Script Python pour l’Analyse Spectrale de Structures Rocheuses

# Fiche Produit : Script Python pour l’Analyse Spectrale de Structures Rocheuses

## Description
Ce script Python performant réalise une **analyse spectrale avancée** des propriétés vibratoires de 15 types de structures rocheuses, permettant une caractérisation précise de leurs comportements dynamiques. En s’appuyant sur des bibliothèques scientifiques robustes (**NumPy**, **Pandas**, **Matplotlib**, **SciPy**, **Seaborn**, **Scikit-learn**), il fournit des analyses comparatives, une classification automatique et des visualisations graphiques pour une interprétation optimale des données.

—

## Fonctionnalités principales
1. **Analyse spectrale multi-scénarios** :
– Analyse 15 types de roches : granite homogène, calcaire fracturé, grès poreux, schiste feuilleté, basalte compact, conglomérat hétérogène, quartzite métamorphique, roche altérée, gneiss rubané, dolomie cristalline, brèche tectonique, marbre homogène, roche volcanique vésiculaire, ardoise clivée, roche sédimentaire stratifiée.
– Calcule des métriques clés : fréquence dominante (Hz), énergie du signal, centroïde spectral (Hz), nombre de pics spectraux, niveau de bruit.

2. **Analyse comparative** :
– Génère un tableau comparatif synthétisant les résultats des 15 scénarios (ex. : fréquence dominante de 26 Hz pour l’ardoise clivée, énergie max de 20 696 pour le basalte compact).
– Stocke les résultats dans un **DataFrame Pandas** (`comparison_df`) pour une analyse facile.

3. **Classification automatique** :
– Utilise **Scikit-learn** pour regrouper les roches en 3 clusters basés sur leurs propriétés spectrales :
– **Cluster 1** : Roches hétérogènes à forte variabilité (ex. : conglomérat, brèche tectonique).
– **Cluster 2** : Roches denses et homogènes (ex. : basalte, marbre).
– **Cluster 3** : Roches intermédiaires (ex. : granite, calcaire).
– Facilite l’identification des similitudes structurelles pour des applications géotechniques.

4. **Visualisation avancée** :
– Génère **17 graphiques** (spectres, comparaisons, etc.) avec **Matplotlib** et **Seaborn** pour une interprétation visuelle claire.
– Visualisations personnalisées pour chaque scénario et analyses comparatives.

5. **Robustesse et fiabilité** :
– Utilise **NumPy** pour des calculs numériques performants et **SciPy** pour l’analyse spectrale.
– Gestion des avertissements via **warnings.filterwarnings(‘ignore’)** pour une exécution fluide.
– Vérification des dépendances : toutes les bibliothèques (**NumPy**, **Pandas**, **Matplotlib**, **SciPy**, **Seaborn**, **Scikit-learn**) sont disponibles.

—

## Bénéfices
– **Précision** : Analyse spectrale détaillée pour une caractérisation fine des structures rocheuses.
– **Automatisation** : Classification et visualisation automatisées pour un gain de temps.
– **Polyvalence** : Applicable à la géotechnique, l’exploration minière, ou l’ingénierie sismique.
– **Accessibilité** : Résultats clairs, exportés dans un **DataFrame Pandas** et visualisés via des graphiques intuitifs.

—

## Cas d’usage
– **Géologie et géotechnique** : Évaluation de la stabilité des roches pour des projets de construction ou miniers.
– **Recherche scientifique** : Étude des propriétés vibratoires des roches en sismologie.
– **Industrie** : Optimisation du choix des matériaux rocheux pour l’ingénierie.

—

## Résultats clés
– **Analyse complète** : 15 scénarios analysés avec succès, couvrant une large gamme de roches.
– **Métriques détaillées** :
– Fréquence dominante : 4 à 26 Hz.
– Énergie du signal : 1 213 à 20 696.
– Centroïde spectral : 123 à 232 Hz.
– Niveau de bruit : 0.03 à 0.35.
– **Clusters identifiés** : 3 groupes distincts pour une classification intuitive.
– **Visualisation** : 17 graphiques générés pour une analyse visuelle immédiate.

—

## Prérequis techniques
– **Langage** : Python 3.x
– **Bibliothèques** :
– **NumPy** : Calculs numériques performants.
– **Pandas** : Gestion et analyse des données tabulaires.
– **Matplotlib** : Visualisation de base des graphiques.
– **SciPy** : Analyse spectrale avancée.
– **Seaborn** : Visualisations graphiques améliorées.
– **Scikit-learn** : Clustering et classification automatique.
– **Sortie** : Tableau comparatif (`comparison_df`), 17 graphiques exportés.

—

## Conclusion
Ce script Python est un outil puissant pour l’analyse spectrale des structures rocheuses. Grâce à ses capacités d’analyse, de classification automatique et de visualisation avancée, il offre une solution complète pour les géologues, ingénieurs et chercheurs. Les résultats, exportés sous forme de **DataFrame Pandas** et de graphiques clairs, sont directement exploitables pour des applications scientifiques ou industrielles.

—

EN LICENCE MIT