L’estimation de l’aléa sismique dans la zone d’une installation nucléaire doit prendre en compte un grand nombre d’incertitudes, et en particulier notre connaissance limitée de la géologie. Or, on sait que certaines caractéristiques géologiques peuvent créer des effets de site qui amplifient considérablement les mouvements du sol. En combinant la précision des simulations basées sur la physique et l’expressivité des réseaux neuronaux profonds, il devient possible de quantifier l’influence des hétérogénéités géologiques sur le mouvement du sol en surface. Ce travail démontre l’utilisation d’un opérateur neuronal de Fourier factorisé (F-FNO, Factorized Fourier Neural Operator) qui apprend la relation entre des géologies hétérogènes 3D et les mouvements du sol générés par la propagation d’ondes sismiques à travers ces géologies. Le F-FNO a été entraîné sur la base de données HEMEW-3D composée de 30 000 simulations du mouvement du sol à travers des géologies génériques. Ensuite, une base de données plus petite a été construite spécifiquement pour la région du séisme du Teil (Ardèche, France, 2019). Le F-FNO est alors spécialisé sur cette base de données avec seulement 250 exemples. L’apprentissage par transfert a amélioré l’erreur de prédiction de 22 %. Selon les critères d’adéquation (GOF, Goodness-Of-Fit), 91 % des prédictions ont un GOF excellent pour la phase (et 62 % pour l’enveloppe). Les mesures d’intensité du mouvement du sol sont, en moyenne, légèrement sous-estimées par le F-FNO. Cependant, le fait de prédire le mouvement du sol pour un ensemble de géologies hétérogènes donne accès à des intervalles de confiance. Dans ce cas, la borne supérieure prédite par le F-FNO est toujours supérieure au mouvement du sol simulé habituellement avec une seule géologie homogène. Ces résultats suggèrent donc que les opérateurs neuronaux sont un outil efficace pour quantifier la variabilité de mouvements du sol qu’une installation nucléaire peut subir.