Méthodes d'apprentissage des modèles géochimiques et application au transport réactif

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. Depuis les concepts scientifiques en recherche fondamentale jusqu’aux solutions technologiques en recherche appliquée, l’innovation est au cœur de son action, articulée autour de quatre orientations stratégiques : climat, environnement et économie circulaire ; énergies renouvelables ; mobilité durable ; hydrocarbures responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur l’apport de solutions aux défis sociétaux et industriels de l’énergie et du climat, au service de la transition écologique. Partie intégrante d’IFPEN, IFP School, son école d’ingénieurs, prépare les générations futures à relever ces défis.

Méthodes d’apprentissage des modèles géochimiques et application au transport réactif

La modélisation des phénomènes géochimiques couplés avec le transport est un outil essentiel pour comprendre les processus naturels (transformation des roches, sources naturelles de gaz, biodégradation) et maitriser les risques associés aux processus industriels (stockage de CO2 et d’hydrogène, installations géothermiques, remédiation des polluants).

Malgré les avancées régulières sur les performances globales des machines et des méthodes numériques, les calculs de chimie pénalisent toujours fortement la performance des simulations de transport réactif. D’autre part ce calcul est effectué un très grand nombre de fois avec des entrées similaires et de manière parallèle. Il est donc particulièrement intéressant de pouvoir remplacer ce calcul par une surface de réponse robuste et rapide « apprise » à partir de calculs effectués au préalable ou au cours de la simulation.

Plusieurs articles ont été publiés récemment sur l’utilisation de méthodes d’apprentissage s’appuyant sur des tabulations intelligentes ou des réseaux de neurones combinés avec le transport selon un schéma de couplage simple (séquentiel non itératif) (Leal et al 2020, Guerillot et al 2020). Les gains affichés sont impressionnants (de l’ordre de 10 à 100) ce qui suscite un grand intérêt pour nos applications. Il reste néanmoins de nombreuses interrogations sur la manière de piloter la phase d’apprentissage et sur la possibilité de combiner ces méthodes avec des formulations couplées plus complexes (itératives ou globales).

Travail de stage :

Le stage consiste à étudier et à mettre en oeuvre la seconde méthode citée, à base de réseaux de neurones. Un code prototype sera développé en python en utilisant les librairies standard (pytorch, tensorflow, scikit-learn).

Dans la phase d’apprentissage les données d’entrées seront générées à la demande par notre logiciel de géochimie (codé en C++ et interfacé avec python). Une fois calibré, le modèle sera ensuite intégré dans un solveur de transport réactif prototype afin de valider l’approche complète et de mesurer les gains de performance obtenus.

Le stagiaire sera localisé dans le département de mathématiques appliquées et encadré par une équipe multi-disciplinaire couvrant les trois domaines impliqués (méthodes numériques, modélisation chimie-transport et machine learning).