Algorithmes de reconstruction d'interface par Machine Learning et Apprentissage Supervisé
Alternance Paris (Paris) Chimie / Biologie / Agronomie
Description de l'offre
Détail de l'offre
Informations générales
Entité de rattachement
Le Commissariat à l'énergie atomique et aux énergies alternatives (CEA) est un organisme public de recherche.Acteur majeur de la recherche, du développement et de l'innovation, le CEA intervient dans le cadre de ses quatre missions :
. la défense et la sécurité
. l'énergie nucléaire (fission et fusion)
. la recherche technologique pour l'industrie
. la recherche fondamentale (sciences de la matière et sciences de la vie).
Avec ses 16000 salariés -techniciens, ingénieurs, chercheurs, et personnel en soutien à la recherche- le CEA participe à de nombreux projets de collaboration aux côtés de ses partenaires académiques et industriels.
Référence
2018-7696-1145Description du poste
Domaine
Mathématiques, information scientifique, logiciel
Contrat
Stage
Intitulé de l'offre
Algorithmes de reconstruction d'interface par Machine Learning et Apprentissage Supervisé
Sujet de stage
Algorithmes de reconstruction d'interface par Machine Learning et Apprentissage Supervisé
Durée du contrat (en mois)
6 mois
Description de l'offre
Les approches « Machine Learning » font l'objet d'un engouement croissant dans de nombreux domaines relevant des Sciences de l'Ingénieur. Jusqu'alors, peu de publications traitent d'applications aux méthodes de résolution d'équations aux dérivées partielles. Lors de ce stage, on évaluera l'apport de telles approches sur un problème difficile, objet d'une littérature abondante dans le cadre des méthodes numériques « traditionnelles » : le problème de reconstruction d'interfaces à partir de fractions de présence de matériaux sur maillages 2D/3D cartésiens. Il s'agit d'un problème purement géométrique, souvent coûteux avec les méthodes traditionnelles et qui se prête à l'utilisation de frameworks ML (Machine Learning) utilisés en reconnaissance d'images. Les méthodes VOF (Volume Of Fluid) constituent une classe importante de méthodes de résolution des équations de la mécanique des fluides. Pour des écoulements bi-fluides, les algorithmes LVIRA et ELVIRA font actuellement référence pour l'étape de reconstruction d'interface à partir des fractions volumiques de présence sur les mailles voisines. 1) Ces algorithmes seront utilisés pour constituer des bases de configurations sur lesquelles seront lancées les phases d'apprentissage (solutions exactes pour des interfaces planes). 2) Les capacités de l'approche ML seront alors évaluées par prises d'erreurs et comparaisons des coûts selon taille & type de base. Dans un second temps, on examinera des cas non lipchitziens et l'extension à 3 matériaux (points triples, configurations trop complexes pour un traitement géométrique exhaustif et rigoureux de type ELVIRA). Références bibliographiques • Itay Lieder, Yehezkel resheff, Tom Hope, Learning TensorFlow A guide to Building Deep Learning systems, O'Reilly media (2017) • Kevin P. Murphy, Machine Learning: a probabilistic perspective, MIT Press (2012) • J. E. Pilliod and E. G. Puckett, “Second-order accurate volume-of-fluid algorithms for tracking material interfaces”, J. Comput. Phys., Vol. 199, p. 465-502 (2004)
Profil recherché
Profil du candidat
MASTER/INGENIEUR
Python TensorFlow + Keras
BAC + 5