Title: L'apprentissage profond au service de la simulation numérique des réservoirs géologiques
Date: 2020-09-09 15:24
Slug: job_ed1e40dce827a8693236dd31c5e0aee7
Category: job
Authors: Frédéric Nataf
Email: frederic.nataf@sorbonne-universite.fr
Job_Type: Thèse
Tags: these
Template: job_offer
Job_Location: Paris / Rueil
Job_Duration:
Job_Website: https://www.ljll.math.upmc.fr/en/?lang=fr
Job_Employer: IFP Energies Nouvelles / Paris VI
Expiration_Date: 2021-01-01
Attachment: job_ed1e40dce827a8693236dd31c5e0aee7_attachment.pdf
La simulation d’écoulements en milieu poreux est de fondamentale pour la gestion optimale des réservoirs de stockage souterrains naturels (énergie fossile, géothermie, extraction d’hydrogène) ou artificiels (stockage de CO2). L’objectif de la thèse proposée est l’amélioration de la performance de tels simulateurs en terme de réduction du temps de calcul. Plus généralement, le développement de méthodes d’apprentissage pour accélérer les simulations numériques est un domaine de recherche en plein essor sur lequel le LJLL et IFPEN ont les compétences pour innover au plus haut niveau. L’accent sera mis sur la prise en compte des phénomènes d’ouverture et de fermeture de puits, qui sont bien souvent déterminants pour le temps de calcul. Mais les avancées méthodologiques et algorithmiques de cette thèse pourront également bénéficier à terme à d’autres types de simulation que les milieux poreux pour lesquels existent des évènements ponctuels déstabilisateurs d’une dynamique établie (phénomènes d’injection dans les moteurs, rotation rapide d’une éolienne sur son axe, etc.).
L’étudiant(e) sera à 80% au LJLL (Sorbonne Université) et 20% à IFPEN et bénéficiera des mêmes opportunités que les étudiants en thèse au LJLL (participation aux congrès, écoles, …).