Stage : Approches Data-driven en mécanique non linéaire H/F
"Le stage est proposé au sein du Département d'Etudes des Combustibles (DEC), localisé sur le centre de Cadarache. Ce département est rattaché à l'institut IRESNE (Institut de recherche sur les systèmes nucléaires pour la production d'énergie bas carbone) de la Direction des Energies (DES). Il mène une activité centrée autour du combustible nucléaire dans l'objectif d'accroître les performances et la sûreté des réacteurs actuels (générations 2&3) et de développer les combustibles nucléaires des réacteurs du futur (4ème génération). Il a pour mission d'acquérir, d'intégrer et capitaliser les connaissances relatives à la conception, à la fabrication, à la caractérisation et à l'étude du comportement des éléments combustibles nucléaires en réacteur. Les activités du DEC associent simulation numérique/modélisation, expérimentation dans des laboratoires dédiés aux combustibles nucléaires (Laboratoire UO2, laboratoire de haute activité LECA-STAR), analyses radiochimiques et chimiques.Le DEC rassemble environ 250 ingénieurs, chercheurs et techniciens et contribue à la formation par la recherche avec l'accueil de plus d'une centaine de stagiaires (Master, Ecole d'ingénieurs, DUT…), d'apprentis, de doctorants et post-doctorants. Il entretient de nombreuses collaborations avec des partenaires industriels, des laboratoires académiques (universités, CNRS) que ce soit au niveau national ou international."
Mécanique et thermique
Stage
Approches Data-driven en mécanique non linéaire H/F
Approches Data-driven en mécanique non linéaire
6 mois
Le Commissariat à l'Énergie Atomique et aux Énergies Alternatives (CEA) développe en collaboration avec ses partenaires industriels EDF et Framatome une plate-forme de simulation nommée PLEIADES.
Ces simulations se basent sur la connaissance du comportement mécanique des matériaux. Une approche récente, dite “data-driven”, vise à prédire directement le comportement du matériau en se basant uniquement sur les données expérimentales (Kirchdoerfer et Ortiz 2016). Elles s'appuient sur les techniques modernes d'analyse des données (machine learning, réseau de neurones, etc…). Il est également possible de construire des données d'apprentissage macroscopiques sur la base de simulations microscopiques.
Ce stage a une visée essentiellement exploratoire. Il s'agit de tester sur des cas d'école la faisabilité de ce type d'approche dans le générateur de code MFront et de développer une méthodologie robuste et efficace numériquement.
Différentes bibliothèques d'apprentissage seront testées, dont la librairie de référence TensorFlow.
Ce travail se fera en collaboration avec l'université de Freiberg (Technische Universität Bergakademie Freiberg).
Langage C++, TensorFlow
"3ème année d'école d'ingénieur ou étudiant en Master II.Maîtrise souhaitée des éléments finis (bases théoriques et pratiques). La connaissance du C++ constitue un plus."
28-02-2024
Sélectionnez le secteur qui vous intéresse ci-dessous et n'oubliez pas votre adresse email!