Estimation géospatiale de la concentration en lithium dans les eaux souterraines par apprentissage machine

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. De la recherche à l’industrie, l’innovation technologique est au cœur de son action, articulée autour de quatre priorités stratégiques : Mobilité Durable, Energies Nouvelles, Climat / Environnement / Economie circulaire et Hydrocarbures Responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur :

• l’apport de solutions aux défis sociétaux de l’énergie et du climat, en favorisant la transition vers une mobilité durable et l’émergence d’un mix énergétique plus diversifié ;
• la création de richesse et d’emplois, en soutenant l’activité économique française et européenne et la compétitivité des filières industrielles associées.

Partie intégrante d’IFPEN, l’école d’ingénieurs IFP School prépare les générations futures à relever ces défis.

Estimation géospatiale de la concentration en lithium dans les eaux souterraines par apprentissage machine

Contexte et objectifs du stage

Le lithium est une ressource représentant à la fois un levier pour la transition énergétique, un intérêt économique et un enjeu de souveraineté. Une part importante de cette ressource se trouve sous forme dissoute dans les eaux souterraines. Des entreprises investissent par exemple dans la récupération du lithium depuis l’eau circulant dans les puits de géothermie, selon un principe de co-production, par exemple en Alsace.

Cependant, les processus géologiques et physico-chimiques contrôlant la concentration de lithium dans les eaux souterraines restent méconnus. Les industriels à la recherche de cette ressource disposent souvent uniquement d’un ensemble d’observations sur des sites précis et d’une liste de facteurs corrélés de manière floue avec la présence de lithium. Il s’agit donc d’un bon cas d’usage pour les méthodes d’apprentissage machine, celles-ci permettant d’identifier les zones géographiques les plus favorables par une approche plus statistique que phénoménologique. Des premiers travaux dans cette direction commencent d’ailleurs à être publiés dans la littérature scientifique (e.g. Peng et al. 2025).       

Néanmoins, l’utilisation optimale de l’apprentissage machine dans un contexte de cartographie prédictive pose de nombreuses questions méthodologiques. En effet, si les techniques d’apprentissage machine offrent un moyen particulièrement efficace d’extraire des relations fortement multivariées et non-linéaires d’un jeu de données, elles ne prennent pas en compte par défaut l’autocorrélation spatiale des propriétés du sous-sol, les éventuelles connaissances géologiques pré-existantes sur les zones explorées ainsi que les incertitudes intrinsèquement attachées aux données utilisées. Ainsi, depuis plusieurs années, les ingénieurs de IFPEN et leurs partenaires industriels explorent le potentiel de méthodologies avancées associant apprentissage machine, géostatistiques et aide à la décision multi-critère, dans des domaines allant de la géothermie au stockage souterrain (e.g. Lebrun et al. 2022)         

Dans ce contexte, les objectifs de ce sujet de stage sont de mettre en œuvre les méthodologies proposées par IFPEN dans le cas de la concentration en lithium des eaux souterraines, de les ajuster si nécessaire à ce domaine d’application, et d’évaluer à la fois la précision des estimations obtenues et la valeur ajoutée de ces méthodologies par rapport à d’autres approches. 

Programme du stage

Le stage utilisera un ou plusieurs jeux de données issus de la littérature, par exemple au Canada (Peng et al. 2025) ou aux Etats-Unis (Knierim et al. 2024, Attanasi et al. 2024).

• Le ou la stagiaire devra à la fois s’approprier ces données, se documenter sur la géologie du lithium et prendre en main les méthodologies de cartographie prédictive développées par IFPEN, celles-ci étant implémentées sous la forme de modules informatiques en langage Python.
• Ensuite, le ou la stagiaire appliquera ces méthodologies sur les données, analysera les résultats et proposera si pertinent des pistes d’enrichissement, qu’il ou elle pourra programmer.
• Il ou elle comparera également les résultats avec ceux de la littérature, obtenus sur ces mêmes données à partir d’autres méthodes.

En fonction de l’avancée des travaux et de son intérêt, le ou la stagiaire pourra également présenter ses résultats à des industriels partenaires de IFPEN (filiales, sponsors de collaborations R&D…) et participer aux discussions correspondantes.    

Profil recherché

Le profil idéal combine des compétences en géosciences, en programmation informatique et en statistiques.

• Ce profil idéal est également capable de s’épanouir dans un contexte R&D grâce à des qualités de curiosité, d’autonomie et de prise d’initiative. 

Références

Attanasi, E. D., Coburn, T. C., & Freeman, P. A. (2024). Machine learning approaches to identify lithium concentration in petroleum produced waters.  Mineral Economics, 37(3), 477-497. https://doi.org/10.1007/s13563-023-00409-8

Knierim, K. J., Blondes, M. S., Masterson, A., Freeman, P., McDevitt, B., Herzberg, A., et al. (2024). Evaluation of the lithium resource in the Smackover Formation brines of southern Arkansas using machine learning. Science Advances, 10(39), https://doi.org/10.5066/P9QPRYZN

Lebrun, L., Delbos, F., Rasolofosaon, P. N. J., Dehghan, K., Gomez, J., & Siccardi, O. (2022). Advanced Geothermal prospectivity mapping with Machine Learning using Multi-model Regression and Geology-dependent Multicriteria-Decision Analysis. In Second EAGE Digitalization Conference and Exhibition. https://doi.org/10.3997/2214-4609.202239014

Peng, X., Chen, Z., Jiang, C. et al. A Data-Driven Approach for Exploring Unconventional Lithium Resources in Devonian Sedimentary Brines, Alberta, Canada. Natural Resources Research (2025). https://doi.org/10.1007/s11053-025-10461-6