Marchenko : l’art de l’inversion par l’Équation de Marchenko pour révéler les milieux invisibles

Cadre unidimensionnel et base mathématique

Dans sa forme la plus classique, l’Équation de Marchenko s’applique à un milieu unidimensionnel avec un potentiel
V(x) régi par une équation de type Schrödinger. L’objet central est le « kernel » K(x,y) qui satisfait une équation intégrale
du type Marchenko. À partir d’un spectre de diffusion ou d’un coefficient de réflexion R(k) mesuré en surface, on peut construire K
et, grâce à lui, récupérer V(x). Cette reconstruction est possible même lorsque les données disponibles ne couvrent pas tout le
spectre: l’approche Marchenko exploite les propriétés analytiques des fonctions de diffusion et des états liés.

L’idée est de décomposer le signal réfléchi en une composante directe et une composante multiple, et d’utiliser des relations
d’orthogonalité et de complétude pour exprimer K en fonction de R(k) et des états propres du système. En itérant, on obtient une
reconstruction stable du potentiel et, par extension, des propriétés hydrodynamiques ou optiques liées.

Rôle du coefficient de réflexion et des états liés

Le coefficient de réflexion R(k) joue un rôle fondamental : il encode la manière dont les ondes se propagent, se réfléchissent et
interfèrent lorsqu’elles rencontrent des variations du milieu. Dans l’approche Marchenko, ce coefficient alimente directement le noyau
intégral et, par conséquent, la reconstruction du champ intérieur. Les états liés et les modes évanescents apportent une dimension
critique lorsque le milieu possède des caractéristiques confinées ou des puits de potentiel.

Lorsque des états liés permettent d’ajouter des contribuant inabsents dans le spectre, la méthode Marchenko reste robuste : elle peut
intégrer ces informations dans le cadre de l’équation intégrale, fournissant une image complète du paysage interne, même en cas de lacunes
expérimentales ou de bruit. C’est cette capacité à tirer parti des structures spectrales qui distingue Marchenko des approches plus
directes qui imposent des hypothèses plus contraignantes.

Le problème inverse sismique

En géophysique, l’objectif est souvent de déduire la vitesse des ondes et les propriétés mécaniques du sous-sol à partir de
mesures sismiques en surface. Les données de réflexion fournissent des indices sur les discontinuités et les couches géologiques, mais
il faut les interpréter avec soin. La méthode Marchenko offre une doxa robuste pour récupérer le profil des propriétés internes sans
nécessiter de modèle initial trop contraignant. En d’autres termes, Marchenko permet de passer de la donnée brute à une image fidèle des
couches internes.

Construction des fonctions de focalisation

Une étape clé est la construction des fonctions de focalisation, qui agissent comme des faisceaux virtuels ciblant des profondeurs ou des
interfaces spécifiques. À partir du signal mesuré en surface et d’un modèle de réflexion, on résume l’information dans une fonction
de focalisation F(x; x0) qui peut être propagée virtuellement jusqu’à la profondeur d’intérêt. La polyvalence de ce mécanisme
permet d’obtenir des images de haute résolution et une meilleure estimation des propriétés locales, notamment dans les zones
peu accessibles ou fortement hétérogènes.

Avantages et limites en terrain

Sur le terrain, Marchenko bénéficie d’un avantage concret: elle peut gérer les réflexions multiples et les non-linéarités mieux que
certains cadres linéaires classiques. Toutefois, elle exige des jeux de données suffisamment riches et une connaissance du comportement
du milieu à l’infini ou des limites du domaine mesuré. Le bruit, les artefacts instrumentaux et les discontinuités abruptes peuvent
influencer la stabilité numérique de la reconstruction. Dans la pratique, on combine Marchenko avec des filtres et des procédés
de régularisation pour obtenir des résultats fiables, surtout dans des environnements géologiques complexes.

Marchenko en 3D et multi-canaux

Bien que l’approche initiale soit unidimensionnelle, des extensions vers des systèmes en trois dimensions et des configurations
multi-canaux ont été développées. Dans ces cadres, on parle d’un système d’équations de Marchenko multidimensionnel et on exploite
les structures matricielles des données d’entrée pour construire des noyaux et des fonctions de focalisation qui varient d’un point
à l’autre. L’objectif demeure le même : obtenir une image précise du milieu intérieur à partir du signal d’entrée et des observations
de surface, tout en gérant les corrélations spatiales et temporelles complexes propres à 3D.

Marchenko temporel et spectre

Une autre direction consiste à exploiter la nature temporelle des signaux et le spectre fréquentiel pour optimiser les reconstructions.
Le cadre marchenko peut être formulé dans le domaine temporel ou fréquentiel, permettant d’exploiter des schémas d’observation variés et
d’améliorer la stabilité en présence de bruit. Cette flexibilité rend Marchenko particulièrement adapté à des problématiques modernes
d’imagerie profonde et de contrôle non destructif.

Donnees d’entrée requises

Pour mettre en œuvre l’Équation de Marchenko, il faut disposer d’un ensemble de données de réflexion mesurées en surface,
complété, si possible, par des informations sur le comportement des ondes à l’infini ou des informations-through-boundary.
La cohérence et la couverture spatiale des mesures influencent directement la qualité des résultats. Dans certains cas, des
données synthétiques ou des mesures calibrées peuvent être utilisées pour tester et valider l’approche avant une application terrain.

Processus itératif

Le calcul de l’Équation de Marchenko s’appuie sur un processus itératif : on initialise avec une approximation du noyau,
puis on affine progressivement K(x,y) en utilisant les données de réflexion et la relation intégrale. Chaque itération affine la
fonction de focalisation et améliore la reconstruction du potentiel. Dans les implémentations modernes, des méthodes numériques
robustes et des techniques de régularisation jouent un rôle crucial pour éviter la suradaptation au bruit.

Gestion du bruit et de l’erreur

Le bruit peut dégrader rapidement les reconstructions sensibles, notamment lorsque les données d’entrée présentent des artefacts
ou des pertes d’information. Pour pallier cela, on combine Marchenko avec des filtres adaptatifs, des pénalités de régularisation
et des stratégies de validation croisée. L’objectif est d’obtenir des images qui restent physiquement cohérentes tout en résistant
aux fluctuations aléatoires. Les chercheurs travaillent également sur des versions « robustes » de l’équation qui intègrent explicitement
des modèles statistiques du bruit.

Géophysique et carottage

Dans l’industrie pétrolière et géologique, Marchenko offre une plateforme puissante pour l’imagerie du sous-sol, la détection de
fractures et la caractérisation des réservoirs. Les méthodes marchenko permettent d’apporter des images plus nettes des interfaces
sismiques et d’évaluer les propriétés élastiques sans recourir à des modèles trop simplifiés. Cette approche peut réduire les coûts
et améliorer la précision des forages et des évaluations de ressources.

Acoustique non destructive

Dans le domaine industriel, l’acoustique non destructive bénéficie également des avancées marchenko. En inspectant des matériaux,
des composites ou des structures mécaniques, on peut déduire des profils internes et détecter des défauts invisibles à l’œil nu.
L’inversion par Marchenko permet de localiser les couches dégradées et de quantifier leurs propriétés, contribuant à la maintenance
prédictive et à la sécurité des installations.

Physique des matériaux et métrologie

Les chercheurs explorent aussi l’utilisation de l’approche Marchenko dans des contextes de physique des matériaux, où l’imagerie des
propriétés locales (rigidité, densité, anisotropie) est cruciale pour comprendre les mécanismes internes. Les expériences et simulations
utilisent l’équation de Marchenko pour interpréter les signaux diffusés par des structures complexes et pour optimiser les designs
de matériaux avancés.