> Le poste

Dans ce contexte, la géothermie a un rôle très important à jouer dans la transition énergétique à partir des énergies fossiles. Principalement parce que la géothermie est indépendante des variations journalières ou saisonnières, comme la force du vent et l'ensoleillement (respectivement pour l'éolien et le solaire). De plus, son développement est plutôt indépendant des ressources stratégiques rares, donc peu sujet à l'instabilité géopolitique mondiale. La ressource géothermique est déjà utilisée dans 90 pays pour fournir de l'électricité et/ou de la chaleur.

Malgré ces avantages certains, l'exploration géothermique - étape obligatoire précédant l'exploitation - comporte des défis majeurs liés à l'incertitude de la caractérisation et il n'existe à ce jour aucun consensus ou bonne pratique établie à suivre. De fait, l'acquisition de nouvelles données (nouveaux forages, campagne sismique) doit être motivée par une approche quantitative des risques.

Aujourd'hui, cette évaluation des risques repose principalement sur une analyse qualitative soumise à l'expertise humaine, donc porteuse d'incertitudes de toutes sortes, non caractérisées et non prises en compte dans un processus décisionnel quantitatif.
Habituellement, la phase d'exploration d'un projet de géothermie profonde est coûteuse et longue, passant par la conception d'une élaboration fastidieuse de géomodèles.

Il est en effet crucial de caractériser et d'estimer la quantité d'énergie potentiellement disponible sous terre, pour soutenir la prochaine phase d'exploration, comme l'acquisition de nouvelles données et l'atténuation des risques. Un défi majeur pour l'exploration géothermique profonde est d'accélérer l'évaluation du potentiel, tout en atténuant le risque de mauvaise interprétation, ainsi qu'une évaluation de l'incertitude.

L'objectif principal du projet est donc de développer un modèle d'évaluation rapide en faisant correspondre les données disponibles tout en tenant compte de l'incertitude avec une approche de type multi-scénarios. Une attention particulière sera portée aux données avec une analyse préalable, un traitement adapté basé sur le machine learning et une modélisation rapide des écoulements de fluides.

Ce projet emploiera ou développera une série de codes open source in