Thèse l'Intelligence Artificielle Agentique en Action Exploration et Application dans le Domaine de l'Énergie H/F

Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Informatique et sciences du numérique
École doctorale : Sciences et Technologies de l'Information et de la Communication
Laboratoire de recherche : Laboratoire Interdisciplinaire des Sciences du Numérique
Direction de la thèse : Francesca BUGIOTTI ORCID 0000000265559652
Début de la thèse : 2026-05-01
Date limite de candidature : 2026-04-27T23:59:59

Nous disposons aujourd'hui de nombreux algorithmes utilisant l'apprentissage profond qui effectuent différentes tâches utiles à l'interprétation pétrophysique.
Le principal problème est de transformer ces pipelines d'outils en un agent qui s'adapte en choisissant les données contextuelles et qui peut prendre en compte les retours de l'utilisateur.

L'approche proposée consiste à s'inspirer des méthodes utilisées par les agents conversationnels pour les adapter aux données de mesure de puits.
Cette approche, à notre connaissance, n'a à ce jour jamais été explorée ni documentée dans la littérature scientifique Oil and Gas.

Dans ce travail de thèse on considère d'explorer trois étapes successives :
(i) définir les agents et leur granularité pour créer des algorithmes basés sur l'intelligence artificielle agentique.
(ii) définir un modèle d'accès aux données qui intègre agilement la prise en compte d'informations géolocalisées fournies par le pétrophysicien afin d'optimiser l'interprétation,
(iii) étudier l'apprentissage par renforcement pour améliorer et adapter spécifiquement le système aux retours positifs et négatifs du pétrophysicien expert.

L'interprétation de données diagraphiques différées est une étape fondamentale pour l'industrie de l'énergie afin de calculer les caractéristiques pétrophysiques des réservoirs et d'en estimer les réserves.
L'environnement des réservoirs à étudier est de plus en plus complexe, et de nouveaux outils de mesure sont conçus afin d'affiner les estimations, ce qui entraîne une augmentation du nombre de données à analyser. Par ailleurs, la recherche de nouveaux objets géologiques requiert une révision régulière des données régionales afin d'identifier des anomalies de plus en plus subtiles. Enfin, l'évaluation du potentiel de capture et de séquestration du carbone suppose la réanalyse d'un large volume de données de réservoir en peu de temps et moyennant des ressources limitées.

Définir une intelligence artificielle agentique capable d'aider le pétrophysicien à analyser davantage de données en moins de temps permet d'atteindre ces trois objectifs.

Defis principaux:
- formaliser les dépendances entre des mesures hétérogènes (journaux, échantillons, rapports)
- définir comment l'agent utilise ces connaissances pour reconfigurer le pipeline en cas d'incohérences.

Répondre à ces défis permettrait d'établir un lien clair entre le raisonnement symbolique, la provenance et la notion d'assistant intelligent de préparation des données.