Approches d’apprentissage automatique pour des sources  hétérogènes géologiques de sous-sol

Composition du jury

• Prof. Amel Bouzeghoub, Telecom SudParis, Rapporteur & Examinatrice
• Prof. Esteban Zimanyi, Université Libre de Bruxelles, Rapporteur & Examinateur
• Prof. Hélène Bonneau, Université Paris-Saclay / LISN, Examinatrice
• Prof. Anne Vilnat, Université Paris-Saclay / LISN, Examinatrice
• Prof. Nacéra Seghouani, directrice de thése
• Sylvain Wlodarczyk, Shlumberger co-encadrant
• Francesca Bugiotti, Université Paris-Saclay / LISN, co-encadrante

Dans le domaine de l’exploration et de la production du pétrole et du gaz, il est essentiel de comprendre les structures géologiques de sous-sol, tels que les diagraphies de puits et les échantillons de roche,  afin de fournir des outils de prédiction et d’aide à la décision. Exploiter des données provenant de différentes sources, structurées ou non structurées, telles que des bases de données relationnelles  et des rapports numérisés portant sur la géologie du sous-sol, est primordial.  

Le principal défi  pour les données structurées réside dans l’absence d’un schéma global  permettant de croiser tous les attributs provenant de différentes sources. Les défis sont autres pour les données non structurées. La plupart des rapports géologiques de sous-sol sont des versions scannées de documents. 

L’objectif de notre travail de thèse est  de fournir une représentation structurée des différentes sources de données,et de construire des modèles de langage spécifique au domaine pour l’apprentissage des entités nommées relatives à la géologie du sous-sol.