John Cockerill, catalyseur d’opportunités
Animé depuis 1817 par l'esprit d'entreprendre et la soif d'innovation de son fondateur, le Groupe John Cockerill développe des solutions technologiques à large échelle pour répondre aux besoins de son temps : faciliter l'accès aux énergies bas carbone, permettre une production industrielle durable, préserver les ressources naturelles, contribuer à une mobilité plus verte, renforcer la sécurité et installer des infrastructures essentielles.
Son offre aux entreprises, aux Etats et aux collectivités se traduit par des services et des équipements associés dans les secteurs de l'énergie, de la défense, de l'industrie, de l'environnement, des transports et des infrastructures. Avec plus de 8 000 collaborateurs, John Cockerill a réalisé un chiffre d'affaires de 1,417 milliard d'euros en 2024 dans 28 pays, sur 5 continents.
Niveau d'études : BAC+5
Localisation : 50% Versailles (Yvelines) / 50% Lille (Hauts De France)
Filière d'études spécifiques : Étudiant en intelligence artificielle / mathématiques appliquées / algorithmiques
Mission principale
La thèse porte sur l’optimisation énergétique des véhicules militaires équipés d’un groupe motopropulseur hybride grâce aux techniques d’optimisation, d’intelligence artificielle et de machine-learning. L’objectif est de démontrer et quantifier les gains de consommation de carburants qu’il est possible de réaliser lors de l’emploi du véhicule grâce à l’intervention d’algorithmes IA dans le contrôle-commande du véhicule.
Détail du sujet Les véhicules à propulsion hybride-électrique dans le domaine militaire apparaissent aujourd’hui comme une réponse adéquate aux problématiques des conflits modernes : nécessité de furtivité thermique et acoustique, économie de carburant, consommation accrue d’électricité par les systèmes embarqués…
Ces véhicules nécessitent cependant une stratégie de contrôle-commande spécifique afin de répartir à tout instant le couple demandé par le pilote entre le moteur diesel et les machines électriques. Une stratégie efficace et intelligente permet à la fois de répondre à la demande pilote, mais aussi d’optimiser la consommation en carburant sur le long terme en maintenant le moteur diesel sur un point de fonctionnement optimal grâce à l’apport du moteur électrique.
L’état de l’art sur ces stratégies de répartition de couple intelligentes se base sur des calculs mathématiques d’optimal à chaque instant (ECMS, Dynamic Programming…). Leur paramétrage est fixé en sortie d’usine, calculé sur un cycle de mission de référence effectué par le véhicule pour réduire sa consommation sur ce cycle particulier.
Bien que ces stratégies soient relativement efficaces, elles ont pour inconvénient de ne pas s’adapter en direct au profil de roulage effectué par le véhicule, et de ne pas intégrer ni les résultats de mission précédentes pour améliorer la consommation, ni l’usure des composants au cours de la vie du véhicule (notamment des batteries), ni le profil du conducteur. De plus, elles n’intègrent jamais la variation de terrain en direct, par exemple le passage d’un chemin à un champ boueux, et d’une manière générale les spécificités de l’emploi militaire.
Les techniques d’adaptation et de machine learning permettraient de prendre en compte ces paramètres, pour espérer atteindre une meilleure consommation globale du véhicule lors de son utilisation. Cela permettrait une avancée supplémentaire dans le domaine de l’optimisation énergétique des plateformes terrestres.
Il est escompté que les travaux réalisés dans le cadre de cette thèse soient applicables à l’ensemble des véhicules militaires hybride, afin d’optimiser leur rendement énergétique.
Etapes
Le programme de la thèse impliquera l’ensemble des étapes suivantes.
1. Recherche sur l’état de l’art des stratégies d’optimisation énergétiques dans les véhicules hybrides, notamment sur la question de la répartition du couple entre machines électriques et moteur thermiques dans les véhicules civils et militaires. Recherche sur l’état de l’art spécifique à l’utilisation de l’IA dans les véhicules hybrides civils et militaires à des fins d’optimisation énergétique.
2. Prise en main de l’outil de simulation de l’entreprise accueillante permettant de modéliser et de simuler la consommation énergétique des véhicules hybrides et non hybrides de la gamme. Etude des stratégies d’optimisation énergétique déjà en place dans les véhicules et les modèles de simulation de l’entreprise accueillante.
3. Développement d’un algorithme permettant d’obtenir la consommation atteignable sur un cycle de mission donné pour un véhicule donné, connaissant de façon omnisciente les paramètres de la mission et du véhicule. Cette étape permet d’obtenir la plage de consommation admissible sur un cycle, qui servira de point de référence pour estimer la performance des algorithmes de contrôle-commande actuels en service dans l’entreprise accueillante (n’utilisant pas d’intelligence artificielle), et la performance des futurs algorithmes développés pendant la thèse (intégrant des méthodes d’intelligence artificielle).
4. Développement d’un ou plusieurs méthodes de contrôle d’un véhicule hybride militaire utilisant des techniques d’intelligence artificielle, permettant de réduire la consommation du véhicule en simulation sur plusieurs cycles de mission donnés. L’algorithme développé aura pour objectif de prendre en compte les caractéristiques du véhicule, mais aussi les caractéristiques de l’environnement (type de terrain rencontré, température extérieure, pente…) pour agir sur la répartition de couple moteur thermique/moteur électrique tout au long de la mission et en direct, mais aussi sur l’utilisation des différents systèmes consommateurs et générateurs de puissance installés sur le véhicule. Cet algorithme sera donc responsable de la gestion énergétique globale du véhicule durant la mission, et devra agir sur tous les leviers à sa disposition pour réduire la consommation en carburant du véhicule lors de sa mission, sans dégrader la prestation et le service rendu.
5. Test des algorithmes développés en simulation, sur les différents véhicules, et comparaison de la consommation du véhicule par rapport à la consommation minimale atteignable par un algorithme omniscient et par rapport aux algorithmes de contrôle commande non-IA déjà en utilisation dans l’entreprise.
6. Sous réserve de disponibilité de véhicules compatibles à disposition, intégration de l’agent développé dans un véhicule réel, et test en conditions réelles sur pistes d’essais de la stratégie de contrôle commande développée.
Compétences techniques
1. Matlab-Simulink
2. Intelligence artificielle, machine learning, algorithmique
3. Notions d’hybridation et de conception de véhicules
Compétences fonctionnelles
4. Autonomie
5. Adaptabilité
6. Capacité d’analyse
7. Communication et vulgarisation sur le sujet
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.