) et l’entreprise MAÅGM, s’inscrit dans une démarche de recherche appliquée visant à améliorer la qualité des signaux issus d’un capteur sismique optique passif fonctionnant en boucle ouverte. Développé par l’ESEO dans le cadre de projets ANR (HIPERSIS, FIMOPTIC, MARMOR), ce capteur repose sur un système masse-ressort dont le déplacement est mesuré par interférométrie optique à distance, via une fibre de plusieurs kilomètres. Cette architecture permet des installations en environnements extrêmes (profondeur, température, pression).
L’objectif de la thèse est de concevoir une chaîne de traitement du signal capable de corriger les non-linéarités, les dérives thermiques et les effets de couplage mécanique inhérents à cette architecture passive, tout en respectant la qualité géophysique du signal. Pour cela, le travail s’appuiera sur la modélisation multiphysique du capteur, l’estimation dynamique de ses paramètres (filtrage de Kalman, méthodes bayésiennes, déconvolution non linéaire), ainsi que sur l’implémentation de filtres inverses ou de techniques d’apprentissage automatique permettant d’adapter le traitement aux dérives lentes et aux incertitudes de pose.
La thèse mêlera ainsi modélisation, expérimentation (données de bancs de tests et mesures de terrain), développement algorithmique et optimisation instrumentale. Le sujet s’adresse à des candidat·es disposant d’une solide formation en traitement du signal, avec un goût pour la modélisation physique, l’instrumentation optique et la recherche appliquée en géosciences.
This CIFRE PhD project, jointly supervised by ESEO (GSII team – LAUM, CNRS UMR 6613) and the company MAÅGM, is part of an applied research initiative aimed at improving the quality of signals from a passive optical seismic sensor operating in open-loop configuration. Developed by ESEO through several ANR-funded projects (HIPERSIS, FIMOPTIC, MARMOR), this sensor relies on a mass-spring system whose displacement is remotely measured via optical interferometry over kilometers of optical fiber. This architecture allows deployments in extreme environments (depth, temperature, pressure).
The goal of the PhD is to design a signal processing chain capable of compensating for non-linearities, thermal drifts, and mechanical coupling effects inherent to the passive sensor architecture, while preserving the geophysical integrity of the signal. The work will be based on a multiphysics model of the sensor, dynamic parameter estimation (using Kalman filtering, Bayesian methods, nonlinear deconvolution), and the development of inverse filters or machine learning techniques to adapt the correction to slow drifts and installation uncertainties.
The research will combine modeling, experimental characterization (test benches and field data), algorithmic development, and instrumental optimization. This PhD project is suited for candidates with a strong background in signal processing and a keen interest in physical modeling, optical instrumentation, and applied geoscience research.