Stagiaire - Émulateur de Charges pour éoliennes (h/f)

Siemens Energy; Saint-Étienne-du-Rouvray; On-site; EUR 7,800 - 12,000; Full time

Job summary

Siemens Gamesa, acteur majeur de l’industrie éolienne, recherche un stagiaire pour développer un émulateur de charges et étendre le cadre ML pour les transitoires de réduction de puissance sur des éoliennes onshore.

Le stage combine simulations aero-servo-élastiques, traitement de données et développement ML avec validation sur données réelles, en utilisant Python; MATLAB est un plus et Linux/Git seront employés au quotidien.

Qualifications

• Étudiant(e) en dernière année de cycle ingénieur ou Master 2 en mécanique, énergie, génie éolien ou domaine équivalent.
• Bonnes bases en mécanique et dynamique des structures.
• Intérêt pour la modélisation physique des éoliennes et l’analyse de données expérimentales.

Responsibilities

• Développer l’outil d’estimation des charges pour les éoliennes.
• Traiter les données et entraîner les modèles ML pour estimer les charges sous transitoires.
• Valider les résultats avec des données réelles et documents les limites et améliorations.
• Réaliser des simulations aero-servo-élastiques et des analyses de transitoires de power de-rating.

Skills

Python

MATLAB

Linux

Git

Education

Master 2 / cycle ingénieur en mécanique

Tools

Linux

Git

Job description

Stagiaire - Émulateur de Charges pour éoliennes (h/f)

Saint-Etienne-du-Rouvray

Extension d’un outil d’estimation des charges pour l’analyse des transitoires de réduction de puissance dans le cadre de la validation 0-Series

Le stage vise à poursuivre le développement d’un outil d’estimation des charges structurelles utilisé dans le cadre de la validation terrain 0-Series des éoliennes onshore.

Une première méthodologie basée sur le Machine Learning Load Emulator (MLLE) permet déjà d’estimer les charges d’une éolienne à partir de données opérationnelles et de bases de simulations aero-servo-élastiques. L’objectif principal du stage est d’étendre cette méthodologie afin de pouvoir interpréter également des événements transitoires spécifiques observés sur le terrain.

Le travail se concentrera en particulier sur les transitoires de de-rating, correspondant à des réductions commandées de la puissance produite par l’éolienne. Ces événements deviennent de plus en plus fréquents avec la participation active des opérateurs d’éoliennes aux marchés d’équilibrage du réseau électrique et aux services auxiliaires.

Le stage combinera simulations aero-servo-élastiques, traitement de données, Machine Learning et validation à partir de données réelles d’éoliennes. L’objectif final est de démontrer la capacité du framework à estimer correctement les charges structurelles et de fatigue associées aux transitoires de puissance.

Périmètre de travail :

Comprendre le contexte de la validation 0-Series des nouvelles plateformes d’éoliennes onshore et le rôle des données terrain dans la validation des modèles de charges.

Se familiariser avec les outils internes de simulation et avec le modèle aero-servo-élastique utilisé pour simuler le comportement dynamique des éoliennes.

Réaliser des simulations de référence sur des cas de fonctionnement simples afin de comprendre les principales grandeurs physiques, les contrôleurs et les charges structurelles associées.

Étudier la modélisation des événements de réduction forcée de puissance (de-rating) et mettre en place des simulations représentatives des transitoires observés sur le terrain.

Se familiariser avec le framework Machine Learning Load Emulator (MLLE), comprenant notamment :

• la génération des bases de simulations ;
• le traitement et la préparation des données ;
• l’entraînement des modèles Machine Learning ;
• leur validation et leur déploiement pour l’estimation des charges.

Étendre la chaîne de génération des données afin d’intégrer les paramètres et scénarios nécessaires à la représentation des transitoires de puissance.

Adapter et entraîner les modèles MLLE afin qu’ils puissent estimer les charges pendant les événements de de-rating, en complément des conditions de fonctionnement classiques.

Analyser la sensibilité des prédictions aux principales caractéristiques des transitoires : niveau de puissance initial et final, vitesse de réduction de puissance, conditions de vent et état opérationnel de l’éolienne.

Utiliser des données terrain provenant d’éoliennes réelles pour identifier des événements représentatifs et comparer les charges mesurées aux charges estimées par le framework MLLE.

Évaluer en particulier la capacité de la méthode à reproduire les charges de fatigue structurelles associées aux événements de réduction de puissance, puis documenter les limites et pistes d’amélioration.

• Ensemble de cas de simulation aero-servo-élastiques représentatifs des événements de de-rating.
• Extension documentée du pipeline de génération de données MLLE afin d’inclure les transitoires de puissance.
• Modèles Machine Learning entraînés et évalués pour l’estimation des charges pendant ces événements.
• Méthodologie d’identification et de traitement des événements de de-rating à partir des données terrain.
• Comparaison documentée entre les charges structurelles mesurées sur les éoliennes et les charges estimées par le MLLE.
• Évaluation des performances de la méthode pour l’estimation des charges de fatigue.
• Scripts ou notebooks permettant de reproduire la génération des données, l’entraînement, la validation et les principales analyses.
• Rapport de synthèse et support de présentation final décrivant la méthodologie, les résultats, les limitations et les recommandations pour la poursuite du développement.
• Mise en place d’une stratégie de simulation reproductible des principaux scénarios de réduction de puissance.
• Intégration des transitoires de de-rating dans le pipeline de données MLLE existant.
• Démonstration de la capacité des modèles Machine Learning à estimer les charges structurelles pendant ces événements.
• Validation de la méthodologie sur des événements réels issus de données terrain 0-Series.
• Quantification de la précision obtenue pour les charges de fatigue mesurées et estimées.
• Identification claire des limites actuelles du framework et des améliorations nécessaires pour une utilisation plus large dans les activités de validation terrain.
• Documentation suffisante pour permettre à l’équipe de poursuivre et réutiliser les développements après le stage.

Profil du candidat :

• Étudiant(e) en dernière année de cycle ingénieur ou Master 2 en mécanique, énergie, génie éolien, simulation numérique, data science, Machine Learning ou domaine équivalent.
• Bonnes bases en mécanique, dynamique des structures ou systèmes énergétiques.
• Intérêt pour la modélisation physique des éoliennes et l’analyse de données expérimentales.
• Connaissances en Python requises ; MATLAB est un plus.
• Une première expérience en Machine Learning, traitement de données ou modélisation numérique est appréciée.
• Des connaissances en éolien, contrôle des systèmes, fatigue ou simulations aero-servo-élastiques constituent un plus.
• Familiarité avec Linux, Git ou les environnements de calcul scientifique est appréciée.
• Capacité à analyser de grands jeux de données, comparer simulations et mesures et documenter clairement les résultats.
• Rigueur, autonomie, curiosité technique et capacité à échanger régulièrement avec des experts simulation, contrôle et validation.
• Anglais courant requis ; le français est un plus.

Siemens Gamesa fait partie de Siemens Energy, leader mondial des technologies énergétiques avec plus de 150 ans d’innovation. Ensemble, nous nous engageons à rendre l’énergie durable, fiable et abordable en repoussant les limites du possible.

Acteur majeur de l’industrie éolienne et fabricant d’éoliennes, nous sommes engagés dans la transition énergétique et proposons des solutions innovantes pour répondre à la demande énergétique croissante à l’échelle mondiale.

Chez Siemens Gamesa, nous sommes constamment à la recherche de talents pour soutenir notre mission de transformation énergétique.

Notre engagement en faveur de la diversité

Heureusement pour nous, nous sommes tous différents. La diversité est notre moteur. Il fonctionne à l’inclusion, et notre énergie créatrice combinée est alimentée par plus de 130 nationalités. Siemens Energy célèbre la personnalité de chacun - quels que soient son origine ethnique, son genre, son âge, son religion, son identité ou son handicap. Nous donnons de l’énergie à la société, à toute la société, et nous ne discriminons pas sur la base de nos différences.