Post-doctorat - modélisation par des approches couplées éléments finis – machine learning - h/f

Post-doctorat - Modélisation par des approches couplées éléments finis – machine learning - H/F


Détail de l'offre


Informations générales

La Direction des Applications Militaires (DAM) du CEA, au cœur des enjeux de la dissuasion nucléaire Française, cherche ses futurs talents. Organisme inclusif, le CEA est handi-accueillant : nos emplois sont ouverts à toutes et tous.

Associer les forces et les compétences de chacun pour atteindre nos objectifs est l'une de nos valeurs partagées par nos 4 600 salariés, répartis sur 5 centres. Les 600 salariés du centre du Ripault, situé en région Centre Val de Loire, se mobilisent pour concevoir, développer et fabriquer des matériaux innovants pour les composants non nucléaires des armes de la dissuasion. Ils contribuent également au soutien technique des autorités dans la lutte contre la prolifération nucléaire et le terrorisme et participe à la transition énergétique à travers les programmes du CEA sur les énergies bas-carbones. Pour être pleinement opérationnels, les 19 laboratoires du Ripault sont soutenus par des équipes fonctionnelles spécialisées dans les domaines des Ressources Humaines, des Achats/Finances, de la Sécurité, de la Conduite de travaux, de la Logistique/Transport, de l'Informatique et de la Santé.

Venez vous investir au service de la Défense et de la Sécurité de notre pays, relever des défis scientifiques et techniques avec des moyens technologiques d'exception ! Vous contribuerez à l'excellence de la recherche et à la compétitivité de l'industrie française en construisant votre avenir dans un environnement varié et respectueux.


Référence

2025-37267-S1711


Description du poste

Mécanique et thermique


Intitulé de l'offre

Post-doctorat - Modélisation par des approches couplées éléments finis – machine learning - H/F


Sujet de stage

Les matériaux pour les applications spatiales nécessitent des exigences toujours plus élevées, issues de compromis entre différentes propriétés. Pour répondre aux attentes, le recours à des matériaux composites multi-architecturés allant jusqu'au design d'une micro ou d'une mésostructure spécifique est de plus en plus fréquent. L'apparition des nouvelles techniques telles que la fabrication additive ouvre aux concepteurs de nouvelles libertés de forme, de choix de matériaux, et la possibilité de combiner plusieurs matériaux au sein d'une même pièce. Dans ce contexte, les nécessités de modélisation des propriétés matériaux sont toujours plus importantes et nécessitent de plus en plus des descriptions à différentes échelles et multiphysiques. Les approches de modélisation classiques trouvent cependant des limitations induites par le temps calcul lorsque plusieurs échelles d'observation sont concernées. Le sujet des modèles de substitution est ainsi très actif dans la littérature.


Durée du contrat (en mois)

2 ans + 2 x 1 an renouvelables


Description de l'offre

Une approche par machine learning pour formuler ces modèles de substitution est actuellement étudiée pour évaluer son efficacité notamment dans sa capacité à prédire et extrapoler des propriétés pour des architectures nouvelles. Les réseaux DMN (deep material network) se différencient des approches de machine learning classiques en introduisant des paramètres entrainables définis physiquement, permettant d'interpréter plus facilement pour l'utilisateur les liens entre la géométrie de la microstructure étudiée et les paramètres du réseau plutôt que d'être de purs paramètres statistiques à optimiser. Ces modèles ont émergé comme des solutions prometteuses pour les problèmes nécessitant des modélisations multi-échelles tant dans leur fiabilité à prédire un comportement mécanique entre différentes échelles que dans leur interprétabilité. Précédemment, une première implémentation d'une loi de comportement permettant d'injecter à chaque nœud d'une simulation éléments finis l'appel à un réseau de neurones type DMN a été réalisée.

Le(la) post-doctorant(e) sera alors en charge de deux objectifs :

* premièrement, de développer des approches avec notamment l'ajout de comportements micropolaires ou de réseaux variationnels qui sont les tout derniers développements disponibles des DMN.
* de construire des outils permettant de générer, prédire et optimiser des microstructures permettant d'atteindre des propriétés cibles. Ce deuxième volet pourra être en parallèle vérifié expérimentalement par la fabrication des microstructures optimisées ainsi que leur caractérisation mécanique.

Si l'avancée des travaux le permet, des explorations sur les problématiques de modélisations multiphysiques (notamment thermique-thermomécanique) rencontrées au laboratoire pourront également être abordées. Le(la) post-doctorant(e) évoluera dans une unité spécialisée dans les essais instrumentés menés en lien étroit avec la modélisation et la simulation, notamment appliquée aux matériaux composites multi échelle.

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.


Profil du candidat

Mécanique du solide, Modélisation, Eléments finis, notions de machine learning
Python, C/C++

#J-18808-Ljbffr