Apprentissage machine de graphe pour l'interprétation de données structurales éparses

Graph machine learning for geological structural interpretation of sparse observations

• Auteur / Autrice : Amandine Fratani
• Direction : Guillaume Caumon, Radu Stefan Stoica
• Type : Projet de thèse
• Discipline(s) : Géosciences
• Date : Inscription en doctorat le 07/11/2022
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : École doctorale SIReNa - Science et ingénierie des ressources naturelles
• Partenaire(s) de recherche : Laboratoire : GeoRessources

Mots clés

Mots clés libres

Apprentissage machine

Géologie structurale

Graphe

Machine learning

Structural geology

Graph

Résumé

L'objectif de la thèse est d'évaluer différent modèles d'apprentissage machine de graphe dans le cadre d'association de données structurales éparses. Il s'agira dans un premier temps de compléter ou remplacer les règles d'association de failles existantes à deux points (Godefroy et al., 2019), en substituant les critères géométriques par un apprentissage sur des modèles d'entraînement. On étudiera ensuite des règles multipoints pour tenir compte des interactions d'ordre supérieur entre les données. Les approches proposées permettront d'aider à l'interprétation de failles dans des contextes de données éparses, notamment où aucune image sismique 3D n'est disponible.

The objective of the thesis is to evaluate different graph machine learning models in the context of sparse structural data association. The first step will be to complement or replace existing two-point fault association rules (Godefroy et al., 2019) by substituting geometric criteria by a machine leaning on training models. Then, we will investigate of multi-point rules to account for higher order interactions between data. The proposed approaches will help in the interpretation of faults in sparse data contexts, especially where no 3D seismic image is available.