Van Thao NGUYEN soutient sa thèse de doctorat le jeudi 11 décembre 2025 : "Méthodes d'apprentissage auto-supervisées pour l'analyse d'images 3D de roches" (see English version above)

Van Thao NGUYEN soutient sa thèse de doctorat le jeudi 11 décembre 2025.

Titre: Méthodes d’apprentissage auto-supervisées pour l’analyse d’images 3D de roches

Résumé

La compréhension de l’écoulement des fluides dans les milieux poreux est essentielle dans de nombreux domaines d’application tels que la mécanique des sols, l’hydrologie ou la caractérisation des réservoirs géologiques pour la séquestration du carbone. En particulier, la Physique Numérique des Roches (PNR) qui combine des techniques d’imagerie 3D haute résolution et des simulations numériques, permet d’analyser les structures internes des roches et d’estimer des propriétés clés telles que la perméabilité et la porosité. Toutefois, les méthodes traditionnelles basées sur des mesures expérimentales ou des simulations numériques sont fastidieuses et coûteuses, ce qui limite leur application à grande échelle. Ces dernières années, des approches basées sur l’apprentissage automatique ont permis de réduire la dépendance aux simulations coûteuses. Néanmoins, ces méthodes supervisées nécessitent un grand volume de données manuellement annotées pour l’apprentissage, ce qui constitue une limite importante dans le domaine de la PNR. L’objectif principal de cette thèse est donc le développement d’algorithmes d’apprentissage non supervisés pour surmonter le problème du manque de données annotées. Nous nous intéressons, en particulier, à l’apprentissage auto-supervisé et montrons comment il est possible d’apprendre des représentations invariantes et robustes en exploitant des données non annotées. Dans un premier temps, nous relevons le défi que représente l’adaptation de ces approches à des données 3D volumineuses par la mise en œuvre d’augmentations adaptées à la complexité des images 3D de roches et le déploiement de mécanismes et d’architectures optimisés. Dans un second temps, nous proposons une approche originale d’apprentissage, nommée MixSim3D, dans laquelle les données originales sont progressivement mélangées avec leurs versions augmentées, permettant ainsi au modèle de commencer par apprendre des structures simples avant de s’adapter à des variations plus complexes. Les nombreuses validations expérimentales montrent que nos approches sont capables de prédire efficacement les propriétés mécaniques de divers types de roches à partir d’images 3D en n’utilisant qu’une infime fraction de données annotées.

Composition du jury de thèse/Doctoral thesis jury composition

Membre du jury	Titre	Lieu d’exercice	Fonction dans le jury
Yannick BENEZETH	Professeur des Universités	Université Bourgogne	Rapporteur
Samia AINOUZ	Professeur des Universités	INSA Rouen	Rapporteur
Alain TREMEAU	Professeure des Universités	Université Jean Monnet – Saint-Etienne	Examinatreur
Arthur LECLAIRE	Maître de Conférences	Télécom Paris – Institut Polytechnique de Paris	Examinateur
Dro Désiré SIDIBÉ	Professeur des Universités	Université Évry Paris-Saclay	Directeur de thèse
Dominique FOURER	Maître de Conférences	Université Évry Paris-Saclay	Co-encadrant de thèse
Jean-François LECOMTE	Ingénieur de Recherche	IFP Energies Nouvelles – Sciences et Technologies du Numérique	Co-encadrant de thèse
Souhail YOUSSEF	Ingénieur Docteur	IFP Energies Nouvellestd>	Co-encadrant de thèse

Van Thao NGUYEN will defend his doctoral thesis on Thirsday, December 11, 2025.

Title: Self-supervised learning for 3D tomographic images analysis in Digital Rock Physics

Abstract:

Understanding fluid flow in porous media is essential in many application areas such as soil mechanics, hydrology or the characterization of geological reservoirs for carbon sequestration, for example. In particular, Digital Rock Physics (DRP), which combines high-resolution 3D imaging techniques with numerical simulations, makes it possible to analyze the internal structures of rocks and estimate key properties such as permeability and porosity. However, traditional Digital Rock Physics (DRP) methods based on experimental measurements or numerical simulations are tedious and expensive, which limits their widespread application. In recent years, machine learning-based approaches have accelerated predictions and reduced reliance on costly simulations. However, these supervised methods require a large volume of manually annotated data for training, which is a significant limitation in the field of DRP. The main objective of this thesis is therefore the development of unsupervised learning algorithms to overcome the lack of labeled data. We focus, in particular, on self-supervised learning and demonstrate how it is possible to learn invariant and robust representations by exploiting unlabeled data. First, we address the challenge of adapting these approaches to large 3D datasets by implementing augmentations adapted to the complexity of 3D rock images, and deploying optimized mechanisms and architectures. Second, we propose a novel learning approach, called MixSim3D, in which the original data are progressively mixed with their augmented versions, allowing the model to first learn simple structures before adapting to more complex variations. Extensive experimental validations show that our approaches can efficiently predict the mechanical properties of various rock types from 3D images using only a tiny fraction of annotated data.

Date: jeudi 11/12/2025.
Doctorant : Van Thao NGUYEN(Université d’Évry, Université Paris Saclay, IBISC équipes SIAM)
Direction de thèse: Dro Désiré SIDIBE (PR Univ. Évry, IBISC équipe IRA2), directeur de thèse; Dominique FOURER (MCF Univ. Évry, IBISC équipe SIAM), co-encadrant de thèse

Van Thao NGUYEN soutient sa thèse de doctorat le jeudi 11 décembre 2025 : « Méthodes d’apprentissage auto-supervisées pour l’analyse d’images 3D de roches » (see English version above)