Inversion and Prediction-Focused Approach (PFA) imaging of multiple loops Surface Nuclear Magnetic Resonance (SNMR) data

Abstract

Surface Nuclear Magnetic Resonance (SNMR) is a geophysical experiment that enables to retrieve hydrogeological parameters of the subsurface with surface-based measurements. However, the method suffers from a low signal-to-noise ratio. To overcome this impediment, a new experimental configuration, called the multiple loops (or multi-central) configuration, is introduced, benefiting from both a decreased signal-to-noise ratio and an increased sensitivity to shallow subsurface. In order to take advantage of those improvements, an adaptation of the state-of-the-art QT inversion is proposed. On the other hand, a novel innovative approach to SNMR data interpretation is developed and tested. This approach, called Prediction-Focused Approach (PFA) imaging, is part of a broader alternative way to exploit geophysical data: Bayesian Evidential Learning (BEL). PFA enables a quantification of the uncertainty on model parameters issued from statistics-based relations between simulated models and data. Finally, the QT inversion approach and the PFA imaging are tested on synthetic and real multiple loops experiments, proving the usefulness of the multiple loops configuration in specific contexts.

La résonance magnétique protonique (RMP) est une expérience géophysique qui permet de récupérer les paramètres hydrogéologiques de la subsurface à l’aide de mesures de surface. Cependant, la méthode souffre d’un faible rapport signal/bruit. Pour surmonter cet obstacle, une nouvelle configuration expérimentale, appelée configuration à multi-boucles (ou multi-centrale), est introduite, bénéficiant à la fois d’un rapport signal/bruit réduit et d’une sensibilité accrue à la subsurface peu profonde. Afin de profiter de ces avantages, une adaptation de l’inversion QT à la pointe de la technologie est proposée. D’autre part, une nouvelle approche innovante de l’interprétation des données SNMR est développée et testée. Cette approche, appelée imagerie par approche prédictive (prediction-focused approach, PFA), fait partie d’une méthode alternative, plus large, d’exploitation des données géophysiques: l’apprentissage probant bayésien (Bayesian evidential learning, BEL). La PFA permet une quantification de l’incertitude sur les paramètres de modèles à l’aide de relations statistiques entre des modèles et des données simulés. Enfin, l’approche d’inversion QT et l’imagerie PFA sont testées sur des expériences multi-boucles synthétiques et réelles, prouvant l’utilité de la configuration multi-boucles dans des contextes spécifiques.