Stage ingénieur - prédiction de la réponse de capteurs via une approche hybride machine learning - cfd h/f

Référence : STG-TA-AIX-26-P28-04

Vous avez le souhait de travailler au sein d'un collectif, dans une entreprise française à taille humaine, à la pointe des technologies ?

Portée par plus de 2100 collaborateurs répartis sur 8 sites implantés dans tout l'hexagone, TechnicAtome conçoit les réacteurs nucléaires compacts des sous-marins et porte-avions de la Marine Française, tout en oeuvrant dans le domaine du nucléaire civil sur des projets innovants tels que le Réacteur Jules Horowitz.

Être collaborateur chez TechnicAtome c'est prendre part à l'excellence technique au sein d'équipes investies et reconnues pour leur expertise.

TechnicAtome, en tant que Concepteur des Chaufferies Nucléaires de Propulsion Navale, réalise des études CFD pour orienter et justifier les choix de conception de ses réacteurs.

A divers endroits dans le réacteur, des capteurs permettent d'évaluer localement l'évolution de la température tout au long de la vie du coeur. Des simulations CFD sont ensuite réalisées pour corréler la réponse de ces capteurs à l'évolution de grandeurs intégrales, utiles pour l'exploitation du réacteur. La précision lors de l'évaluation de ces grandeurs est donc de première importance.

Pour corréler précisément la réponse des capteurs avec les grandeurs intégrales sur toute la vie du coeur, des centaines de calculs CFD coûteux seraient nécessaires. Un modèle de Machine Learning, entraîné sur un nombre réduit de simulations CFD, permet actuellement de diminuer le nombre de calculs CFD nécessaires, au prix d'une certaine dégradation de la fiabilité et de la robustesse de la prédiction.

L'objectif du stage est de développer une méthode de prédiction fiable, précise et peu coûteuse de résultats de simulation CFD via Machine Learning.

Vos principales missions consistent à :

- Constituer une base de données robuste de calculs CFD ;

- Extraire et post-traiter les données physiques en vue de les utiliser dans les algorithmes d'apprentissage ;

- Explorer et implémenter différents types de méthodes et d'architectures (apprentissage non supervisé, apprentissage supervisé, réduction de dimension, etc.) pour simplifier la complexité sans perdre la physique, améliorer la précision et la robustesse ;

- Comparer les performances de différents modèles de Machine Learning ;

- Elaborer une méthodologie - transposable à d'autres réacteurs - de mise en place des bases d'entraînement et validation CFD et de développement d'un modèle.