Stage Ingénieur Calcul Modèles Génératifs pour Accélérer la Simulation des Écoulements H/F

Description de l'offre

La simulation numérique d'écoulements représente un levier essentiel pour la conception dans l'industrie. La capture précise des sillages ou des chocs requiert des maillages atteignant plusieurs millions d'éléments pour des temps de calcul s'étirant sur plusieurs heures, alors que l'optimisation ou la conception impose de lancer des centaines voire des milliers d'itérations. Par ailleurs, la réduction classique de modèle reposant sur des bases linéaires peine à retranscrire les structures mobiles selon les paramètres, à l'image des chocs.

Une alternative réside dans les modèles génératifs tels que le flow matching ou la diffusion. Capables d'apprendre la loi des solutions, ils génèrent des champs sans le lissage propre aux régressions standard. Pour les industriels, ces outils valorisent les bases de données existantes, fournissent des prédictions beaucoup plus rapides qu'un solveur, évaluent l'incertitude ou accélèrent la convergence en injectant une solution initiale.

Dans le cadre d'un précédent stage mené en 2026 au sein de l'équipe-projet MONHADE (Inria/ONERA), une base d'environ 30 000 solutions d'Euler 2D a été constituée, permettant l'entraînement de modèles génératifs et déterministes sur des maillages d'environ 20 000 mailles. Malgré une bonne précision et une accélération marquée du solveur, la généralisation à des géométries inédites reste perfectible. Il convient également d'aborder des maillages industriels, de diminuer le coût de ces architectures génératives et de tester ces méthodologies en situation d'exploitation industrielle.

Le projet bénéficiera des compétences des ingénieurs docteurs d'Ingeliance et d'échanges récurrents avec l'équipe MONHADE. La personne recrutée disposera des ressources informatiques du CCRT, ainsi que des codes sources et jeux de données antérieurs, avec l'opportunité de lancer d'autres simulations au besoin.

Ce stage vise à faire progresser ces méthodes génératives à travers différentes actions :

·  Examiner la bibliographie existante, intégrer les travaux du stage antérieur et appréhender les outils générant les données d'apprentissage.
·  Concevoir et évaluer différentes méthodes :
·  Espaces latents : réduire la dimension des champs par compression pour entraîner le modèle génératif à échelle réduite et traiter de plus grands maillages.
·  Prédictions locales : ajuster un réseau sur des sous-domaines puis le déplacer pour traiter des domaines élargis, ce qui peut favoriser la généralisation face à des formes géométriques inédites.
·  Ponts de Schrödinger : relier directement deux champs sans transiter par un bruit gaussien pour diminuer le volume d'étapes de calcul.
·  Tester ces stratégies en environnement industriel et les confronter à un solveur en analysant le gain de temps pour converger, le coût global, la précision ainsi que l'aptitude à généraliser sur des régimes et géométries absents de l'apprentissage.

Le profil recherché présente les caractéristiques suivantes :

·  Scolarité en 2ème ou 3ème année au sein d'une école d'ingénieur.
·  Intérêt pour le domaine de la recherche et curiosité intellectuelle prononcée.
·  Bases en programmation Python et en deep learning.
·  Volonté d'approfondir les aspects mathématiques de la conception des modèles.
·  Compétences en modélisation numérique, plus précisément en mécanique des fluides.

Une opportunité de continuer le travail dans le cadre d'une thèse CIFRE est envisageable.