Post-doctorat en IA frugale et durabilité des composites F/H
Enregistrez cette offre et organisez votre recherche
Créez un compte gratuit pour enregistrer des offres d'emploi, créer des alertes et revenir à cette liste depuis votre tableau de bord.
En continuant, vous acceptez nos Conditions d’utilisation & Politique de confidentialité.
Qui sommes-nous ?
Grand établissement technologique, Arts et Métiers compte 14 sites
et a pour mission principale de former les leaders des industries
responsables, qui conçoivent et mettent en œuvre les innovations
technologiques et organisationnelles impactantes, indispensables aux
transitions énergétiques environnementales et sociétales. Il forme
chaque année plus de 6 000 étudiant·e·s du bac+3 jusqu’au bac+8.
Par ses formations, ses 15 laboratoires et sa recherche partenariale, Arts
et Métiers est un acteur socio-économique au service des territoires.
Environnement du poste
Le poste est rattaché au projet COMPOSIA et s’inscrit au sein de l’équipe
du Laboratoire Angevin de Mécanique, Procédés et InnovAtion (LAMPA).
L’équipe du LAMPA possède une expertise dans la mise en place d’essais
pour prédire la durabilité des composites ainsi dans la mise en place de
méthodes numériques avancées avec notamment des modèles d’IA
basés sur la physique qui permettent de prédire des phénomènes
physiques avec un nombre de données expérimentales limitées. Ce
projet bénéficie d’un double financement Angers Loire Développement
et Carnot Arts. Ce projet Carnot Arts est en collaboration avec l’équipe
du PIMM (Procédés et Ingénierie en Mécanique et Matériaux), reconnue
pour ses compétences en IA et en compréhension des mécanismes de
vieillissement des composites, la post-doctorante ou le post-doctorant
bénéficiera d’un environnement de travail en équipe avec des expertises
à la fois en numérique, modélisation et expérimental.
Missions et activités principales
Le projet COMPOSIA s’inscrit dans le cadre des transitions écologique et
numérique. Il vise à développer une méthodologie hybride basée sur des
outils d’intelligence artificielle qui combinent données et modèles
physiques (IA frugale) pour prédire la durabilité des matériaux composites
à matrice thermodurcissable utilisés dans le bâtiment en zone inondable.
Compte tenu des changements climatiques en milieu urbain, il est
important de contrôler en temps réel la dégradation des bâtiments et de
proposer des solutions de prédiction des durées de vie. Le matériau choisi
pour cette étude est un composite verre/époxy unidirectionnel, matériau
qui occupe une place centrale dans le secteur du bâtiment pour des
applications de renforcement, de réhabilitation ou d’éléments structurels
exposés. Leur utilisation repose sur un compromis favorable entre
performances mécaniques spécifiques, faible masse volumique et
résistance à la corrosion. Néanmoins, en zone inondable, ces matériaux
sont soumis à des sollicitations hygrothermiques sévères caractérisées par
une humidité élevée, des variations de température, ce qui induit des
mécanismes de dégradation progressifs et fortement couplés. Dans ce
contexte, les industriels du bâtiment sont confrontés à une problématique
majeure liée à l’exploitation de données expérimentales coûteuses à
acquérir et souvent insuffisantes pour alimenter des modèles robustes.
Cette limitation freine la capacité à anticiper la durabilité des structures et
à optimiser les choix de conception ou de maintenance. La problématique
scientifique du projet s’inscrit précisément dans ce cadre et vise à établir
un lien prédictif entre conditions de vieillissement hygrothermique et
Localisation
Campus d’Angers
Poste ouvert aux titulaires et aux contractuels
Emploi de catégorie
Référentiel des métiers
Durée du contrat (sidétachement ou contractuel)
12 mois
Quotité de travail
2900€ bruts/mois
Poste disponible à partir de
CV et lettre de motivation
à envoyer par mail à
Personne en charge du recrutement :
Date de publication
Post-doctorat en IA frugale et durabilité des
évolution des propriétés mécaniques à partir de jeux de données limités, en s’appuyant sur des approches
d’intelligence artificielle intégrant des contraintes physiques. Une telle approche nécessite de dépasser les
limites actuelles des modèles purement analytiques et des approches purement basées sur les données (data
driven), en développant des stratégies hybrides capables de capturer la complexité des mécanismes en jeu
tout en restant compatibles avec des volumes de données réduits.
Les verrous scientifiques associés à cette problématique sont multiples. Ils concernent : - d’une part la nature
limitée et hétérogène des données expérimentales disponibles, qui impose le développement de méthodes
d’apprentissage adaptées aux faibles volumes de données ; - d’autre part la complexité des mécanismes de