Stage - Ingénieur conception cœur du réacteur et études de sûreté neutroniques F/H

Framatome; Lyon; On-site; EUR 10,000 - 15,000; Full time

Job summary

Framatome recherche un stagiaire en machine learning pour contribuer à l’introduction de modèles ML dans une méthode statistique destinée à estimer l’incertitude liée à la perte de représentativité des collectrons sur l’EPR. Le stage s’inscrit dans le cadre du dimensionnement et du contrôle de sûreté, avec utilisation de calculs neutroniques et de configurations de cœur, en environnement Linux et Python.

Profil: en dernière année d’école d’ingénieurs ou master équivalent, spécialisation

Qualifications

• En dernière année d’école d’ingénieurs ou équivalent, spécialisation nucléaire.
• Première expérience avec les codes de calcul et la simulation numérique.
• Esprit de synthèse et bonnes capacités rédactionnelles requises.
• Connaissance de l’environnement Linux et du langage Python.

Responsibilities

• Contribuer à l’introduction de modèles de machine learning dans une méthode statistique pour estimer l’incertitude liée à la LOR.
• Générer de nouvelles configurations de cœur pertinentes à partir des résultats des calculs neutroniques.
• Travailler dans un contexte français, dans l’interaction avec les équipes de sûreté et de physique.

Skills

Esprit de synthèse

Bonnes capacités rédactionnelles

Rigueur

Esprit d'équipe

Écoute

Education

Ingénieur en cours

Tools

Linux

Python

Job description

Introduction du machine learning dans le dimensionnement de la perte de représentativité des collectrons sur EPR.

Contexte :

L’instrumentation in-core de l’EPR (collectrons) mesure le flux neutronique en temps réel afin d’assurer le respect des critères de sûreté. Ces détecteurs sont régulièrement calibrés afin de représenter fidèlement l’évolution du flux dans le cœur.

À la suite d’un calibrage, la situation du cœur évolue, ce qui entraîne une perte de représentativité, ou « Loss of Representativeness » (LOR), des mesures issues des collectrons. La LOR constitue une composante de l’incertitude intégrée aux chaînes de surveillance et de protection de l’EPR.

Mission :

L’objectif du stage est de contribuer à l’introduction de modèles de machine learning au sein d’une méthode statistique permettant de déterminer l’incertitude liée à la LOR pour l’EPR, dans un contexte français.

Cette méthode statistique permet de modéliser des centaines de configurations de cœur, à la fois en conditions de fonctionnement normal et en conditions accidentelles. Elle repose sur le tirage aléatoire de configurations de cœur, correspondant à un ensemble de paramètres de fonctionnement, qui sont ensuite soumises à un code de calcul neutronique.

L’introduction de modèles de machine learning permettra de générer de nouvelles configurations de cœur pertinentes à partir des résultats des calculs neutroniques.

Vous êtes en dernière année d’école d’ingénieurs ou préparez une formation universitaire équivalente, avec une spécialisation dans le domaine du nucléaire.

• d'une première expérience avec les codes de calcul et la simulation numérique ;
• d’un esprit de synthèse et de bonnes capacités rédactionnelles ;
• d’une connaissance de l’environnement Linux et du langage de programmation Python.

Vous faites preuve de rigueur, d’esprit d’équipe et d’écoute, et avez un goût prononcé pour la physique et la technique.

Rejoignez-nous pour contribuer à un sujet innovant, à la croisée de la physique nucléaire, de la simulation numérique et du machine learning, et participez au développement des outils de sûreté des réacteurs nucléaires de demain.

Vous êtes en dernière année d’école d’ingénieurs ou préparez une formation universitaire équivalente, avec une spécialisation dans le domaine du nucléaire.Vous disposez :d'une première expérience avec les codes de calcul et la simulation numérique ;d’un esprit de synthèse et de bonnes capacités rédactionnelles ;d’une connaissance de l’environnement Linux et du langage de programmation Python.Vous faites preuve de rigueur, d’esprit d’équipe et d’écoute, et avez un goût prononcé pour la physique et la technique.Rejoignez-nous pour contribuer à un sujet innovant, à la croisée de la physique nucléaire, de la simulation numérique et du machine learning, et participez au développement des outils de sûreté des réacteurs nucléaires de demain.