Cadres d’apprentissage profond conscients du domaine et efficients pour l’inférence stratigraphique automatisée

Cette thèse CIFRE a été réalisée dans le cadre d’un partenariat entre le LISN et SLB, sous la direction de Frédéric BOULANGER, professeur à CentraleSupélec (LMF), et sous le co-encadrement de Francesca BUGIOTTI, maître de conférences à CentraleSupélec (LISN), et de Sylvain WLODARCZYK, Senior Data Scientist chez SLB.

La soutenance se déroulera en anglais.

Composition du jury

• Genoveva Vargas Solar, Researcher (HDR), Université Claude Bernard Lyon 1 (Rapporteur)
• Oscar Romero, Professor, Universitat Politécnica de Catalunya (Rapporteur)
• Bich-Liên Doan, Professeur, HDR, Université Paris-Saclay (Examinatrice)
• Patrick Marcel, Professeur, Université d’Orléans   (Examinateur)
• Stefania Dumbrava, Associate Professor, Institut Polytechnique de Paris (Examinatrice)
• Julien Romero, Associate Professor, Institut Polytechnique de Paris (Examinateur)

Résumé

Une caractérisation précise du sous-sol est indispensable à la modélisation des réservoirs, au captage et au stockage du carbone, au développement géothermique et à la gestion durable des ressources. La corrélation de puits consiste à aligner les sommets de formations géologiques entre plusieurs forages. Traditionnellement, cette tâche repose sur l’interprétation manuelle des diagraphies, un processus lent, subjectif et difficile à déployer à grande échelle. Cette thèse développe des outils d’inférence stratigraphique profonde, en passant d’une correspondance locale de motifs à une modélisation séquentielle globale et informée par la physique.

Les travaux s’articulent autour de GeoTS, une bibliothèque modulaire LSTMLong short-term memory-CNN pour l’interprétation des diagraphies gamma, avec un entraînement AdaptiveCycle et une explicabilité par GradCAM ; de GeoTS+, qui étend cette approche à plusieurs diagraphies (densité, résistivité, sonique, neutron) grâce à une inférence adaptée aux logs disponibles et à un encodage du contexte local et global ; et de LithoFormer, un cadre transformeur séquence-à-séquence qui constitue la contribution principale. Des études diagnostiques montrent que les réseaux de neurones à graphes estompent les limites verticales et que la régression naïve par transformeur est instable pour le repérage en profondeur, ce qui motive l’architecture PatchTST de LithoFormer, ses encodages positionnels rotatifs (RoPE) et son apprentissage multitâche guidé par la géologie. Sur trois jeux de données réels, LithoFormer réduit d’environ 90 % l’erreur médiane aux limites et supprime les violations de l’ordre stratigraphique. La thèse s’achève sur une vision de modèle fondateur géologique pour l’imputation unifiée, la régression de propriétés et la segmentation stratigraphique à l’échelle du bassin.