Stage ingénieur étude et recherche en géosciences junior h/f

Mission

Dans le cadre du stockage géologique de déchets radioactifs, on assiste à une production d'hydrogène due à la corrosion anoxique des métaux et à la radiolyse, en particulier après la fermeture. Cette production d'hydrogène peut être à l'origine d'un transitoire Hydraulique-Gaz qui peut durer 1Ma et qui conditionne fortement la durée de saturation totale du stockage en eau. Or, l'évaluation de cette durée d'une part et de la pression maximale de gaz atteinte au sein des ouvrages et son impact sur l'hydromécanique des scellements et de la roche hôte d'autre part sont nécessaires à la démonstration de sûreté du stockage.
Les méthodes numériques actuelles pour résoudre les EDPs de l'écoulement diphasique liquide-gaz en milieux poreux ont montré des limites en lien avec la complexité du modèle de stockage (hétérogénéité, temps de calcul).
Récemment, l'intelligence artificielle (IA), en particulier le deep learning (DL), a montré qu'elle peut être une alternative à ces schémas numériques pour résoudre ces EDPs, à condition que l'apprentissage du réseau neuronal soit réalisé par une approche physique à base de PINNs (Physics Informed Neural Networks). Cette approche est très rapide de point de vue calculatoire et exacte de point de vue apprentissage du réseau neuronal.
Le stagiaire aura pour mission de développer des modèles d'écoulement diphasique liquide-gaz en milieu poreux hétérogène tridimensionnel à base de PINNs en résolvant les EDPs correspondantes, discrétisées en volumes finis (e.g., code TOUGH2), incluant les contraintes liées aux conditions initiales et aux limites imposées au domaine. Les tâches suivantes lui incomberont :
Construire un réseau neuronal (RN) profond en utilisant la bibliothèque PyTorch ou TensorFlow‎'s SciANN-Keras qui consistera en des couches d'entrée et de sortie, et plusieurs couches cachées, et une fonction d'activation à optimiser par l'algorithme d'Adam. Les modèles développés intégreront les contraintes des EDPs discrétisées.
Vérifier les modèles à base de PINNs développés par des solutions numériques et/ou analytiques existantes, puis leur validation à travers une expérience d'injection de gaz dans une roche argileuse du Callovo-Oxfordien.
Le stagiaire passera 50% de son temps au sein du Laboratoire Analyse, Géométrie et Applications (LAGA) de l'Université Paris 13 afin de faciliter la mise en œuvre de la première tâche, vue l'expérience de l'équipe de LAGA sur le développement du RN pour résoudre les EDPs de modèles physiques dans des plateformes informatiques adéquates.

Profil recherché

M2R ou en dernière année du cycle d'ingénieur spécialisé en Math-Informatique, Analyse numérique et calcul scientifique Des notions sur l'IA et le Deep Learning sous Python sont appréciées.

Télétravail

Occasionnel

Diversité

La diversité est une des composantes de la politique RSE, RH et Qualité de Vie au Travail à lASNR.

Par conséquent, 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.

L'ASNR 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