CENTRALE LYON - Doctorat Modélisation prédictive de matériaux polymères recyclés par inférence [...]

CENTRALE LYON; Écully; Sur place; EUR 20 666 - 24 754; Plein temps

Résumé du poste

CENTRALE LYON propose une thèse de doctorat de 36 mois au sein du Laboratoire de Tribologie et Dynamique des Systèmes. Le candidat développera des modèles prédictifs à partir de données réelles et numériques pour améliorer la qualité des plastiques recyclés.

Le profil recherché nécessite des compétences en intelligence artificielle et modélisation physique, avec une rémunération d'environ 2035€ net par mois pendant la durée du projet.

Qualifications

• Candidat avec une double compétence en intelligence artificielle et modélisation des matériaux.
• Maîtrise des outils de programmation nécessaire.
• Sensibilité aux problématiques industrielles requise.

Responsabilités

• Développement de modèles prédictifs robustes appelés jumeaux numériques.
• Conception d'une structure d'apprentissage pour fusionner des données expérimentales et synthétiques.
• Prévisions des propriétés finales de la matière lors des transformations industrielles.

Connaissances

Intelligence artificielle

Modélisation physique des matériaux

Programmation

Formation

Doctorat

Description du poste

Contexte

Le projet MIAM, soutenu par l’Institut Carnot Ingé nierie@Lyon, propose une thèse de doctorat de 36 mois au sein du Laboratoire de Tribologie et Dynamique des Systèmes (LTDS UMR CNRS 5513, Ecole Centrale de Lyon, Ecully, France). Ce travail de recherche s’inscrit dans une collaboration étroite entre les équipes DySCo du LTDS et les laboratoires partenaires comme le LAMCOS (INSA de Lyon) et du Centre Technique Industriel (CTI) de la Plasturgie et des Composites français (IPC). L’objectif scientifique est de lever les verrous liés à la variabilité des matières plastiques recyclées en développant des stratégies d’apprentissage machine et d’inférence statistique capables de garantir une qualité de 1 production stable malgré l’hétérogénéité des gisements de matériaux.

Le cœur des travaux portera sur le développement d’une structure d’apprentissage originale permettant de fusionner des données expérimentales réelles avec des données synthétiques issues de simulations numériques. Le candidat devra concevoir des modèles prédictifs robustes, souvent qualifiés de jumeaux numériques, pour assurer un pilotage des procédés en temps réel. Cette approche vise à réduire drastiquement les délais de mise en œuvre de nouveaux matériaux innovants tout en maintenant une fidélité physique stricte, assurant ainsi que les modèles ne soient pas de simples corrélations statistiques mais reflètent la réalité mécanique.

Cas d’étude

Le cas d’application principal retenu pour cette recherche est le développement d’un capteur virtuel appliqué à la rhéologie au sein des lignes de transformation de l’IPC. En instrumentant les étapes de mélange et d’injection, le doctorant cherchera à prédire les propriétés finales de la matière, telles que la viscosité et le comportement des granulés, en fonction des réglages machines. Ce cas offre un terrain d’étude idéal pour tester la résilience des algorithmes face à des conditions de production changeantes.

Profil recherché

Le profil recherché pour cette thèse est celui d’un candidat possédant une double compétence affirmée en intelligence artificielle et en modélisation physique des matériaux. Une maîtrise des outils de programmation et une sensibilité aux problématiques industrielles sont indispensables pour mener à bien les missions de ce projet. Les travaux se dérouleront principalement à l’École Centrale de Lyon, avec des échanges réguliers entre les sites d’Écully, de Villeurbanne et d’Oyonnax, et bénéficieront d’un environnement scientifique de haut niveau dédié à l’innovation dans le domaine des matériaux et des procédés.

Type de contrat

Le contrat sera un CDD de type contrat doctoral ’avec activité (diffusion d’informations scientifiques et/ou expertise)’ géré par Centrale Lyon. La rémunération sera d’approximativement 2035€ net par mois sur 36 mois.