Stage : Modèle réduit sur variété non linéaire basée sur POD avec des solveurs différentiables F/H

Safran companies; Palaiseau, Magny-les-Hameaux; Sur place; EUR 30 000 - 50 000; Plein temps

Résumé du poste

Une entreprise innovante recherche un stagiaire passionné par les mathématiques et les algorithmes. Ce stage offre l'opportunité de travailler sur des modèles réduits en utilisant des solveurs différentiables, en explorant des approches avancées pour améliorer la précision de la reconstruction de solutions. Vous aurez l'occasion d'appliquer vos compétences en programmation Python et en dynamique des fluides, tout en collaborant dans un environnement de recherche stimulant. Si vous êtes motivé par l'apprentissage et la recherche, ce stage est fait pour vous.

Qualifications

• Expérience en simulations numériques et dynamique des fluides requise.
• Familiarité avec les techniques de réduction de modèle, comme la POD.

Responsabilités

• Apprentissage des corrections non linéaires via réseaux de neurones.
• Amélioration de la généralisation avec une fonction de perte basée sur les résidus.

Connaissances

Simulations numériques

Dynamique des fluides (RANS)

Techniques de réduction de modèle

Réseaux de neurones

Programmation en Python

Formation

BAC+5

Outils

PyTorch

Description du poste

Stage : Modèle réduit sur variété non linéaire basée sur POD avec des solveurs différentiables F/H

Publié 13.03.2025

Société : Safran
Domaine d'activité : Mathématiques et Algorithmes
Emplacement : Magny-les-hameaux, France, Ile de France
Type de contrat : Stage
Durée du contrat : Temps complet
Diplôme requis : BAC+5
Expérience requise : Jeune diplômé-e/Première expérience
Statut professionnel : Etudiant
Langue(s) parlée(s) : Anglais Courant, Français Courant

Le modèle surrogate est construit dans un espace réduit obtenu par projection sur une base de modes orthogonaux. Traditionnellement, la Décomposition Orthogonale aux Propre (POD) est utilisée pour identifier ces modes, permettant ainsi une réduction significative de la dimensionnalité. Cependant, bien que la projection elle-même soit linéaire, la reconstruction de la solution complète nécessite souvent des corrections non linéaires supplémentaires pour capturer les corrélations complexes entre les modes.

Des recherches récentes ont exploré différentes approches pour améliorer la précision de la reconstruction :

1. Approximations quadratiques des corrélations non linéaires des coefficients POD, ou plus généralement des approximations polynomiales.
2. Sélection intelligente des modes POD afin de minimiser l'erreur de reconstruction.
3. Application d'un opérateur de rotation sur la base POD.
4. Utilisation de réseaux de neurones pour corriger la projection à partir des modes POD dominants.

Remarques :

• Bien que la projection dans l'espace réduit soit linéaire via une base orthogonale, la reconstruction de la solution dans l'espace complet nécessite des corrections non linéaires.
• Les modes POD qui capturent le mieux les dépendances non linéaires ne sont pas nécessairement ceux ayant la plus grande importance énergétique.
• La base orthonormale optimale pour la reconstruction peut différer de la base POD conventionnelle.

Objectifs de recherche

Le projet adopte une approche double :

1. Apprentissage des corrections non linéaires sans a priori spécifique : plutôt que d'imposer une structure fixe, comme un modèle polynomial, aux termes de correction, nous proposons d'exploiter les capacités d'approximation universelle des réseaux de neurones pour modéliser les dépendances non linéaires entre les modes orthogonaux. L'apprentissage conjoint de la base orthonormale et de la correction non linéaire peut conduire à un problème d'optimisation sous-contraint. Pour y remédier, nous intégrons une fonction de perte prédictive qui évalue à la fois la reconstruction et la performance prédictive, guidant ainsi l'optimisation vers une base orthonormale optimale adaptée aux deux tâches.
2. Amélioration de la généralisation via une perte basée sur les résidus : une fonction de perte basée sur les résidus des équations RANS sera introduite, avec une rétropropagation des gradients à travers un solveur RANS différentiable. Cette perte, calculée sur des données nouvellement générées qui reflètent une distribution a priori des géométries et des conditions de fonctionnement, enrichira la base modale en intégrant des caractéristiques difficiles à capturer, comme les ondes de choc ou d'autres phénomènes d'écoulement complexes.

Et en complément ?

Parlons de vous

- Expérience en simulations numériques et en dynamique des fluides (RANS).
- Familiarité avec les techniques de réduction de modèle, telles que la POD.
- Expérience de base avec les réseaux de neurones et la programmation différentiable avec PyTorch.
- Maîtrise de la programmation en Python.
- Capacité à travailler de manière autonome et en collaboration dans un environnement de recherche.

Localisez votre futur site

Rue des jeunes bois, 78114 Magny-les-hameaux, France

Parce que nous sommes persuadés que chaque talent compte, nous valorisons et encourageons les candidatures de personnes en situation de handicap pour nos opportunités d'emploi.