La quantification d'incertitudes sera appréhendée comme un problème d'inférence dans des modèles graphiques probabilistes, largement répandus en statistiques bayésiennes et apprentissage statistique [1]. En s'inspirant des travaux de S. Mahadevan [2], on cherchera à maitriser la méthodologie bayésienne, puis à l'appliquer, d'abord à des problèmes analytiques et par la suite, suivant l’avancement, à une chaîne de calcul en rentrée atmosphérique qui simule les phénomènes multiphysiques (mécanique du vol, aérothermie, etc.) que rencontre un véhicule de rentrée ou capsule rentrant dans les couches denses de l'atmosphère. Un effort important sera consacré à la validation, aux différentes évaluations ainsi qu'à la rédaction d'un rapport.
Les développements seront réalisés en langage python. Avec l'aide des encadrants, des compétences seront acquises en inférence bayésienne dans des modèles graphiques probabilistes et, dans une moindre mesure, en simulation multiphysique.
[1] D. Koller & N. Friedman, Probabilistic graphical models: principles and techniques, MIT press, 2009
[2] S. Sankararaman & S. Mahadevan, Integration of model verification, validation, and calibration for uncertainty quantification in engineering systems, Reliability Engineering and System Safety, 2015.
Conformément aux engagements pris par le CEA en faveur de l'intégration des personnes handicapées, cet emploi est ouvert à toutes et à tous. Le CEA propose des aménagements et/ou des possibilités d'organisation pour l’inclusion des travailleurs handicapés.
Participant à la protection nationale, une enquête administrative est réalisée pour tous les collaborateurs du CEA afin d'assurer l'intégrité et la sécurité de la nation.
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.