Résumé de la présentation

Axel Ransinangue présentera :

Depuis près de dix ans, les modèles d’intelligence artificielle ne cessent de progresser et d’impressionner au travers de leur champ d’application divers et varié. Texte, image, signal ou encore séries temporelles sont des exemples du type de données que ces algorithmes peuvent traiter avec des taux d’erreur pouvant parfois se rapprocher d’un seuil irréductible.

La popularisation de cette technologie et la volonté d’en partager leurs fonctionnalités au travers de plateforme open-source encourage de plus en plus son intégration dans les domaines scientifiques dont il faut aussi pouvoir définir les lois en ligne avec le besoin métier. La recherche autour des géosciences a notamment pu jouer un rôle certain dans l’exploration et le développement de ces outils en fournissant différent cas d’application et surtout des immenses volumes de données nécessaires à l’entrainement de ce type de modèle.

Les tâches opérées par les géologues dans l’industrie doivent souvent répondre à des calendriers bien définis sur des intervalles de temps restreints. L’ensemble des étapes de description puis d’interprétation doivent alors être adaptés de la meilleure façon possible pour correspondre aux objectifs attendus. Des modèles d’apprentissage ont pu être investigués afin de fournir des supports aux études dont deux cas seront présentés : prédiction d’électro-facies reposant sur des données diagraphiques ; détection automatique d’éléments dans les lames minces carbonatés. Le but étant de pouvoir fournir des résultats intégrables rapidement dans des chaines de travail connues.

Encadrants :

• Nesrine CHEHATA et Raphael BOURILLOT (ENSEGID et Laboratoire EPOC¹)
• Richard LABOURDETTE, Erwann HOUZAY, Sebastien GUILLON, Emmanuel DUJONCQUOY (TotalEnergies)

¹ CNRS / Bordeaux INP / Université de Bordeaux/ Ecole Pratique des Hautes Etudes