Modélisation dans Elmer/Ice de l’écoulement anisotrope de la glace boostée par le machine learning (H/F)

Cnrs Inc; Saint-Martin-d'Hères; On-site; EUR 36,000 - 48,000; Full time

Job summary

CNRS recrute un post-doctorant pour étudier l’écoulement des glaces polaires via des approches d’homogénéisation et de réseaux de neurones, en lien avec des applications géophysiques et climatiques. Le candidat intégrera une équipe pluridisciplinaire et contribuera à des simulations à grande échelle, avec un fort caractère numérique et théorique.

Le poste requiert une thèse et des compétences en calcul numérique, machine learning et mécanique des matériaux.

Qualifications

• Compétences solides en calculs numériques, machine learning et approche data-driven.
• Connaissances en mécanique des matériaux et en structures pour l’étude des glaces polycristallines.

Responsibilities

• Décrire les différentes microstructures des glaces naturelles au moyen d’un petit nombre de paramètres.
• Élaborer une base de données synthétiques de réponse mécanique de la glace et d’évolution de sa microstructure.

Skills

Calculs numériques

Machine learning

Data-driven

Mécanique des matériaux

Structures

Education

Thèse

Tools

Homogénéisation en champ moyen

Job description

Missions:

L’écoulement de la glace dans les calottes polaires et les glaciers de montagne est en grande partie due à sa déformation plastique, qui peut être extrêmement lente. La rhéologie des glaces polaires présente une forte anisotropie viscoplastique, liée à sa microstructure (orientation privilégiée des cristaux) qui évolue avec la déformation plastique. Un tel comportement fortement anisotrope devrait avoir une influence marquée sur la dynamique de l'écoulement des calottes glaciaires, et notamment leur réponse aux transitions climatiques, mais il n'a jamais été entièrement pris en compte dans les modèles. La relation entre la rhéologie et la microstructure est très bien captée par les méthodes d'homogénéisation en champ moyen, qui tiennent compte des mécanismes de déformation de la glace à l'échelle fine (micromètre) pour estimer le comportement effectif à l’échelle du décimètre, en fonction de la microstructure du matériau. Ces méthodes, bien que très puissantes, restent cependant bien trop couteuses en temps de calcul pour pouvoir être introduites en tant que loi de comportement dans un code Eléments Finis d’écoulement de calottes polaire (échelle: 1000km) . Nous proposons donc d’entrainer un réseau de neurones sur un modèle d’homogénéisation non-linéaire, afin de reproduire la rhéologie anisotrope non linéaire et évolutive de la glace, puis d’introduire ce réseau de neurones dans un modèle d'écoulement à grande échelle. Nos premiers travaux dans ce domaine ont montré la précision et l’extraordinaire efficacité numérique de l’IA entrainé sur le modèle d’homogénéisation. Nous pourrons donc étudier ainsi l'impact de l'anisotropie de la glace sur la dynamique de l'écoulement à grande échelle et sur l'évolution des calottes glaciaires en relation avec le réchauffement climatique (ex. appliqué au Groenland) . Il s’agit donc d’un projet numérique à fort caractère pluridisciplinaire avec des retombées potentielles sur un sujet sociétal d’actualité. Les intervenants dans ce projet maitrisent les différentes facettes nécessaires à la bonne conduite du travail: comportement mécanique et microstructures des glaces polaires (Maurine Montagnat, IGE, Olivier Castelnau, PIMM) , méthodes d’homogénéisation (Olivier Castelnau, PIMM, Pedro Ponte Castañeda, Univ. Pennsylvania) , calculs numériques d’écoulements géophysiques anisotropes (Olivier Gagliardini, IGE, Anne Mangeney, IPGP, Fabien Gillet-Chaulet, IGE) , mécanique numérique, réduction de modèles et machine learning (Paco Chinesta, Mikhael Tannous, PIMM, Chady Ghnatios, Univ. North Florida) .

Concrètement, le travail de post-doctorat consistera en:

1. 1. Décrire les différentes microstructures des glaces naturelles au moyen d’un petit nombre de paramètres, ex. à l’aide d’harmoniques sphériques généralisées ou/et réduction de modèle,
2. 2. Elaborer une base de données synthétiques de réponse mécanique de la glace et d’évolution de sa microstru Voir plus sur le site emploi.cnrs.fr…

Conditions particulières d'exercice

Le Centre national de la recherche scientifique est l’une des plus importantes institutions publiques au monde: 34 000 femmes et hommes (plus de 1 000 laboratoires et 200 métiers) , en partenariat avec les universités et les grandes écoles, y font progresser les connaissances en explorant le vivant, la matière, l’Univers et le fonctionnement des sociétés humaines. Depuis plus de 80 ans, y sont développées des recherches pluri et interdisciplinaires sur tout le territoire national, en Europe et à l’international. Le lien étroit que le CNRS tisse entre ses missions de recherche et le transfert vers la société fait de lui un acteur clé de l’innovation en France et dans le monde. Le partenariat qui le lie avec les entreprises est le socle de sa politique de valorisation et les start-ups issues de ses laboratoires (près de 100 chaque année) témoignent du potentiel économique de ses travaux de recherche.

Profil recherché

Competences: Le/la candidat(e) , qui doit avoir obtenu une thèse, doit avoir montré de solides compétences en calculs numériques, machine learning, Data-driven et mécanique des matériaux ou des structures. Des connaissances concernant les méthodes d’homogénéisation, les microstructures des matériaux polycristallins, la géophysique, seront également appréciée. Il/elle devra avoir des aptitudes à la rédaction d’articles scientifiques, et être motivée par le travail en équipe sur un sujet à l’interface entre plusieurs disciplines. Contraintes et risques:

Présentation de Cnrs

Le Centre national de la recherche scientifique est un organisme public de recherche pluridisciplinaire placé sous la tutelle du ministère de l’Enseignement supérieure et de la Recherche. Créé en 1939 et dirigé par des scientifiques, il a pour mission de faire progresser la connaissance et être utile à la société dans le respect des règles d’éthique, de déontologie et d’intégrité scientifique.