L'objectif de ce postdoc est de développer un algorithme pour prendre en compte les incertitudes des données de la base d'apprentissage d'un réseau de neurones. Ce travail s'inscrit dans le contexte d'un projet d'estimation dynamique de l'état d'un procédé d'extraction liquide-liquide. En utilisant un simulateur qualifié du procédé et des mesures de suivi lors de son exploitation, il est possible d'estimer les paramètres opératoires et connaitre ainsi l'état du procédé. Cependant ces mesures sont entachées d'incertitudes et il est nécessaire de réconcilier les données pour obtenir le meilleur jeu de données à fournir au simulateur. Un réseau de neurone convolutifs (CNN) permettant d'inverser le simulateur est en développement (à partir des sorties mesurées, on peut être capable d'estimer les entrées à fournir au simulateur). L'objectif est d'évaluer l'impact des incertitudes de mesure sur la construction de ce réseau de neurones. La première étape sera de propager les incertitudes des mesures d'entrée à travers le simulateur à l'aide de la plateforme Uranie, développée par le CEA ISAS. Cette connaissance sera alors intégrée dans la boucle d'apprentissage du réseau de neurones. L'impact de ces incertitudes sur les résultats du réseau de neurones doit être évalué pour fiabiliser l'estimation de l'état du procédé par le réseau de neurones. A travers ce projet, nous sommes au cœur de la thématique du contrôle de procédés complexes par la simulation.