Suivez

la liste

Introduction : L’anisotropie des propriétés mécaniques macroscopiques d’un matériau polycristallin, tel qu’une roche, est contrôlé par l’orientation des cristaux qui composent ce milieu. Pour les roches des profondeurs terrestres, le développement d’une forte anisotropie mécanique est une conséquence inévitable de l’orientation préférentielle des cristaux qui se développe lors de la déformation à haute température. De nombreuses évidences géologiques de terrain suggèrent par ailleurs qu’une telle caractéristique serait à l’origine de l’émergence et le maintien de la tectonique des plaques sur notre planète. Toutefois, la prise en compte de l’évolution de l’anisotropie des propriétés mécaniques (élastiques et visqueuses) est relativement complexe à mettre en place dans des simulations multi-échelles de déformation de la Terre interne (simulations géodynamiques), notamment parce que sa prédiction est coûteuse en temps de calcul et en mémoire. Pour contourner cette limitation, notre groupe développe des approches IA – apprentissage profond notamment – pour remplacer le modèle micro-mécanique utilisé pour prédire l'évolution de l'anisotropie dans les simulations géodynamiques. Ce travail s’inscrit dans le cadre d’un projet européen: ERC Advanced RhEoVOLUTION (P.I.: Andréa Tommasi , 2020-2025; website). Les approches développées dans ce projet ont aussi vocation à s’appliquer à d'autres domaines où les processus de déformation à échelle cristalline sont similaires, comme la métallurgie ou la glaciologie.

Résumé : Nous avons des résultats préliminaires montrant que des réseaux neuronaux multi-couches et de réseaux neuronaux de type LSTM permettent de prédire l’évolution de l’anisotropie mécanique d’une roche pour des chemins de déformations classiques (i.e. écoulement en cisaillement simple et pur). Pour aller plus loin, il est nécessaire d’utiliser notre connaissance du problème physique pour contraindre l'apprentissage.

Selon le profil du/de la stagiaire, deux types de stage sont possibles :

  1. Analyse statistique de bases de données « naturelles » (mesurées sur des échantillons de roches) et « synthétiques » (issues des modèles micro-mécaniques) afin d'en extraire de nouvelles contraintes (Master 1 ou 2)
  2. Apport de contraintes physiques à l'apprentissage directement dans la minimisation de la fonction perte des réseaux neuronaux multi-couches déjà développés ou via le choix d’architectures de réseaux neuronaux respectant certaines propriétés des quantités physiques modélisées comme l'invariance des tenseurs de propriétés mécaniques (Master 2).

Profil recherché : Nous recherchons des personnes avec une formation en sciences des données / IA et des compétences en analyse statistique et dans l’utilisation d’algorithmes d’apprentissage profond.

Unité d’accueil : Géosciences Montpellier.

Durée du stage : 5 à 6 mois