Stage - Détection d'évènements (opérations de forage) - H/F

Vous serez intégré(e) à la Data Team de la TotalEnergies Digital Factory (TDF), composée de plusieurs dizaines de Data Scientists qui participent à la construction de solutions d'aide à la décision basées sur les technologies de pointe dans l'IA, e.g. Machine Learning, Optimisation, Computer Vision pour tous les métiers de la Compagnie.

Vous serez plus particulièrement intégré(e) à la squad EP, en charge de gérer les projets relatifs à l'énergie pétrolière ainsi qu'à l'amélioration de la sécurité et l'efficacité des opérations relatives aux forages.

Notre objectif principal est le suivant :

Étudier la faisabilité et la plus value apportée par les méthodes de soft labelling, de génération d'évènements simulés pour la data augmentation, ainsi que la possibilité de faire un modèle prédictif de l'état de la foreuse à chaque instant.

La complexité inhérente aux forages et à l'extraction de pétrole dans des zones complexes d'accès, le manque de données sur les évènements physiques ayant lieu sous terre, et surtout la dépendance forte aux jugements humains ainsi qu'à des capteurs imprécis sont autant de difficultés pour l'application de modèles de machine learning aux problèmes de forage.

Cette complexité a toujours constitué à la fois un défi stimulant et une source de motivation pour la création de nouvelles stratégies et techniques de modélisation. Bien que les modèles mécanistiques soient généralement rigoureux, ils peuvent présenter d'importants écarts par rapport aux mesures expérimentales, potentiellement en raison d'hypothèses peu raisonnables sur la physique sous-jacente ou d'une caractérisation insuffisante de certains effets.

Récemment, la communauté a dirigé son attention vers les approches basées sur les capteurs virtuels ainsi que sur la génération de caractéristiques interpolées des données et capteurs réels dans l'espoir de pallier les approximations des capteurs et faciliter l'entraînement de modèles ML.

L'approche soft labelling permettra d'éviter les manques de labels disponibles, notamment dûs au caractère transitoire de certains évènements. Elle aidera aussi à éviter l'imprécision quant à l'exact moment auquel l'évènement d'intérêt est détecté.

La création d'un modèle sur l'état d'une foreuse en temps réel permettra de simplifier le travail des modèles dépendants de l'état de la foreuse et facilitera leurs travaux respectifs.

Les éléments suivants seront prépondérants pour arriver à l'objectif principal :

* Veille scientifique sur les différentes méthodes

* Création de POCs sur des sous-ensembles d'évènements

* S'impliquer dans les activités transverses de l'équipe Data, en collaborant avec d'autres membres de l'équipe pour participer à l'animation de la communauté globale de la Data chez TotalEnergies.

Au sein d'une école d'ingénieurs, vous êtes prochainement diplômé(e) d'un Master 2 et recherchez un stage de fin d'études d'une durée de 6 mois (de mai à octobre 2024) ?

Vous êtes reconnu pour vos connaissances en Data Science/Machine Learning ? Vous êtes à l'aise avec les mathématiques et le Code Quality ?

Vous savez utiliser le logiciel Python ? (Github et Docker seraient un plus).

La bienveillance, la rigueur et l'esprit d'équipe font partie intégrante de vos qualités ?

Vous êtes capable de communiquer en anglais avec diverses parties prenantes ?

Alors n'attendez plus, postulez pour rejoindre notre équipe !

TotalEnergies est une compagnie multi-énergies mondiale de production et de fourniture d'énergies : pétrole et biocarburants, gaz naturel et gaz verts, renouvelables et électricité. Ses 105 000 collaborateurs s'engagent pour une énergie toujours plus abordable, propre, fiable et accessible au plus grand nombre. Présent dans plus de 130 pays, TotalEnergies inscrit le développement durable dans toutes ses dimensions au cœur de ses projets et opérations pour contribuer au bien-être des populations.