
R´esum´e
Ce rapport pr´esente une approche probabiliste de la mod´elisation de
l’anisotropie d’un r´eseau de discontinuit´es (RD) et conclue un stage financ´e
par le projet ANCRES du programme GESSOL (Ademe et MEDDTL).
Seule la premi`ere ´etape de la mod´elisation est abord´ee, nous avons d´ecrit et
discut´e seulement ici des m´ethodes de classification automatique de donn´ees
d’orientation planaire ou vectorielle 3D dont les applications ne se canton-
nent pas aux RD. Ces m´ethodes de classification en familles des orientations
des discontinuit´es utilisent des estimations de param`etres de m´elanges de
lois de probabilit´es ; sur la sph`ere dans le cas vectoriel 3D. Ces estimations
peuvent alors servir pour mod´eliser le r´eseau de discontinuit´es. Nous nous
sommes dans un premier temps attach´es `a fixer les conventions et les nota-
tions qui sont prises tout au long du rapport. Ensuite, nous avons utilis´e
diff´erentes lois de probabilit´es sur la sph`ere unit´e pouvant ˆetre utilis´ees dans
la classification en familles des discontinuit´es. Si la loi de Fisher nous avait
paru la plus simple, pour des raisons de sym´etrie, nous avons retenu pour
le cas de la 3D des lois de probabilit´es form´ees par des projections de lois
normales sur la sph`ere. Nous avions d´ej`a une m´ethode non probabiliste de
classification des RD qui nous permettait ´egalement de d´ecider a posteriori
du nombre de familles que nous voulions former. Les algorithmes proba-
bilistes que nous avons utilis´es sont EM et SEM, ce dernier ayant ´et´e mis
de cˆot´e car il ne nous satisfaisait pas vraiment. La description du fonc-
tionnement de ces algorithmes est enrichie de nombreux exemples pr´esent´es
dans ce rapport qui analysent ´egalement leurs faiblesses et leurs limites. A
l’issue de cette description, nous avons mis en place un test statistique de
validation des param`etres estim´es bas´e sur des m´ethodes utilis´ees habituelle-
ment pour la reconnaissance de formes et utilisant notamment la distance
de Hausdorff. Ce crit`ere constitue donc une validation a posteriori du fonc-
tionnement des algorithmes. Nous avons donc men´e une ´etude statistique
de ce crit`ere afin de d´eterminer le risque de premi`ere esp`ece et de borner
l’erreur faite sur les param`etres estim´es lorsque le test est positif. Nous
sommes arriv´es `a limiter le risque de premi`ere esp`ece `a 5%. Cependant,
lors de l’´etude de sa senbilit´e, nous avons observ´e que les erreurs permises
sur la matrice de covariances pour les projections de lois multi-normales du
plan tangent sur la sph`ere sont de l’ordre de 100%. Si nous n’arrivons pas `a
contrˆoler l’erreur sur la matrice de covariances, l’erreur sur le vecteur moyen
est au maximum d’une dizaine de degr´es, ce qui est plutˆot satisfaisant. Nous
avons alors mis en pratique le fonctionnement de ces algorithmes pour une
application `a la g´eologie, o`u la mod´elisation des fractures dans des massifs
rocheux est recherch´ee car les mesures directes n’y sont pas pr´ecises. Nous
3