Mathématiques et informatique

Au cours de la dernière décennie, l’apprentissage profond (deep learning) appliqué à l’analyse d’images a connu un réel essor et une extension dans de nombreux domaines. Cependant, son potentiel reste encore sous-exploité en géologie, bien que cette discipline implique beaucoup d’interprétation visuelle. Pour contribuer à la transformation numérique des industries liées au sous-sol, les chercheurs IFPEN ont mis en œuvre l'apprentissage profond dans trois « contextes métier », impliquant chacun un type différent d’images géologiques.

La segmentation sémantique réalisée sur des images de microscopie est une opération de traitement effectuée en vue de quantifier la porosité d’un matériau et son hétérogénéité. Elle vise à affecter une classe d’appartenance (niveau d’hétérogénéité de la porosité) à chaque pixel de l’image. Cependant elle est très difficile sur certains matériaux (comme les alumines employées pour la catalyse), voire impossible par une approche classique de traitement d’image, car les différences de porosité sont caractérisées par des contrastes faibles et des variations de texture complexes. Un moyen de dépasser cette limitation est d’aborder par apprentissage profond la segmentation sémantique, en recourant à un réseau de neurones convolutifs.

L’électrification du groupe motopropulseur des véhicules est une des clés de la mobilité durable et l’hybridation avec des moteurs thermiques est de plus en plus répandue. Dans ce contexte, l’hybridation légère « à 48 volts » est une option à faible coût, flexible et simple à intégrer, avec des contraintes de sécurité allégées et des performances remarquables.

La substitution de bioprocédés aux procédés pétrochimiques requiert la mise en oeuvre de biocatalyseurs (ou micro-organismes) pour produire des molécules, avec un moindre impact environnemental. L’un de ces microorganismes, Clostridium beijerinckii DSM 6423

La baisse de la qualité des pétroles bruts combinée au durcissement des normes environnementales conduit les raffineurs à modifier leurs procédés pour répondre à la demande croissante en coupes

Les technologies du numérique participent de façon croissante à la résolution des problématiques industrielles. IFPEN a engagé une collaboration avec l’Inria. Cinq ans après, bilan d’un partenariat fructueux.

Le domaine scientifique concerné par mes travaux d’HDR est celui de la modélisation numérique 3D de la combustion diphasique, associant des travaux sur la combustion turbulente et la préparation du

Les travaux de mon HDR visaient à améliorer la performance des catalyseurs par le traitement d’images, en automatisant les analyses et en améliorant la qualité de l’information extraite des données