Integration of geoscientific knowledge and explainability in machine-learning algorithms for the assisted lithological interpretation of well data

Dans le contexte de la transition énergétique, la caractérisation des roches du sous-sol est essentielle pour la séquestration du CO₂, la géothermie ou l’exploration de ressources (par exemple, lithium, hydrogène naturel). L’exploitation des données existantes et l’automatisation par l’intelligence artificielle (IA) constituent des leviers clés malgré la complexité des roches et les enjeux de confiance et d’explicabilité. L’objectif de ces travaux de thèse est de développer des approches de machine learning (ML) innovantes, intégrant des connaissances géoscientifiques (geoscience-aware AI), pour l'interprétation automatique des données de puits (diagraphies et imageries haute résolution) et la caractérisation des formations géologiques.
La thèse s'articule en particulier autour de trois axes majeurs.
•    Modélisation spatiale de formations géologiques : utilisation de modèles séquentiels de type Recurrent Neural Networks, Convolutional Neural Networks et Hidden Markov Models pour capturer la dépendance spatiale des données, avec jeux riches et augmentés pour renforcer la robustesse.
•    Incorporation de connaissances géoscientifiques : intégration de graphes de connaissances et régularisations basées sur des principes physiques pour guider les algorithmes et assurer la cohérence géologique des prédictions.
•    Amélioration de l'interprétabilité des modèles : mise en œuvre de techniques comme Grad-CAM, t-SNE et estimation d'incertitudes pour répondre aux enjeux de confiance et favoriser l’adoption des outils ML.
L’encadrement restera structuré mais flexible, laissant au doctorant la possibilité d’explorer différentes approches et de développer un outil Python complet à destination d’utilisateurs externes. Les avancées méthodologiques pourront faire l’objet de publications à fort impact, notamment car les problématiques abordées se retrouvent dans de nombreux domaines intégrant l’IA (par exemple, le physics-informed ML).

Mots clefs: apprentissage automatique, graphes de connaissances, explicabilité, incertitude géophysique, diagraphies de puits, images de puits

• Directeur de thèse    Dr Marianne CLAUSEL, U Lorraine, ORCID : 0000-0002-5329-0801
• Ecole doctorale    ED077 IAEM, Université de Lorraine
• Encadrant IFPEN    Dr Francesco PATACCHINI, ORCID : 0009-0002-0660-7893
• Localisation du doctorant    IFPEN, Rueil-Malmaison, France  
• Durée et date de début    3 ans, début au cours du quatrième trimestre 2026 (2 novembre)
• Employeur    IFPEN
• Qualifications    Master en Mathématiques appliquées ou équivalent
• Connaissances linguistiques    Anglais niveau B2 (CECR)
• Autres qualifications    Programmation Python

Pour postuler, merci d’envoyer votre lettre de motivation et votre CV à l’encadrant IFPEN indiqué ci-dessous.