Post-doct : Apprentissage automatique pour la modélisation prédictive du comportement de fragmentation

Summary: Post-doctoral researcher to develop advanced machine learning methods for predicting mineral fragmentation behavior. The role involves integrating heterogeneous scientific and industrial data to create compact representations of particle breakage signatures and probabilistic models for energy consumption prediction.

### Contexte

Dans le cadre du programme PEPR « Sous-sol, bien commun », le projet InnovTech fédère huit institutions de recherche françaises autour du traitement durable des ressources minérales, avec un focus explicite sur l'intelligence artificielle et l'apprentissage automatique.
Ce poste post-doctorat s'inscrit dans la sous-tâche ST3.1.1 : Combler l'écart entre les propriétés élémentaires de fragmentation des minerais et les performances des technologies de comminution (Porteur : INP/LGC - Participants : BRGM, LGF/MSE).
La fragmentation représente environ 50 % de la consommation énergétique des usines de traitement des minéraux dans le monde. La sous-tâche ST3.1.1 propose une méthodologie ascendante : à partir de données de fragmentation à l'échelle de la particule, générées par des outils expérimentaux dédiés et des simulations DEM, des modèles couplés d'apprentissage automatique et phénoménologiques feront le lien entre les propriétés élémentaires de fragmentation et les performances des machines de comminution.
Le problème d'apprentissage automatique est le suivant. Trois sources de données complémentaires caractérisent chaque particule minérale : des volumes de micro-tomographie 3D (réseaux de fissures, porosité, minéralogie), des résultats d'essais de rupture de particules uniques (énergie de rupture, probabilité de rupture, distributions de taille des fragments) et des sorties de simulations DEM (mécanismes de rupture, dissipation d'énergie).

### Description de la mission

L'objectif est d'apprendre une représentation compacte et transférable du comportement de rupture des particules, que nous appelons la « signature de fragmentabilité », et de l'utiliser pour prédire, à l'échelle de la particule, la probabilité de rupture, les distributions de taille des fragments et la sensibilité au régime de chargement, et à l'échelle du procédé, la consommation énergétique et la distribution granulométrique du produit des équipements de fragmentation, permettant une comparaison hiérarchisée des options de machines pour un minerai et une granulométrie cible donnés.

En tant que chercheur post-doctorant au sein d'InnovTech ST3.1.1, vous contribuerez au développement de méthodes d'apprentissage automatique de nouvelle génération pour des données scientifiques et industrielles.
Le projet vise à comprendre et prédire le comportement de fragmentation des particules minérales à partir d'observations expérimentales hétérogènes.
Les principales directions de recherche incluent :

• Apprentissage multimodal et fusion de données : développer des approches d'apprentissage automatique capables d'intégrer des sources de données scientifiques et industrielles hétérogènes, incluant l'imagerie, la caractérisation des matériaux, les mesures mécaniques et les expériences de fragmentation.
• Apprentissage de représentations pour les systèmes matériels complexes : concevoir des représentations compactes, interprétables et transférables caractérisant les propriétés des particules et le comportement de fragmentation.
• Apprentissage automatique probabiliste et quantification des incertitudes : développer des modèles prédisant des distributions et des estimations de confiance plutôt que des sorties déterministes uniques.
• Modélisation prédictive multi-échelle : développer des modèles capables de relier des observations collectées à différentes échelles spatiales et temporelles, de la caractérisation des matériaux et des particules au comportement de fragmentation et aux performances à l'échelle du procédé.
• Apprentissage automatique économe en données : explorer des méthodologies adaptées aux jeux de données limités, hétérogènes et partiellement observés, incluant l'apprentissage par transfert, l'apprentissage autosupervisé, la modélisation par substitut, l'apprentissage actif et les approches de décision tenant compte des incertitudes.

### Profil

Date de début souhaitée : 01/01/2027
Type de contrat : Post-Doctorant
Durée : 18 mois
Formation : Doctorat

Vous êtes titulaire d'un doctorat en apprentissage automatique, intelligence artificielle, science des données, mathématiques appliquées, statistiques computationnelles, vision par ordinateur, calcul scientifique ou une discipline proche.
Vous êtes intéressé par l'application de méthodes d'apprentissage automatique avancées à des problèmes scientifiques concrets exigeants.
Idéalement, vous devriez posséder :

• Une solide expertise en apprentissage automatique et apprentissage profond.
• Une expérience en apprentissage multimodal, quantification des incertitudes, modélisation probabiliste ou approches similaires.
• Des connaissances en apprentissage automatique scientifique, apprentissage informé par la physique, modélisation hybride.
• Une expérience en analyse d'images, vision par ordinateur, données géométriques, nuages de points, graphes ou autres représentations de données structurées.
• De solides compétences en programmation Python et dans des frameworks modernes d'apprentissage automatique tels que PyTorch, TensorFlow.
• Une expérience en recherche reproductible, évaluation de modèles, benchmarking et développement de logiciels scientifiques.
• De fortes compétences en communication et en collaboration dans des environnements de recherche multidisciplinaires.
• Une expérience en traitement des minéraux constituerait un atout.

Ce poste est à pourvoir au sein de l'unité DCGS/GDS du BRGM, sur le centre technique d'Orléans (45). Vous travaillerez en étroite collaboration avec une équipe pluridisciplinaire de chercheurs en science des données, mathématiques appliquées, génie des procédés et science des matériaux. Le poste implique de piloter des activités de recherche, de publier dans des revues à fort impact, de contribuer aux livrables du projet et de présenter les résultats lors de conférences internationales.

### Spécificité du poste

Dans un environnement favorable à l'équilibre vie professionnelle/vie privée, notamment grâce au télétravail, le BRGM se distingue par son climat de bienveillance et de convivialité.

Labellisé HRS4R en 2021, notre souhait est de vous accompagner tout au long de votre vie professionnelle au sein du BRGM. Nous mettons à votre disposition de nombreux dispositifs pour développer vos compétences et votre expertise, avec des possibilités d'évolutions et de mobilités géographiques.

Au BRGM, vous bénéficierez de plusieurs avantages tels qu'une rémunération basée sur 13 mois, des JRTT, un restaurant d'entreprise, des infrastructures sportives, des prestations vacances et loisirs, …

Le BRGM vous garantit une procédure de recrutement transparente. Pour postuler envoyer nous votre candidature (CV actualisé et lettre de motivation) jusqu'au 27 novembre 2026.

Sachez que tous nos postes sont ouverts à tous, au BRGM, nous sommes attachés.ées à la diversité !

Nous étudierons votre dossier de recrutement dès la fin de diffusion prévue. Si votre candidature est retenue, nous vous contacterons pour des entretiens de recrutement pendant lesquels vous échangerez avec la direction recruteuse, la direction RH et une direction transverse.