Stage bac5 - ia en mécanique des fluides h/f

L'évaluation de la contamination atmosphérique dans des locaux ventilés d'installations nucléaire, en situation nominale ou accidentelle d'émission d'un polluant de nature chimique, biologique ou radioactive, constitue un enjeu important pour la santé des travailleurs. Cependant, les mesures réalisées sur site sont souvent ponctuelles, parcellaires et finalement insuffisantes pour fournir des données représentatives de la réalité dynamique des émissions d'aérosols. Face à ce constat, l'utilisation d'outils d'apprentissage profond offrent une piste prometteuse afin de reconstruire des champs de concentrations d'aérosols à partir de telles données. Ce stage porte sur l'application de méthodes d'apprentissage profond pour la résolution des équations de mécanique des fluides dans un local ventilé. Il vise à identifier et comparer les architectures d'apprentissage profond les plus adaptées à la reconstruction de champs d'écoulement à partir de données numériques incomplètes. Le travail s'articulera autour de deux phases : 1. Étude bibliographique : recenser et analyser les approches d'apprentissage profond intégrant la physique, telles que les Physics-Informed Neural Networks (PINN), leurs variantes récentes (PIRATENet, KAN), ou d'autres modèles hybrides exploitant à la fois données et contraintes physiques. 2. Mise en oeuvre numérique : appliquer ces architectures sur un cas de référence CFD représentant un local ventilé de petite taille (avec entrée et sortie d'air), pour lequel des données simulées sont disponibles. L'étude visera en particulier à :. tester les performances des différentes architectures en termes de précision, stabilité et coût d'entraînement ;. évaluer la quantité minimale de données requise pour une reconstruction fiable du champ d'écoulement ;. et identifier les limites et difficultés pratiques associées à la mise en oeuvre de ces modèles Restaurant entreprise TT