Sujet de Thèse

Dans le contexte de la transition énergétique, la caractérisation des roches souterraines est essentielle pour le stockage du CO2, l'énergie géothermique et l'exploration des ressources (par exemple, le lithium ou l'hydrogène naturel). L'exploitation des données existantes et l'automatisation grâce à l'intelligence artificielle (IA) constituent des leviers clés, malgré la complexité des formations géologiques et les défis liés à la confiance et à l'explicabilité. L'objectif de ce travail de thèse est de développer des approches innovantes d'apprentissage automatique (ML) intégrant des connaissances géoscientifiques (IA sensible aux géosciences) pour l'interprétation automatique des données de forage (diagraphies et images à haute résolution) et la caractérisation des formations géologiques.

Le projet de thèse s'articule notamment autour de trois axes principaux. - Modélisation spatiale des formations géologiques : utilisation de modèles séquentiels tels que les réseaux neuronaux récurrents, les réseaux neuronaux convolutifs et les modèles de Markov cachés pour saisir les dépendances spatiales dans les données, avec des ensembles de données riches et enrichis afin de renforcer la robustesse.

- Intégration des connaissances géoscientifiques : intégration de graphes de connaissances et de régularisations fondées sur des principes physiques pour guider les algorithmes et garantir la cohérence géologique des prédictions.

- Amélioration de l'interprétabilité des modèles : mise en oeuvre de techniques telles que Grad-CAM, t-SNE et l'estimation de l'incertitude pour répondre aux questions de confiance et encourager l'adoption d'outils d'apprentissage automatique.