Stage en sciences des données - Analyses de séries temporelles DAS (F/H)

BRGM; Orléans; Vor Ort; EUR 7.800 - 12.000; Vollzeit

Zusammenfassung

Le BRGM recherche un stagiaire Master 2 ou école d'ingénieur pour développer des méthodes de débruitage et de séparation des composantes réversibles et irréversibles dans des séries temporelles DAS issues de fibre optique.

Vous exercerez des approches STL, VMD/EMD et apprentissage profond (scikit-learn, PyTorch) en Python, et collaborerez avec des géophysiciens et le projet ANR SITcomOptics (BRGM, SNCF Réseau).

Qualifikationen

• Étudiant(e) en Master 2 ou école d'ingénieur avec solide pratique de la programmation scientifique en Python et bibliothèques usuelles (NumPy, Pandas, Matplotlib) et apprentissage automatique (scikit-learn, PyTorch).
• Bonne familiarité avec le traitement du signal et la décomposition de séries temporelles; atout pour les signaux DAS.

Aufgaben

• Proposer et implémenter des méthodes de débruitage et de séparation des composantes réversibles et irréversibles dans des séries DAS.
• Modéliser la composante réversible via covariables environnementales et définir des plages normales (baseline) pour identifier les écarts.
• Travailler en interaction étroite avec des ingénieurs géophysiciens et partenaires du projet ANR SITcomOptics (BRGM, SNCF Réseau).

Kenntnisse

Python

NumPy

Pandas

Matplotlib

scikit-learn

PyTorch

Traitement du signal

Décomposition temps-fréquence

Communication scientifique

Ausbildung

Master 2 ou école d'ingénieur

Tools

PyTorch

scikit-learn

Jobbeschreibung

Le suivi temporel long-terme (annuel) des propriétés géomécaniques du sous-sol par mesures DAS sur des câbles à fibres optiques de télécommunication déjà existant est une approche prometteuse pour prévenir les risques d'effondrement du sous-sol le long des grandes infrastructures de transports, en particulier les voies ferrées. Au passage des trains, des attributs sismiques caractéristiques de la proche surface peuvent être extraits des données DAS et suivis dans le temps et le long de la fibre. Un observable issu de ces attributs est la fréquence de résonance du sol (f0), sensible à la structure de vitesse des ondes de cisaillement (Vs) de la proche surface, dont on dispose aujourd'hui de chroniques sur plusieurs sites d'intérêt dans des contextes variés (Grand et al., 2026). Le défi principal est double :

• les variations de ces attributs reliées aux processus d'effondrements (ccomposantes dite « irreversible ») sont largements inférieures aux variations saisonnières reliées aux processus environnementaux (hydrogéologie, T°C, composantes dites « reversibles »). Il est donc nécessaire de séparer la composante irréversible des composantes réversibles.
• Le niveau de bruit intrinsèque des données issues des fibres telecom est élevé par rapport à celui issu de capteurs conventionnels (sismomètre, géophone), ce qui complique la détection de signaux faibles.

Le stage visera donc à développer des approches adaptées de débruitage et de séparation des composantes réversibles et irréversibles dans des séries temporelles bruitées. Plus précisément, il s'agira de :

• Développer une méthode de débruitage qui améliore la qualité des séries temporelles tout en préservant la faible composante irréversible recherchée
• Modéliser finement la composante réversible en la conditionnant par les covariables environnementales, définir des plages de variation « normales » (baseline) et concevoir une méthodologie d'identification d'écarts anormaux ; la séparation d'une éventuelle composante irréversible sera abordée sur données réelles et/ou synthétiques.

Les travaux s'appuieront sur un panel de méthodes modernes :

• décomposition et débruitage robustes de séries temporelles (STL, VMD/EMD, ondelettes) pour traiter le caractère non-stationnaire des signaux ;
• régression conditionnée par les covariables environnementales (température, piézométrie, précipitations) pour modéliser et soustraire la composante réversible
• à titre exploratoire et comparatif, approches d'apprentissage profond adaptées aux séries temporelles (modèles de diffusion 1D, architectures de type Transformer à décomposition intrinsèque)

Les développements s'appuieront sur des chroniques de fréquences de résonance (f0) d'environ un à deux ans, calculées quotidiennement par SNCF RESEAU sur trois sites répartis le long d'une vingtaine de kilomètres de fibre optique de télécommunication opéré par SNCF RESEAU. L'intégration de données environnementales (piézométrie, température)

Le stage s'adresse à un·e étudiant·e de niveau Master 2 ou école d'ingénieur disposant d'une solide pratique de la programmation scientifique en Python, notamment avec les bibliothèques usuelles pour la manipulation et la visualisation de données (NumPy, Pandas, Matplotlib) ainsi que pour l'apprentissage automatique et profond (scikit-learn, PyTorch). Une familiarité avec le traitement du signal et la décomposition de séries temporelles (filtrage, ondelettes, décompositions temps-fréquence, désaisonnalisation, régression) constituerait un atout pour traiter les séries temporelles issues des mesures DAS. Le ou la stagiaire devra également être à l'aise avec la gestion et l'intégration de données hétérogènes (séries sismiques, variables environnementales) et travailler en interaction étroite avec des ingénieurs géophysiciens et des partenaires du projet ANR SITcomOptics (BRGM, SNCF Réseau). Dans ce contexte, de bonnes compétences en communication scientifique — tant pour la rédaction de rapports que pour la présentation orale des résultats — seront nécessaires pour assurer la valorisation des travaux.