Thèse sur Modélisation du comportement mécanique d'un composite par des algorithmes d'apprentissage F/H

Description de l'offre

Thèse sur Modélisation du comportement mécanique d'un composite par des algorithmes d'apprentissage F/H

Company :

Safran

Job field : Material and processes

Location : Itteville , 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 Intermediate

# 2025-162036

Apply with one click Any questions ?

Job Description

Dans le cadre des différents projets de recherche et développement du Groupe SAFRAN, au sein de l'entité SAFRAN Tech, la plateforme SAFRAN Composites est dédiée au développement, à la maturation des technologies composites à matrice organique pour application à des pièces structurales, ainsi qu'à la préparation de leur industrialisation dans le respect d'objectifs technico-économiques ambitieux.

Au sein de son équipe Conception & Développement, Safran Composites est à la recherche d'un(e) doctorant(e) CIFRE sur la Modélisation et validation du comportement mécanique d'un composite par des algorithmes d'apprentissage automatique.

Afin de conforter l'avance technologique du groupe SAFRAN sur matériaux composites, il est nécessaire d'améliorer les techniques de dimensionnement et modélisation associées en prenant en compte les mécanismes dissipatifs et les non-linéarités ayant lieux pendant les cas de charges complexes (triaxial + temporel). Cela passe par une stratégie de modélisation efficace permettant de synthétiser l'information riche des modèles éléments finis à l'échelle mésoscopique et de la mettre en relation avec celle issue via les essais structuraux. Ainsi, l'objectif de ces travaux de thèse concernent la mise en place d'un algorithme d'apprentissage (ML), avec sa base d'entrainement, pour l'approximation de la loi constitutive d'un composite tissé. Dans une première phase, le modèle sera entrainé à partir de données synthétiques générées par EF avec l'objectif de réduire la dimension de l'espace de départ et extraire les variables d'intérêt à l'échelle macroscopique. Dans une deuxième phase, un processus de réglage fin sur des résultats d'essais sera appliqué pour accroire ses performances dans le cadre réel. La finalité industrielle du travail est de pouvoir se doter d'outils permettant de réduire les boucles de conception de nos matériaux/structures.

Le(a) doctorant(e) aura pour missions principales de :

• Dresser un état de l'art exhaustif sur la modélisation des lois constitutives et des techniques de transition d'échelle via des algorithmes d'apprentissage machine.

• Proposer une méthodologie de modélisation à l'échelle mésoscopique d'un composite tissé en utilisant différentes lois de comportement et avec une éventuelle présence d'endommagements pour les constituants.

• Implémentation d'une bibliothèque pour la mise en place et le lancement des plans d'expériences visée à la constitution de la base de données.

• Proposer et implémenter un modèle d'apprentissage pour l'approximation de la réponse mécanique du matériau à l'échelle macroscopique.

• Proposer et implémenter une méthodologie de fine-tuning pour la mise en cohérence du modèle identifié avec les essais expérimentaux.

• Assurer une communication interne (réunion d'avancement, rapport) et externe (congrès, séminaire) sur les travaux de la thèse, dans le respect des règles de confidentialité.

Job Requirements

De formation Bac+5 (école d'ingénieur ou master recherche), avec de solides connaissances en mécanique des matériaux et un goût prononcé pour les simulations numériques et les mathématiques appliquées.

Les compétences suivantes sont indispensables :

• Connaissance des méthodes numériques et mathématiques appliquées pour la mécanique des matériaux

• Connaissance des matériaux composites à matrice organique

• Connaissance de la programmation en Python et développement Informatique

• Connaissance du calcul mécanique par éléments finis

• Capacité de synthèse et d'exploitation/interprétation des simulations numériques

• Autonomie et rigueur dans l'exécution de ses activités

• Capacité de communication, notamment avec différents intervenants et différents métiers (physico-chimie, matériaux, procédés…)

• Niveau d'anglais avancé

Les compétences suivantes seront fortement appréciées :

• Connaissance du Machine Learning et/ou du calcul statistique

• Capacité d'interprétation de données expérimentales

• Expérience de corrélation essai-calcul

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

Les travaux de thèse s'effectueront au sein de l'équipe de l'ENS – Ecole Normale Supérieure Paris-Saclay, à Gif-Sur-Yvette avec des déplacements réguliers à prévoir sur le site de Safran Composites, à Itteville.

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.

Locate your future workplace

33 Avenue de la Gare91760

Itteville

Ile de France France

100,000

employees worldwide

27

Number of countries where Safran is located

35

business area families

· 
Maps are available under theOpen Database Licence (https://opendatacommons.org/licenses/odbl/) .

· 
© OpenStreetMap (https://www.openstreetmap.org/copyright) contributors.

· 
© Safran

Safran is an Equal Opportunity Employer

All qualified applicants will receive consideration for employment without regard to race, color, sex, sexual orientation, gender identity, religion, national origin, disability, veteran status, or other legally protected status.