Stage - Développement D'algorithmes D'apprentissage Profond Pour Le Traitement D'images Géologiques

**IFP Energies nouvelles (IFPEN)** est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. Depuis les concepts scientifiques en recherche fondamentale jusqu’aux solutions technologiques en recherche appliquée, l’innovation est au cœur de son action, articulée autour de quatre orientations stratégiques : climat, environnement et économie circulaire ; énergies renouvelables ; mobilité durable ; hydrocarbures responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur l’apport de solutions aux défis sociétaux et industriels de l’énergie et du climat, au service de la transition écologique. Partie intégrante d’IFPEN, IFP School, son école d’ingénieurs, prépare les générations futures à relever ces défis.

**Développement d’algorithmes d’apprentissage profond pour le traitement d’images géologiques**:
**Contexte**

Les images de carottes, lames minces et FMI (Fullbore formation Micro Imaging) sont des outils précieux en géosciences pour explorer divers aspects des environnements passés et actuels. En plus de leur rôle dans la paléoclimatologie, elles permettent d'étudier les processus sédimentaires, la nature des dépôts, et de reconstruire les conditions environnementales à différentes échelles de temps.

Les carottes, par exemple, fournissent des archives stratigraphiques détaillées qui permettent d'analyser les variations chimiques, biologiques et physiques de la Terre. Les lames minces, quant à elles, offrent une vision microscopique des textures et structures des roches, permettant d'identifier des minéraux, des microfossiles, ou encore des processus diagenétiques. Enfin, les images FMI apportent des informations précises sur les fractures, les orientations des couches, ou encore les caractéristiques géomécaniques des formations rocheuses.

Toutes ces données combinées enrichissent notre compréhension des systèmes géologiques, facilitent l'exploration des ressources naturelles, et apportent des perspectives sur les événements tectoniques et climatiques passés.

Le traitement d'images géologiques, telles que les carottes, les lames minces ou encore les images FMI, représente une étape cruciale mais souvent laborieuse dans le domaine des études géologiques. Ces analyses, essentielles pour extraire des informations précises sur les formations rocheuses et leurs caractéristiques, mobilisent des géologues experts sur des tâches longues et répétitives, notamment celles liées à la labélisation des données.

Face à ces contraintes, ce projet de stage vise à alléger la charge de travail des géologues en automatisant certaines étapes clés, comme la détection d'objets, la segmentation et la labélisation dans les images géologiques. L'intégration d'algorithmes d'apprentissage profond supervisé est au cœur de cette initiative, exploitant des images préalablement labélisées par les géologues eux-mêmes. Ce partenariat homme-machine promet d'améliorer l'efficacité des analyses tout en permettant aux experts de se concentrer sur des tâches à plus forte valeur ajoutée, optimisant ainsi l'ensemble du processus d'étude géologique.

**Objectifs**:
Dans ce contexte, ce stage est à la croisée de l’informatique et de la géologie. Les objectifs
- L’étude de l’état de l’art pour la détection, la segmentation et la classification d’objets dans des images géologiques ;
- La définition d’un ou de plusieurs algorithmes d’apprentissage profond pour la détection, la segmentation et la classification d’objets ;
- L’apprentissage de ces modèles à l’aide d’images labélisées proposées par le géologue ;
- La validation des résultats avec le géologue et en comparaison de l’état de l’art

Cette étude pourra faire l’objet d’une publication scientifique ou d’un brevet.

**Compétences**:
Connaissances en traitement d’images et en apprentissage profond.
- Appétence pour le développement et la recherche.
- Curiosité pour les géosciences