Apprentissage machine de graphe pour l'interprétation de données structurales éparses
FR |
EN
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
FR |
EN
Mots clés libres
Résumé
FR |
EN
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.