Stage m2 modélisation hybride des cinétiques de chloration d'eau de mer h/f

Modélisation hybride des cinétiques de chloration d'eau de mer mêlant modèles de connaissances et de données
Contexte
Les modèles hybrides combinent les connaissances scientifiques (physique, chimie) avec le machine learning, permettant de tirer parti des lois connues et de la capacité des algorithmes à détecter des relations complexes. Ils sont utiles lorsque les systèmes sont trop complexes pour être décrits uniquement par des équations ou lorsque les données sont insuffisantes pour un modèle purement statistique.
Dans les centrales EDF en bord de mer, les circuits de refroidissement sont sujets aux biosalissures, pouvant perturber l'exploitation et engendrer des pertes économiques. L'électrochloration est utilisée pour limiter ces effets, mais elle génère plus de 25 espèces oxydantes difficiles à mesurer spécifiquement.
EDF développe actuellement deux types de modèles pour prédire les cinétiques de chloration : un basé sur les bilans de matière et les équations chimiques, mais difficile à calibrer ; l'autre basé sur les données, mais limité par le manque de données et les risques de surapprentissage. D'où l'intérêt d'une approche hybride, combinant les deux.

Objectifs du stage
Ce stage a pour objectif de développer un modèle hybride de prédiction des cinétiques de chloration en eau de mer, combinant les lois chimiques connues avec des algorithmes d'apprentissage automatique.
Il s'agira d'abord de s'approprier le modèle de connaissances pour les cinétiques de chloration ainsi que les données expérimentales déjà disponibles à EDF. Le stagiaire pourra ensuite proposer des architectures de modèles hybrides (p.ex. basés sur des réseaux de neurones et processus gaussien), les implémenter en python et déterminer le bon niveau d'hybridation (c'est-à-dire la bonne quantité de connaissances nécessaires) au regard de nos types de données et objectif. Il s'agira également d'analyser de manière critique les forces et faiblesses des approches, notamment en termes d'intervalles de confiance dans la prédiction des modèles. Le stage pourra se conclure par une proposition de plans d'expériences, une fois les modèles validés, afin d'améliorer la qualité des données d'entrée et renforcer la robustesse des futurs développements numériques.