Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Aprona et UMR ITES, Strasbourg
Durée : 6 mois
Contact : fahs@unistra.fr
Date limite de publication : 2024-01-30

Contexte :
L’APRONA (Association pour la Protection de la Nappe Phréatique de la plaine d’Alsace – www.aprona.net/), a pour principales missions la surveillance qualitative et quantitative de la nappe d’alsace et des aquifères du Sundgau. Elle assure ainsi la gestion des réseaux d’observation des eaux souterraines, la collecte et l’exploitation des données ainsi que leur diffusion et leur communication.

La nappe d’Alsace, partie intégrante du réservoir aquifère le plus important d’Europe, constitue un patrimoine naturel et un enjeu économique majeur pour l’alimentation en eau potable, en eau d’irrigation et en eau industrielle. Les échanges eaux superficielles – eaux souterraines, très fréquents, sont la caractéristique principale de ce hydro-système unique par sa taille. Les fluctuations de niveau, plus ou moins importantes suivant l’endroit et les types d’événements qui en sont la cause, ne sont pas sans conséquence sur le milieu naturel et les activités humaines : assèchement des zones humides, remontées d’eau dans les caves et les parkings souterrains, incidences sur l’importance et la propagation des pollutions.

Sujet :
Face à ces enjeux accentués par les impacts du changement climatique1, comment prédire efficacement la réaction de la nappe afin de mieux faire face aux situations de crises (crue et sècheresse) ?
Connaissant les facteurs responsables de l’évolution de la recharge2 des nappes, plusieurs approches modélisation sont alors possibles. Avec les progrès dans le domaine de développement des cartes graphiques (GPU), les réseaux de neurones d’apprentissage profond émergent comme une nouvelle technique pour la modélisation avec d’excellents résultats dans de nombreux domaines et applications scientifiques. Un intérêt particulier est porté actuellement à l’utilisation de ces techniques pour la gestion des ressources en eaux souterraines. Cependant, dans contexte, la mise en œuvre des réseaux de neurones est limitée par la disponibilité et la qualité des données. Très récemment (en 2019), une nouvelle classe des réseaux de neurones a fait son apparition pour pallier ce problème. Dans cette classe, connue sous le nom PINNs (Physics Informed Neural Networks), l’apprentissage du réseau est guidé par les lois physiques et peut se faire d’une façon efficace même avec peu de données. L’intégration des lois physiques dans l’apprentissage des réseaux permet de les rendre plus fiables pour la prédiction des effets des changements climatiques, où les modèles basés uniquement sur les données peuvent être moins fiables dans des conditions différentes de celles observées. Les PINNs sont prometteurs dans différentes applications scientifiques. Leur application dans le domaine de la gestion des eaux souterraines est actuellement l’un des défis de la communauté scientifique. Ceci représente l’objectif principal de ce stage.
Une formation spécifique est prévue pour faciliter l’accès vers cette méthode.

La méthodologie du stage repose sur les trois tâches suivantes :
1. Formation
a. Synthèse bibliographique (analyse des documents fournis)
b. Compréhension des processus physiques et des modèles mathématiques
c. Prise en main des outils (PINNs, Python et modèle éléments finis)
2. Modèle PINNS (cas synthétique)
a. Construction d’un modèle PINNs sans données pour l’écoulement souterrain en nappe libre
b. Vérification du modèle par comparaison à un modèle éléments finis
3. Cas réel (échange nappe et cours d’eau)
a. Construction d’un modèle PINNs pour un cas réel impliquant des processus d’échange nappe-rivière et utilisation des données d’observation avec les PINNs.
b. Evaluation de la fiabilité des prédictions du modèle PINNs.
c. Evaluation de l’intérêt d’utiliser PINNs par rapport à un modèle de réseaux de neurones standard.

Profil du candidat :
Master 2 ou 3ème année d’école d’ingénieur dans les domaines suivants : Mathématiques appliquées (méthodes numériques, statistiques, probabilités) ; Sciences des données ; Mécanique des fluides ; Physique ; Sciences de la terre et de l’environnement.

Formation et compétences requises :
– Des connaissances en Python sont impératives. Une volonté de développer ces compétences est indispensable.
– Capacité à travailler en groupe ; Bonne aptitude à la communication interpersonnelle ; Assimilation de nouvelles connaissances.

Adresse d’emploi :
Le stage aura lieu dans l’Institut Terre et Environnement de Strasbourg (ITES : https://ites.unistra.fr/).
Le stagiaire sera encadré par un hydrogéologue (APRONA) et par François Lehmann et Marwan Fahs enseignant-chercheurs à ITES

Document attaché : 202311191633_FICHE_STAGE_2024_ITES.PDF