STAGE - IA Générative & Conception Mécanique F/H

Safran Group; Moissy-Cramayel; Sur place; EUR 7 800 - 12 000; Plein temps

Résumé du poste

Safran propose un stage au DataLab pour explorer des approches génératives appliquées à la conception de pièces mécaniques.

Vous examinerez comment combiner connaissances d’ingénierie, contraintes physiques et IA générative pour générer et évaluer des géométries par simulation numérique.

Ce stage cible des étudiants en Master ou école d’ingénieur passionnés par l’IA et la mécanique, autonomes et rigoureux.

Qualifications

• Étudiant(e) en Master ou école d'ingénieur avec double appétence pour l’IA et la mécanique.
• Maîtrise de Python; notions en C et pratique de GitLab.
• Connaissances en IA générative (diffusion, GANs) et en 3D.
• Intérêt marqué pour l’aéronautique et les procédés de fabrication.

Responsabilités

• Veille bibliographique et technologique sur les méthodes de génération géométrique.
• Recensement des outils open source et des solutions industrielles disponibles.
• Évaluation comparative des approches et formalisation d’une grille d’évaluation.
• Prototype de pipelines de génération et évaluation via simulations (FEA/CFD).

Connaissances

Python

IA générative 3D

Connaissances en mécanique aéronautiqu

C

GitLab

Mécanique aéronautique

Formation

Master ou école d'ingénieur

Description du poste

Safran, acteur majeur dans l'aéronautique, la défense et le spatial, s'appuie sur la Data Science et l'IA pour accompagner l'innovation et la transformation de ses activités. Au sein du DataLab, nous développons des solutions innovantes de Data Science et d'IA appliquées aux problématiques industrielles. Le stage proposé s'inscrit dans une démarche d'exploration d'approches innovantes permettant d'automatiser certaines étapes de la conception de pièces mécaniques. Il vise notamment à étudier comment les connaissances d'ingénierie, les contraintes physiques, les méthodes algorithmiques et les techniques d'IA générative peuvent être combinées pour générer automatiquement des géométries complexes et faciliter leur évaluation par simulation numérique.

Objectif du stage

Ce stage vise à évaluer et expérimenter différentes approches de génération automatisée de géométries de pièces mécaniques, en combinant méthodes algorithmiques, connaissances métier, simulation numérique et techniques d'IA générative. L'ambition est d'identifier les approches les plus pertinentes pour les cas d'usage Safran et d'évaluer leur intégration possible dans les processus de conception existants.

Missions principales

1. Veille bibliographique et technologique
   • Étudier l'état de l'art des méthodes de génération automatisée de géométries, qu'elles reposent sur des approches algorithmiques, des méthodes d'optimisation ou des techniques d'IA générative.
   • Recenser les outils open source, travaux de recherche et solutions industrielles disponibles dans les domaines de la génération géométrique, du generative design et de l'IA appliquée à la conception.
   • Identifier les approches les plus pertinentes au regard des contraintes industrielles et des cas d'usage Safran.
2. Comparaison et évaluation des approches
   • Analyser et comparer les différentes solutions identifiées selon des critères de performance, de flexibilité, d'intégration, de maîtrise des géométries générées et de robustesse industrielle.
   • Formaliser une grille d'évaluation adaptée aux cas d'usage aéronautiques : prise en compte des contraintes métier, compatibilité avec les outils de simulation, etc.
3. Expérimentation sur des cas d'usage réels Safran
   • Prototyper des pipelines de génération de géométries sur des cas d'usage concrets identifiés avec les équipes métier.
   • Évaluer la capacité des différentes approches à intégrer ou satisfaire des contraintes mécaniques.
   • Coupler les géométries générées avec des outils de simulation numérique (FEA, CFD) afin d'évaluer leurs performances et leur pertinence.
4. Valorisation des résultats
   • Documenter les expérimentations, les performances obtenues, les limites identifiées et les conditions d'intégration dans un environnement industriel.
   • Restituer les conclusions aux équipes concernées sous forme de rapport et de présentation.

• Étudiant(e) en Master ou école d'ingénieur avec une double appétence pour l'IA et la mécanique (aérospatial, génie mécanique, computational design).
• Maîtrise de Python, notions en C et pratique de GitLab.
• Connaissances en IA générative (modèles diffusion, GANs, architectures neuronales appliquées à la 3D).
• Intérêt marqué pour la mécanique aéronautique et les procédés de fabrication.
• Curiosité intellectuelle, autonomie et rigueur scientifique.