Stage en Machine-Learning/apprentissage statistique H/F

CEA; Gif-sur-Yvette; On-site; EUR 13,000 - 19,000; Full time

Job summary

Le CEA propose un stage en Machine-Learning/apprentissage statistique dans le cadre d’un travail de thèse sur les écoulements diphasiques. Le candidat intégrera le STMF et travaillera sur une base de données expérimentales, en utilisant Python et l’environnement URANIE.

Profil recherché: étudiant en fin d’école d’ingénieurs ou Master 2, fort intérêt pour la physique des écoulements et le machine learning, avec des compétences en statistiques et en Python.

Qualifications

• Bonnes connaissances en statistiques et apprentissage statistique.
• Connaissances en méthodes de machine learning.
• Maîtrise de Python et analyse de données.

Responsibilities

• Analyse et structuration des données expérimentales issues de différentes études.
• Développement de modèles d’apprentissage supervisé (forêts, NN, processus gaussiens).
• Analyse et interprétation des résultats en relation avec les mécanismes physiques.

Skills

Statistiques

Machine learning

Python

Analyse de données

Interprétation des modèles

Education

Bac+5 – Diplôme école d'ingénieurs

Master 2 en ML/data science

Tools

Python (URANIE)

Job description

Stage en Machine-Learning/apprentissage statistique H/F

Description du poste

Mathématiques, information scientifique, logiciel

Intitulé de l'offre

Stage en Machine-Learning/apprentissage statistique H/F

Sujet de stage

Analyse des transitions d'écoulements diphasiques avec des méthodes de machine learning

Description de l'offre

Les écoulements diphasiques gaz-liquide sont présents dans de nombreux systèmes industriels, notamment dans les générateurs de vapeur des centrales nucléaires. Selon les conditions d’écoulement, différentes configurations peuvent être observées, depuis les écoulements à bulles jusqu’aux écoulements annulaires, en passant par différents régimes transitionnels.

La compréhension des transitions entre ces différents régimes constitue un enjeu important pour le développement et l’amélioration des modèles utilisés en simulation numérique des écoulements diphasiques.

Dans le cadre d’un travail de thèse au CEA, une base de données expérimentales a été constituée à partir de plusieurs études disponibles dans la littérature. Elle regroupe à la fois les conditions expérimentales et des mesures locales caractérisant les structures de l’écoulement, notamment les fractions volumiques, les tailles caractéristiques, les vitesses des phases ou des bulles et l’aire interfaciale.

L’objectif du stage sera d’exploiter cette base de données à l’aide de méthodes de machine learning afin d’identifier les grandeurs physiques pertinentes pour l’étude des transitions de régimes d’écoulement et d’analyser les relations entre ces grandeurs et les phénomènes observés.

Le stage sera organisé autour de plusieurs axes complémentaires.

1) Analyse et structuration des données expérimentales

• Prise en main d’une base de données expérimentale issue de différentes études de la littérature ;
• Analyse de la qualité, de la variabilité et de la structure des données disponibles ;
• Identification et sélection des grandeurs physiques pertinentes pour l’étude des transitions ;
• Mise en œuvre de méthodes statistiques permettant de caractériser la dépendance entre les variables disponibles et la grandeur d’intérêt.

2) Développement de modèles d’apprentissage supervisé

Cette étape consistera à étudier les relations entre les grandeurs physiques sélectionnées et les transitions de régimes à l’aide de méthodes d’apprentissage supervisé. Différentes méthodes de machine learning pourront notamment être étudiées, telles que les forêts aléatoires, les réseaux de neurones ou les processus gaussiens.

3) Analyse et interprétation des résultats

Selon l’avancement du stage, une analyse de l’influence des différentes variables sur les résultats des modèles pourra être menée.

L’objectif sera notamment de mettre en relation les comportements identifiés par les modèles prédictifs avec les connaissances physiques disponibles sur les mécanismes de transition des écoulements diphasiques.

Moyens / Méthodes / Logiciels

Les travaux seront réalisés principalement en Python et dans l'environnement URANIE du CEA.

Profil du candidat

Étudiant(e) en dernière année d’école d’ingénieur ou en Master 2, avec une formation en machine learning, data science, statistiques, mathématiques appliquées ou domaine connexe. Le stage s’adresse à un profil souhaitant appliquer et approfondir ses compétences en machine learning sur des données scientifiques, dans le cadre d’une application à la physique des écoulements diphasiques.

Le stage s’effectuera dans le cadre d’un travail de thèse portant sur la modélisation des transitions d’écoulements diphasiques dans les codes de simulation numérique

Compétences requises ou souhaitées

• Bonnes connaissances en statistiques et apprentissage statistique ;
• Connaissances en méthodes de machine learning ;
• Maîtrise de la programmation en Python ;
• Intérêt pour l’analyse et l’interprétation de modèles ;
• Des connaissances en mécanique des fluides constitueront un atout, mais ne sont pas indispensables.

Références

[2] Besse, P., Laurent, B., Maugis, C., & Roustant, O. (2022--2023). Machine Learning. Département Génie Mathématique et Modélisation, Mastère Spécialisé VALDOM, INSA Toulouse. Url: https://www.math.univ-toulouse.fr/~besse/pub/machineLearning

[4] Spagnol, A. (2020). Indices de sensibilité via des méthodes à noyaux pour des problèmes d'optimisation en grande dimension. Thèse de doctorat, Université de Lyon.

Critères candidat

Français (Courant)

Diplôme préparé

Bac+5 - Diplôme École d'ingénieurs

Formation recommandée

École d'ingieur ou Master 2

Référence

2026-42092

Description de l'unité

Le Service de Thermohydraulique et de Mécanique des Fluides (STMF), conçoit, développe et qualifie les logiciels de simulation de thermohydraulique et de mécanique des fluides et appliquées à différentes technologies dans le domaine des énergies bas carbone, essentiellement pour les réacteurs et installations nucléaires. Les activités du STMF sont : la modélisation physique en thermohydraulique, le développement des codes et la mise en oeuvre de méthodes numériques associées, la conception et la réalisation des programmes expérimentaux et analytiques en support à la compréhension des phénomènes et à l'élaboration et la validation des modèles physiques implémentés dans ces logiciels, la validation des codes sur des expérimentations dédiées et la quantification des incertitudes, la réalisation des études et expertises associées pour des applications nucléaires et quelques-unes hors nucléaire, dans le domaine énergétique.

Entité de rattachement

Le CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat. Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale. Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs. Implanté au cœur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international. Les 20 000 collaboratrices et collaborateurs du CEA partagent trois valeurs fondamentales :

• La conscience des responsabilités
• La coopération
• La curiosité