Image : Exemple d’analyse des données orientées massives de foliation à partir de sondages.
Thématique Intelligence artificielle : intégration et développement des techniques numériques de géostatistique et d’intelligence artificielle appliquées aux données massives géologiques.
Projet portant en particulier sur l’analyse de données de fracturation ou structurales issues du terrain et/ou des campagnes d’exploration industrielle (des centaines de données structurales de terrain acquises dans les Pyrénées incluant des données géochimiques et géochronologiques ; plusieurs milliers de données structurales issues de campagnes d’exploration du craton canadien et du bassin de l’Athabasca).
Par l’utilisation d’outils/algorithmes préprogrammés sur des applications en libre accès tels qu’Orange, Windows Machine Learning ou « R » et la programmation de nouveaux algorithmes adaptés avec Pithon ou assimilés, on souhaite répondre à des questions telles que : comment et avec quels algorithmes extraire les familles de fractures qui nous renseignent sur les phases tectoniques de fracturation ? Comment identifier les fractures complexes ou les systèmes conjugués indicateurs du contexte tectonique ? Peuvent les familles de fractures être identifiés par leur signature géochimique ? Et enfin, peut-on, à partir de ces réponses, prédire la présence de minéralisations ?
Références :
Arab, N. Data mining et machine learning appliqués aux données géologiques massives. Approche mathématique. Mémoire de M2, 2021, 40pp. Inria, Université Paris Saclay.
M. Chai. Data mining et machine learning appliqués aux données géologiques massives. Approche géologique. Mémoire de M2, 2021, 31pp. Geops, Université Paris Saclay.
Porteurs du projet
A. Benedicto
Source de financement
GEOPS et Institut de Mathématiques d’Orsay/Inria
Participants
C. Keribin, M. Mougeot, M. Chai (stagiaire), N. Arab (stagiaire)
Collaborations extérieures
ENS Paris Saclay, Orano Ressources Canada