Méthodes d'apprentissage auto-supervisées pour l'analyse d'images 3D de roches

La compréhension de l’écoulement des fluides dans les milieux poreux est essentielle dans de nombreux domaines d’application tels que la mécanique des sols, l’hydrologie ou la caractérisation des réservoirs géologiques pour la séquestration du carbone. En particulier, la Physique Numérique des Roches (PNR) qui combine des techniques d’imagerie 3D haute résolution et des simulations numériques, permet d’analyser les structures internes des roches et d’estimer des propriétés clés telles que la perméabilité et la porosité. Toutefois, les méthodes traditionnelles basées sur des mesures expérimentales ou des simulations numériques sont fastidieuses et coûteuses, ce qui limite leur application à grande échelle. Ces dernières années, des approches basées sur l’apprentissage automatique ont permis de réduire la dépendance aux simulations coûteuses. Néanmoins, ces méthodes supervisées nécessitent un grand volume de données manuellement annotées pour l’apprentissage, ce qui constitue une limite importante dans le domaine de la PNR. L’objectif principal de cette thèse est donc le développement d’algorithmes d’apprentissage non supervisés pour surmonter le problème du manque de données annotées. Nous nous intéressons, en particulier, à l’apprentissage auto-supervisé et montrons comment il est possible d’apprendre des représentations invariantes et robustes en exploitant des données non annotées. Dans un premier temps, nous relevons le défi que représente l’adaptation de ces approches à des données 3D volumineuses par la mise en œuvre d’augmentations adaptées à la complexité des images 3D de roches et le déploiement de mécanismes et d’architectures optimisés. Dans un second temps, nous proposons une approche originale d’apprentissage, nommée MixSim3D, dans laquelle les données originales sont progressivement mélangées avec leurs versions augmentées, permettant ainsi au modèle de commencer par apprendre des structures simples avant de s’adapter à des variations plus complexes. Les nombreuses validations expérimentales montrent que nos approches sont capables de prédire efficacement les propriétés mécaniques de divers types de roches à partir d’images 3D en n’utilisant qu’une infime fraction de données annotées.