Thèse CIFRE : Réduction de modèle en variabilité géométrique non paramétrique F-H

Preligens; Magny-les-Hameaux; Sur place; EUR 40 000 - 60 000; Plein temps

Résumé du poste

Un groupe technologique international à Magny-les-Hameaux cherche un candidat pour une thèse CIFRE sur la réduction de modèle en variabilité géométrique non paramétrique. Ce projet implique l'utilisation de techniques avancées telles que le machine learning et nécessite un Master en Mathématiques appliquées. De bonnes compétences en analyse numérique et développement en Python sont attendues. Un environnement de travail innovant et des possibilités de co-encadrement avec le laboratoire CERMICS sont proposés.

Prestations

Co-encadrement avec CERMICS

Accès à des bases de données de simulations

Environnement de travail innovant

Qualifications

• Titulaire d'un Master en Mathématiques appliquées ou équivalent.
• Excellente communication écrite et orale en français et anglais.
• Créativité et goût pour l'innovation.

Responsabilités

• Simuler des problèmes liés à la variabilité géométrique.
• Concevoir des modèles de substitution pour optimiser la vitesse de calcul.
• Collaborer avec le laboratoire CERMICS sur des techniques avancées.

Connaissances

Analyse numérique

Réduction de modèle

Machine learning

Développement informatique (python)

Formation

Master en Mathématiques appliquées

Description du poste

Thèse CIFRE : Réduction de modèle en variabilité géométrique non paramétrique F/H

Published 09.23.2025

Company : Safran   Job field : Mathematics and algorithms   Location : Chateaufort - Magny Les Hameaux , Ile de France , France   Contract type : CIFRE   Contract duration : Full-time   Required degree : Master Degree   Required experience : First experience   Professional status : Professional, Engineer & Manager   Spoken language(s) : English Fluent, French Fluent

# 2025-163605

Apply Apply with one click Any questions ?

Published 09.23.2025

Job Description

Comme dans de très nombreux domaines industriels, la simulation numérique est un outil incontournable, utilisé dans toutes les étapes des activités de Safran. Elle met en œuvre des codes de calculs complexes, dont la durée de résolution par simulation peut atteindre plusieurs heures, voire plusieurs jours. En général, nous sommes dans un contexte de problèmes paramétrés pour lesquels une résolution ne suffit pas : les études d'optimisation ou de propagation d'incertitudes nécessitent des résolutions pour un nombre important de valeurs paramétriques : dans ce cas, il devient prohibitif d'utiliser des modèles trop coûteux. Il est alors courant de construire un modèle de substitution pour remplacer les solveurs coûteux, l'enjeu étant de prendre en compte le plus de variabilités possibles et d'améliorer le compromis précision/vitesse.

Dans cette thèse, nous nous intéressons aux variabilités géométriques non-paramétrées. Une méthode de régression de champ sous variations géométriques non-paramétrées a été proposée en 2023 à SafranTech [1] : MMGP (Mesh Morphing Gaussian Processes). Cette méthode a remporté 2 compétitions de machine learning organisées par l'IRT SystemX, dont une à Neurips2024 [2]. MMGP a de très bonnes performances dans son périmètre de validité, mais souffre de certains désavantages. En particulier, la qualité du morphing est critique, et il doit être construit avec précaution pour chaque nouveau cas-test. De plus, le morphing est lent à calculer en phase d'inférence du modèle. Ces limitations ont été grandement améliorées lors d'une première thèse co-encadrée à SafranTech et au CERMICS sur ce sujet. Dans [3, 4], la stratégie est rendue générique en calculant le morphing sous la forme d'une minimisation de la distance entre le bord des échantillons à celui d'une géométrique de référence, résolue sous la forme d'une suite de problèmes élastiques. La vitesse d'exécution en phase d'inférence est obtenue en cherchant le morphing dans un sous-espace obtenu à partir des morphings construits en phase d'apprentissage. Dans [5], la stratégie de morphing est encore améliorée en cherchant le déplacement des points intérieurs conduisant à maximiser l'énergie des champs à prédire sur les ‘r' premiers modes POD de ces champs.

Il reste de nombreuses pistes d'améliorations, qui pourront être adressées dans cette thèse :

• La robustification de l'algorithme d'optimisation de la famille de morphing vis-à-vis des bords courbes
• L'application à des champs de structures variables (par exemple en mécanique des fluides, avec des champs de pression sans choc ou avec un ou plusieurs chocs dans la même base de données)
• L'amélioration du décodeur POD par une correction quadratique ou polynomiale
• La levée de la limitation de topologie constante dans la base de données
• L'application à des cas 3D complexes : identification et correction des limitations et bottlenecks

Job Requirements

Vous êtes titulaire d'un Master en Mathématiques appliquées ou équivalent

• Vous avez de bonnes compétences dans les domaines suivants :
• Analyse numérique
• Réduction de modèle
• Machine learning
• Développement informatique (en particulier python)
• Vous avez également :
• une excellente communication écrite et orale (français, anglais)
• faites preuve de créativité, et avez le goût pour l'innovation
• avec de la curiosité et envie d'apprendre

But what else? (advantages, specific features, etc.)

Du point de vue industriel, nous sommes en particulier intéressés par rendre la méthode la plus robuste possible et simple à utiliser, de sorte à rendre sa montée en maturité plus facile.

Plusieurs bases de données de simulations en mécanique des fluides et des structures avec variabilités géométriques sont déjà disponibles et pourront servir de support à l'illustration des évolutions proposées dans cette thèse.

Cette thèse se déroulera en co-encadrement avec le laboratoire CERMICS

Références:

[1] F. Casenave, B. Staber, X. Roynard, MMGP: a mesh morphing gaussian process-based machine learning method for regression of physical problems under nonparametrized geometrical variability, Advances in Neural Information Processing Systems 36, 43972-43999
[2] Résultat ML4CFD Neurips2024, https://www.linkedin.com/posts/institut-de-recherche-technologique-systemx_ml4cfd-machinelearning-airfoil-activity-7275088146659176448-qSE1
[3] A. Kabalan, F.C., F. Bordeu, V. Ehrlacher and A. Ern, Morphing techniques for model order reduction with non-parametric geometrical variabilities, CSMA 2024, (2024)
[4] A. Kabalan, F. Casenave, F. Bordeu, V. Ehrlacher and A. Ern, An elasticity-based mesh morphing technique with application to reduced-order modeling, Appl. Math. Model. 141, 115929, (2025)
[5] A. Kabalan, F. Casenave, F. Bordeu and V. Ehrlacher, O-MMGP: Optimal Mesh Morphing Gaussian Process Regression for Solving PDEs with non-Parametric Geometric Variations, submitted

Company Information

Safran is an international high-technology group, operating in the aviation (propulsion, equipment and interiors), defense and space markets. Its core purpose is to contribute to a safer, more sustainable world, where air transport is more environmentally friendly, comfortable and accessible. Safran has a global presence, with 100,000 employees and sales of 27.3 billion euros in 2024, and holds, alone or in partnership, world or regional leadership positions in its core markets.

Safran is in the 2nd place in the aerospace and defense industry in TIME magazine's "World's best companies 2024" ranking.

Because we are convinced that each talent counts, we value and encourage applications from people with disabilities for our job opportunities.

100,000 employees worldwide

27 Number of countries where Safran is located

35 business area families