Mission
L'objectif de cette thèse est de développer des modèles de réseaux de neurones (RNs) profonds informés par la physique (PINNs) capables de simuler des processus couplés Thermo-Hydro-Mécanique-Gaz (THM-Gaz) se produisant sur plusieurs dizaines à centaines de milliers d'années au sein de l'installation Cigéo, actuellement en projet. ce transitoire résulte de la re-saturation des ouvrages souterrains par les eaux de la roche hôte du Callovo-Oxfordien (COx) et de leur désaturation par le dihydrogène produit par corrosion anoxique des métaux dans le stockage et pourrait faire monter la pression de gaz voire fracturer la roche. De tels modèles permettraient d'éviter l'utilisation des codes numériques difficiles à faire converger (basés sur une modélisation macroscopique Darcienne des transferts), en particulier pour des études à grande échelle spatiale. Cette thèse pourra donner lieu à une première version d'une plateforme logicielle d'intelligence artificielle pour l'étude des transferts en milieux poreux, basée sur un apprentissage profond de ces RNs qui consistera à résoudre les équations de l'écoulement mono- et diphasique non-isotherme en milieu poreux hétérogène déformable pour étudier le problème de l'hydromécanique.
Le développement de modèles de PINNs pour la résolution des problèmes découlement et de transferts en milieu poreux sera réalisée en deux étapes : (i) cas monophasique en eau et (ii) cas diphasique eau-gaz. Au cours de la première étape, il s'agira de généraliser un modèle de PINNs développé récemment pour résoudre le problème couplé d'écoulement d'eau, de transport de soluté et de transfert thermique en 2D et 3D. A cette occasion, il(elle) testera différents modèles de PINNs avec une méthode auto-adaptative des points de collocation (points dans l'espace-temps générés aléatoirement puis adaptés au cours de la résolution d'une EDP) ou une méthode permettant de réduire l'ordre des dérivées et d'améliorer la stabilité de la solution. Au cours de la seconde étape, le modèle de PINNs sélectionné à l'issue de l'étape (i) sera utilisé pour résoudre le problème de l'écoulement diphasique liquide-gaz en milieu poreux.
Pour faciliter ce développement, le(a) doctorant(e) se basera sur les travaux récemment réalisés : recensement de différents modèles de PINNs, utilisation de la bibliothèque NeuralPDE-Solver et d'un nouveau modèle de PINNs de résolution de l'équation d'écoulement d'eau en milieu poreux non-saturé (Richards) .
A chaque étape de développement, le(a) doctorant(e) utilisera des solutions analytiques et/ou des codes numériques (e.g. TOUGH-MP, FENICs, JAX) afin de s'assurer de la robustesse des modèles de PINNs développés. L'apprentissage des RNs se fera à l'aide des bibliothèques Pytorch ou JAX.
Enfin, les résultats seront validés à travers les modèles numériques représentant certaines expérimentations au laboratoire ou in-situ, et éventuellement une composante de l'installation de stockage étudiées par l'ASNR.
Profil recherché
Analyse numérique et calcul scientifique ; programmation ; data-science ; Python (PyTorch)
Télétravail
Régulier
Diversité
La diversité est une des composantes de la politique RSE, RH et Qualité de Vie au Travail à lASNR. Nous accordons la même considération à toutes les candidatures, sans discrimination, pour inclure tous les talents.
Quelles que soient les différences, nous souhaitons attirer, intégrer et fidéliser nos candidats et nos collaborateurs au sein dun environnement de travail inclusif.
LASNR conduit une politique active depuis de nombreuses années en faveur de l'égalité des chances au travail et l'emploi des personnes handicapées. Si vous êtes en situation de handicap, n'hésitez pas à nous faire part de vos éventuels besoins spécifiques afin que nous puissions les prendre en compte.
Localisation du poste
Localisation du poste
Europe, France, Ile-de-France, Hauts-de-Seine
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.