Ce projet de doctorat s'inscrit dans la tâche 2.2 " Développement de méthodes d'intelligence artificielle pour la caractérisation quantitative et la prévision de la circulation des fluides profonds " (responsable de tâche : R. Chassagne), au sein du " PEPR sous-sol bien commun PC9 ", et s'appuiera sur des données du fossé rhénan. Le ou la candidat(e) rejoindra l'équipe Géomodélisation et Data Science de la direction Connaissance et Modélisation du Sous-sol du BRGM. L'objectif principal de cette thèse est de contribuer au développement d'un modèle global et robuste (assimilation de données) du fossé rhénan. L'approche reposera sur une assimilation de données hybride, couplant un modèle physique avec un réseau de neurones (PINNs). L'utilisation de PINNs avec contraintes souples constitue une avancée majeure : elle permet de moduler l'importance des contraintes physiques en fonction de la qualité des données et des connaissances, offrant ainsi une meilleure tolérance aux incertitudes et aux lacunes. Pour assouplir ces contraintes et rendre les PINNs plus robustes, plusieurs approches peuvent être envisagées selon le contexte, chacune proposant différentes manières de traiter les incertitudes dans la modélisation physique : - PINNs pondérés (Weighted PINNs) - PINNs bayésiens (Bayesian PINNs) - PINNs stochastiques (Stochastic PINNs) - PINNs en ensemble (Ensemble PINNs) - PINNs avec décomposition de domaine (Domain-decomposition PINNs). Les approches sélectionnées seront testées dans un cadre dédié d'assimilation de données. Leurs performances dépendront de la quantité et de la qualité des données disponibles. L'objectif est une quantification rigoureuse des incertitudes dans les prédictions finales. À terme, l'étude vise à déterminer comment intégrer de manière optimale les PINNs dans une chaîne de traitement d'assimilation de données géothermiques.Date de début souhaitée : 01/09/2026 Formation : BAC + 5 Expérience : Débutant Le candidat recherché possède : - Un diplôme de niveau Master (ou équivalent) en mathématiques appliquées, physique ou domaine connexe - De solides compétences en calcul et en programmation (Python, C/C++) - Une compréhension des écoulements de fluides en milieux poreux - De bonnes capacités de communication et de rédaction en anglais, ainsi qu'un esprit collaboratif Seront appréciés : - Une expérience en réseaux de neurones - Une expérience en modélisation des écoulements de fluides en milieux poreux - Des connaissances en systèmes géothermiques.