Stagiaire en interprétation automatique de coupe géologique de forage

Rejoindre le Bureau de Recherches Géologiques et Minières (BRGM), c'est intégrer l'établissement public de référence dans les sciences de la Terre rassemblant 1000 personnes expertes et passionnées, réparties dans 29 entités implantées en Hexagone et d'Outre-Mer).

L'activité du BRGM a pour objectif la connaissance géologique et la compréhension des phénomènes liés au sol et au sous-sol, avec un enjeu : répondre aux défis des changements environnementaux à travers des projets innovants, à enjeux sociétaux.

L'objectif de ce stage est d'étudier une méthode d'apprentissage automatique semi-supervisée pour prédire des données de forage. Cette méthode est inspirée de méthode de recommandation par apprentissage de similarité [1,2].

Dans le cas des données de forage, il s'agira d'utiliser une approche basée sur les K plus proches voisins (KNN), où le voisinage est constitué par des forages existants. Un point clé est donc la définition d'une similarité entre forages, qui sera apprise à partir des caractéristiques des forages.

La méthode envisagée repose sur les étapes suivantes :
1. Extraction de caractéristiques pertinentes des forages existants ;
2. Définition de similarités simples propres à chaque caractéristique ;
3. Constitution d'un ensemble d'apprentissage par labellisation faible [3] ;
4. Entrainement d'un classifier linéaire permettant de pondérer les similarités entre caractéristiques [1] ;
5. Définition des paramètres du KNN ;
6. Définition de la méthode de prédiction à partir des forages voisins.

L'approche sera comparée aux méthodes de l'état de l'art pour prédire les données de forage, notamment le Krigeage (https://fr.wikipedia.org/wiki/Krigeage).

Le déroulement du stage comprendra :
- Une étude bibliographique ;
- La proposition d'une approche de prédiction de données de forage ;
- L'implémentation et le test de l'approche proposée.

[1] Ramanathan V. Guha, Vineet Gupta, Vivek Raghunathan, Ramakrishnan Srikant: User Modeling for a Personal Assistant. WSDM 2015: 275-284.
[2] Krista Drushku, Julien Aligon, Nicolas Labroche, Patrick Marcel, Verónika Peralta: Interest- based recommendations for business intelligence users. Inf. Syst. 86: 79-93 (2019).
[3] Alexander Ratner, Stephen H. Bach, Henry R. Ehrenberg, Jason A. Fries, Sen Wu, Christopher Ré: Snorkel: rapid training data creation with weak supervision. VLDB J. 29(2-3): 709-730 (2020).