Seminar by Jimmy DAYNAC
ARTIFICIAL INTELLIGENCE AND PREDICTIVE GEOLOGY FOR FLUID-ROCK INTERACTIONS AND DEFORMATIONS
Friday 9 January 2026, 14:00
Advances in geosciences have always depended on available technologies, and have sometimes even led to major discoveries. Today, while artificial intelligence (AI) is transforming medicine and finance, its adoption in geosciences remains limited, despite its potential to address environmental and energy challenges. AI is advancing in certain well-structured fields such as hydrology, seismic interpretation, and climate forecasting, but its use in resource exploration remains limited. The obstacles are mainly related to heterogeneous data, the lack of annotated datasets, the spatial complexity of geological systems, and the absence of standards for evaluating model reliability. This slowness is worrying at a time when the energy transition is increasing demand for critical resources such as natural hydrogen, CO2 storage, and strategic metals (Cu, Li, Co, rare earths).
In this context, AI can accelerate the analysis of complex geospatial data, reveal hidden structures, and optimize exploration strategies. Our work, grouped under the concept of Artificial Intelligence for Terrain and Exploration Resources (AITER), aims to combine geological expertise and machine learning methods to answer the following question: can we gain new insights into our understanding of the subsurface by combining AI models and geological data ? The stakes of this question go beyond simple detection or mapping. Using heterogeneous, multi-scale data, the aim is to use AI to assess the geological factors that control the genesis of strategic resources in the context of basement/cover interaction and to try to establish genetic relationships between fractured systems and strategic resources (natural hydrogen, critical metals). The goal is not to replace the naturalistic approach, but to extend it. By merging geological, geophysical, and geochemical data, AI provides a complementary interpretive framework that can reveal correlations or structures invisible to the geologist alone.
Séminaire de Jimmy DAYNAC (Laboratoire de Planétologie et Géosciences)
INTELLIGENCE ARTIFICIELLE ET GÉOLOGIE PRÉDICTIVE POUR LES INTERACTIONS ET DÉFORMATIONS FLUIDE-ROCHE
Friday 9 January 2026, 14:00
L’un des plus grands défis sociétaux moderne réside dans la capacité de l’Humain à réduire drastiquement ses émissions de gaz à effet de serre comme le CO2 dans le but stopper son impact, ou tout du moins fortement le réduire, sur le climat. Ce challenge est multi-facteurs et touche un grand nombre de champs disciplinaires comme celui des Géosciences. Comme tout grand défi, celui-ci comporte des verrous scientifiques qu’il convient de lever par des recherches académiques avant un potentiel déploiement des innovations technologiques au profit de la société. Au sein des Géosciences, une des alternatives envisagées est le piégeage massif du CO2 en sous-sol, notamment dans les anciens réservoirs d’hydrocarbures déplétés. Cette technique d’injection de CO2 à l’état supercritique permet de stocker de grands volumes de gaz à grande échelle sur la planète.
Cependant, ce stockage doit être pérenne et les avancées en géosciences ont toujours dépendu des technologies disponibles, et parfois même permis des découvertes majeures. Aujourd’hui, alors que l’intelligence artificielle (IA) transforme la médecine ou la finance, son adoption reste timide dans les géosciences, malgré son potentiel pour répondre aux défis environnementaux et énergétiques. L’IA progresse dans certains domaines bien structurés comme l’hydrologie, l’interprétation sismique, la prévision climatique, mais son usage en exploration des ressources demeure limité, en raison de la difficulté à coupler des données hétérogènes, au manque de jeux de données annotés, à la complexité spatiale des systèmes géologiques, et à l’absence de standards pour évaluer la fiabilité des modèles. Cette lenteur est préoccupante alors que la transition énergétique accroît la demande en ressources critiques comme l’hydrogène naturel, le stockage du CO2, et les métaux stratégiques (Cu, Li, Co, terres rares). Dans ce contexte, l’IA peut accélérer l’analyse de données géospatiales complexes, révéler des structures cachées et optimiser les stratégies d’exploration. Nos travaux, regroupés sous le concept Artificial Intelligence for Terrain and Exploration Resources (AITER), visent à combiner expertise géologique et méthodes d’apprentissage automatique afin de répondre à la question suivante : pouvons-nous obtenir de nouvelles informations sur notre compréhension du sous-sol en combinant des modèles d’IA et des données géologiques ? L’enjeu de cette question va au-delà de la simple détection ou cartographie. A partir de données hétérogènes et multi-échelles, il s’agit d’utiliser l’IA pour évaluer les facteurs géologiques qui contrôlent la genèse des ressources stratégiques dans le contexte d’interaction socle/couverture et d’essayer d’établir les relations génétiques entre les systèmes fracturés et les ressources stratégiques (hydrogène naturel, métaux critiques). L’objectif n’est pas de remplacer l’approche naturaliste, mais de l’étendre. En fusionnant les données géologiques, géophysiques et géochimiques, l’IA fournit un cadre d’interprétation complémentaire qui peut révéler des corrélations ou des structures invisibles pour le géologue seul.
