Thèse en cours

Modélisation de domaines à l'aide d'intelligence artificielle guidée par des contraintes géologiques
FR  |  
EN
Auteur / Autrice : Charlie Garayt
Direction : Thomas Romary
Type : Projet de thèse
Discipline(s) : Géosciences et géoingénierie
Date : Inscription en doctorat le 04/02/2022
Etablissement(s) : Université Paris sciences et lettres
Ecole(s) doctorale(s) : École doctorale Géosciences, ressources naturelles et environnement
Partenaire(s) de recherche : Laboratoire : Centre de Géosciences
Equipe de recherche : Géostatistique
établissement opérateur d'inscription : Mines Paris-PSL

Résumé

FR  |  
EN

La modélisation géologique met en cohérence les données acquises sur le terrain. Elle permet une représentation spatialisée du sous-sol visant à comprendre, analyser ou tester différentes hypothèses sur ce dernier, e.g. estimer des ressources minérales. Deux catégories de modélisations géologiques existent : traditionnelle (ou explicite) et implicite. La modélisation traditionnelle consiste à définir les géométries explicitement, tirant ainsi parti des connaissances du modélisateur et s'appliquant aisément aux environnements géologiques les plus complexes. La modélisation implicite consiste à construire des fonctions volumétriques et à en extraire les géométries (e.g. à partir d'isovaleurs) ce qui permet d'obtenir un modèle ainsi que les incertitudes associées, rapidement et de façon reproductible, tout en prenant en compte les données dans leur ensemble. L'objectif est donc d'associer les avantages de ces deux approches. D'un point de vue mathématique, la modélisation de domaines consiste à prédire les valeurs d'une variable catégorielle, dont les catégories correspondent aux domaines, répartie dans l'espace. Cela semble s'apparenter à un problème de classification consistant à attribuer un domaine à chaque point de l'espace. Néanmoins, les méthodes de classification usuelles ne sont pas adaptées aux données géologiques. En effet ces dernières proviennent de phénomènes spatialisés, leur répartition spatiale étant donc importante. De plus il s'agit de données hétérogènes, incertaines, de sources diverses et à des échelles très différentes. Ce travail de recherche vise donc à tirer parti d'outils géostatistiques ainsi que de l'intégration d'expertise géologique afin de guider et enrichir les méthodes provenant du domaine de l'intelligence artificielle (telles que les réseaux de neurones convolutifs, les réseaux antagonistes génératifs et les techniques d'apprentissage par renforcement).