Réseaux de neurones profonds pour la quantification des incertitudes en modélisation stratigraphique
Direction Sciences de la Terre et Technologies de l’Environnement

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. De la recherche à l’industrie, l’innovation technologique est au cœur de son action, articulée autour de quatre priorités stratégiques : Mobilité Durable, Energies Nouvelles, Climat / Environnement / Economie circulaire et Hydrocarbures Responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur :

• l’apport de solutions aux défis sociétaux de l’énergie et du climat, en favorisant la transition vers une mobilité durable et l’émergence d’un mix énergétique plus diversifié ;
• la création de richesse et d’emplois, en soutenant l’activité économique française et européenne et la compétitivité des filières industrielles associées.

Partie intégrante d’IFPEN, l’école d’ingénieurs IFP School prépare les générations futures à relever ces défis.

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. De la recherche à l’industrie, l’innovation technologique est au cœur de son action. Dans ce contexte, la Direction Sciences de la Terre et Technologies de l’Environnement met en œuvre ses moyens expérimentaux et numériques afin de caractériser, comprendre et modéliser le sol et le sous-sol.

Réseaux de neurones profonds pour la quantification des incertitudes en modélisation stratigraphique

L’utilisation optimale et durable du sous-sol, par exemple pour la géothermie ou le stockage de gaz, nécessite de bien comprendre la formation et la composition des bassins sédimentaires. Les modèles numériques dits modèles stratigraphiques peuvent être utilisés pour simuler les processus de remplissage de ces bassins et en fournir une représentation 3D peuplée en propriétés telles que la composition des sédiments. Cependant, ces modèles dépendent de paramètres d'entrée caractéristiques de la zone d’étude dont la valeur n’est pas connue de manière directe (apports de sédiments au cours des temps géologiques, évolution du niveau de la mer …). Pour être les plus représentatifs possibles, ils doivent donc être calibrés sur les données indirectes disponibles, ce qui consiste à identifier une valeur de leurs paramètres d’entrée permettant de simuler des propriétés proches des mesures acquises sur la zone (logs, sismique …).

En pratique, résoudre ce problème peut être long et fastidieux en raison du nombre potentiellement élevé de paramètres à ajuster et des temps de simulation très longs. De plus, les données disponibles sont généralement insuffisantes pour caractériser correctement les paramètres. Il est donc nécessaire de pouvoir quantifier l’incertitude associée sur l’état actuel du bassin (géométrie, composition des sédiments…) afin de prendre des décisions les plus robustes possibles quant à l’utilisation du sous-sol.

Les techniques d'apprentissage automatique peuvent être utilisées pour imiter les modèles stratigraphiques. Cette approche consiste à utiliser un échantillon des paramètres d’entrée incertains et les résultats de simulation associés pour entraîner un modèle de substitution fournissant des estimations très rapides des sorties du simulateur pour n’importe quelle valeur des paramètres d’entrée. Si ces dernières sont précises, c’est-à-dire proches des valeurs simulées, le modèle de substitution peut être utilisé à la place du simulateur pour la quantification des risques ou la calibration par exemple. En particulier, la régression par processus gaussiens est déjà largement appliquée aujourd’hui pour prédire des sorties temporelles et spatiales (cartes ou blocs 3D). Cependant, elle peut ne pas fournir des résultats complètement satisfaisants pour des contrastes de valeurs forts (front de dépôt par exemple), des propriétés très irrégulières ou bornées.

L'objectif de ce stage est donc d'évaluer le potentiel de techniques de réseaux de neurones profonds (par exemple, random forest, CNN …) pour imiter le simulateur dans ces différentes configurations.

Ces approches seront appliquées à différents cas tests pour prédire les sorties des modèles. Leur efficacité sera étudiée en termes de précision des prédictions et du nombre de simulations nécessaires pour entraîner le réseau. Des comparaisons avec la régression par processus gaussiens seront également réalisées pour mettre en évidence les avantages et les inconvénients des différentes approches.

Programme du stage

• Mise en place de réseaux de neurones de type random forest, CNN, XGBoost … à l’aide de librairies python pour prédire l’évolution des propriétés du simulateur en fonction des paramètres d’entrée
• Application à des cas d’étude et analyse des résultats (impact de la taille d’apprentissage, qualité des prédictions …)

Profil recherché

Étudiant(e) en Master 2 ou dernière année d’école d’ingénieur, avec des compétences en :

• Machine learning, deep neural networks,
• Python
• Intérêt pour l’applicatif, et notamment les Géosciences