Stage Fiabilité en Gestion des Actifs H/F

RTE; Paris; On-site; EUR 10,000 - 15,000; Full time

Benefits offered by this job

Stage conventionné

Formation interne

Job summary

RTE recherche un stagiaire ingénieur en dernière année ou en M2 pour travailler sur l’alignement en asset management et la valeur de la connaissance, allant de la matrice de risques à une évaluation quantitative des risques (QRA).

Le stage vise à construire des démonstrations calculées, des notebooks et des supports pédagogiques, destinés à diffusion interne et comités, avec une approche pédagogique réutilisable.

Qualifications

• Étudiant(e) en dernière année d’ingénierie ou en M2 dans un domaine pertinent.
• Compétences en Python et data science pour analyses expérimentales.
• Compréhension des concepts de fiabilité et de gestion des actifs.

Responsibilities

• Concevoir des cas d'école illustrant la relation entre performance et critères décisionnels.
• Analyser l’écart entre stratégie optimale et contraintes (budget, supply chain).
• Quantifier les gains liés à l’amélioration de la connaissance et à la QRA.
• Réaliser des notebooks Python documentés et supports pédagogiques.
• Préparer une présentation pour comités et diffusion interne.

Skills

Python

Jupyter

Data science

Risk analysis

Education

Master 2 en Asset Management

Ingenieur - dernière année

Tools

Pandas

Numpy

Matplotlib

Cosmo Tech Asset

Job description

Stage 6 mois (Ingénieur dernière année / M2) - Alignement en asset management et valeur de la connaissance : des objectifs de performance à l'évaluation quantitative des risques

Contexte :

Les décisions de maintenance et de renouvellement dans les infrastructures critiques reposent sur plusieurs logiques qui coexistent en pratique : une approche optimale quand les modèles et les données sont suffisamment robustes, une approche de prudence lorsque la connaissance est insuffisante, et une priorisation sous contraintes (budget, ressources, consignabilité, capacités industrielles, chaîne d'approvisionnement).

Ces mécanismes peuvent générer des désalignements : par exemple, des objectifs de disponibilité décidés a priori peuvent être incohérents avec les critères décisionnels (taux d'actualisation, valeur donnée à l'énergie non distribuée en cas de pannes (en K€/MWh perdu), valorisation des impacts environnementaux ), ou une stratégie optimale peut être fortement rabotée par les contraintes de mise en oeuvre et induire des critères implicites non visibles.

En parallèle, l'amélioration de la connaissance sur les modèles de durée de vie (qualité des données, biais d'observation, choix de modèles) peut produire des gains significatifs et éviter des décisions coûteuses.

Le stage vise à construire des démonstrations calculées, pédagogiques et réutilisables pour illustrer ces enjeux d'alignement et la valeur de la connaissance, en allant d'approches simples (matrice de risques) vers une évaluation quantitative des risques (QRA).

Objectifs du stage :

1. Produire des cas d'école calculés montrant comment relier objectifs de performance, critères décisionnels et stratégies de maintenance/renouvellement, et comment détecter des désalignements.
2. Illustrer l'écart entre une stratégie optimale de référence et une stratégie réalisable sous contraintes (budget, ressources, consignabilité, supply chain), et expliquer comment cet écart se traduit en valeurs implicites des critères décisionnels.
3. Démontrer, par des exemples, la valeur de l'amélioration de la connaissance : coût de se tromper (mauvais modèle, données biaisées, quantification fragile) et gain attendu lors du passage de décisions basées sur une matrice de risques vers une QRA robuste.
4. Construire un support pédagogique réutilisable (notebooks, note, slides) pour diffusion interne (formation, ateliers, comités).

Travaux envisagés (missions) :

A. Alignement objectifs en résultat vs critères décisionnels

• Construire un cas illustrant une cible de disponibilité / END fixée a priori, puis montrer ce qu'elle implique en termes de critères décisionnels (ou de compromis) et en quoi elle peut être non alignée.
• Construire le cas inverse : partir d'un référentiel de critères (coûts, END/ENE, environnement, actualisation) et dériver le niveau de performance cohérent.

B. Optimum de référence vs optimum sous contraintes

• Calculer une stratégie optimale de référence, puis introduire une ou plusieurs contraintes réalistes (plafond budgétaire, capacité de réalisation, fenêtres de consignation, disponibilité de matériels critiques).
• Quantifier l'écart (coût, END/risque résiduel, reports) et produire des indicateurs pédagogiques (écart à l'optimum, dette de risque, valeurs implicites).

C. Sécurité des travailleurs / tiers : événements rares, conséquences graves

• Construire un cas illustrant des actions de prévention sur des événements à probabilité faible mais conséquences très graves (ex. décès).
• Montrer comment structurer la décision lorsque l'optimisation en espérance est insuffisante : démonstration de maîtrise, barrières, trajectoire d'exposition, priorisation.

D. Valeur de la connaissance : de la matrice de risques à la QRA

• Démarrer par une représentation simple PoF/CoF en classes (1-4) et une matrice de risques ; identifier ce qu'elle permet (prioriser grossièrement) et ce qu'elle ne permet pas (comparaison fine d'options, robustesse).
• Construire plusieurs niveaux de connaissance (faible moyen fort) et montrer l'impact sur les décisions et budgets.
• Illustrer le coût de se tromper : biais de données (censure/troncature, mauvais événements), mauvais modèle de durée de vie, hypothèses fragiles ; chiffrer les écarts induits.
• Mettre en place une mesure simple de valeur de l'information (gain attendu vs effort de connaissance).

Outils et environnement technique :

• Python (Jupyter), bibliothèques de data science usuelles (pandas/numpy/matplotlib).
• ReLife (évaluation quantitative des risques, analyse de survie, comparaison de politiques, projections).
• Données synthétiques inspirées de cas RTE (réalistes mais non sensibles) générées par RTE avec le simulateur Cosmo Tech Asset.

Livrables attendus :

• Notebooks Python documentés (cas calculés, graphiques, interprétation, messages clés).
• Une note pédagogique : Alignement en asset management par l'exemple : optimum, prudence, contraintes, valeur de la connaissance.
• Une présentation prête pour comité (messages clés + figures).
• Option : mini boîte à outils (fonctions réutilisables) pour rejouer les scénarios et standardiser les indicateurs.

Encadrement et collectif de travail :

• Encadrement principal : expert asset management / fiabilité / simulation / données (Département Gestion des Actifs - R&D).
• Appui ponctuel : mathématiciens et statisticiens (modélisation, survie/fiabilité, robustesse des hypothèses).
• Interactions possibles avec des interlocuteurs exploitation / maintenance pour valider la pédagogie des cas.