THESE CIFRE : Quantification des incertitudes des crashs H/F

Description de l'offre

Détail de l'offre

Informations générales

Entité de rattachement

Rejoindre le Groupe PSA, c'est intégrer une entreprise automobile française d'envergure mondiale, forte d'un héritage industriel de plus de 200 ans, qui contribue à écrire l'histoire du monde automobile. Mû par la recherche permanente de l'innovation et de l'excellence, le Groupe offre un cadre de travail à la fois stimulant et enrichissant. Pionnier et leader des technologies propres et de la mobilité durable, le Groupe PSA entend rester à la pointe des grandes tendances qui font bouger le monde. Grâce à un formidable esprit d'équipe et à une stratégie clairement définie, le Groupe fait preuve d'exigence, d'audace et d'agilité, prenant acte des changements clés pour l'automobile de demain.
Pour réussir ces transformations, l'entreprise a besoin de tous les talents, n'hésitez plus, rejoignez-nous !

Référence

2017-177  

Description du poste

Métier

Recherche & Développement

Intitulé du poste

THESE CIFRE : Quantification des incertitudes des crashs H/F

Contrat

CDD

Catégorie socio-professionnelle

Cadre

Description de la mission

"On s'intéresse à la robustesse des modèles numériques pour la prédiction de la réponse d'un véhicule à un choc. Ces modèles basés sur les approximations éléments finis sont par nature non linéaires (contact, frottement, grandes déformations) voire instables (flambage, rupture). La réponse de ces modèles numériques présente généralement des écarts par rapport aux réponses mesurées lors d'essais expérimentaux dus à différents facteurs : incertitudes sur la modélisation (modèle de comportement, modèle plaque/coque/poutre, liaisons etc), incertitudes sur les paramètres de la modélisation choisie (paramètres matériaux, données géométriques etc), erreurs d'approximation numérique sur la modélisation.
Il s'agit dans ce contexte de disposer de modèles prédictifs qui soient corrélés avec les essais expérimentaux en prenant en compte la variabilité des paramètres d'entrée du modèle. Les modèles numériques étant complexes et coûteux, nous ne disposons que d'un nombre limité d'essais numériques desquels sont extraites quelques sorties qui définissent les variables d'intérêt.

L'objectif de la thèse est de construire un modèle prédictif de variables d'intérêt prenant en compte la variabilité de nombreux paramètres d'entrée du modèle numérique en utilisant des méthodes d'apprentissage statistique avec un budget limité. Le grand nombre de variables d'entrée et la forte non-linéarité des variables d'intérêt vis-à-vis de celles-ci ont montré la nécessité de développer de nouvelles méthodologies en apprentissage statistique. Ainsi les différentes étapes de la thèse sont :
• Caractérisation du problème modèle : modélisation probabiliste des incertitudes sur les paramètres d'entrée du modèle, analyse de la structure de dépendance des variables aléatoires d'entrée.
• Première réduction du modèle avec une méthode simple pour les problèmes de très grande dimension (très grand nombre de paramètres d'entrée) et simplification du modèle.
• Mise en œuvre des méthodes d'apprentissage statistique sur le modèle (simplifié) utilisant des échantillons de la solution obtenus par des appels indépendants à un code de calcul déterministe et amélioration de l'estimation de la quantité d'intérêt.
• Approximation de variables d'intérêt dépendant du temps en utilisant des transformations des données dans le domaine temporel.

Profil recherché

Profil

Automonie, rigueur
goût pour la recherche

Diplôme de Master 2 ou d'école d'ingénieurs en mathématiques appliquées ou ingénierie numérique, avec des connaissances en
- analyse numérique,
- probabilités et statistiques,
- calcul scientitique, programmation matlab/c++.
Des connaissances en mécanique des milieux continus et sur la méthode des éléments finis seront appréciées.