STAGE - Machine Learning pour la conception de prototypes de systèmes nucléaires H/F

Description du posteThermohydraulique et mécanique des fluidesSujet de stageRecherche de nombre(s) adimensionnel(s) dominant(s) dans la description d'un phénomène physique via des méthodes de machine learning, afin d'adresser des problématiques de distorsions des lois physiques (transposition d'échelles), entre les prototypes (à échelle réduite) et les systèmes (à échelle I).Intitulé de l'offreSTAGE - Machine Learning pour la conception de prototypes de systèmes nucléaires H/FDurée du contratDurée non spécifiée dans le texteDescription de l'offreVous serez accueilli·e au sein de l’IRESNE, institut de la DES, où vous intégrerez l’équipe du laboratoire et participerez pleinement à ses activités.Durant le processus de conception d’un réacteur nucléaire, les systèmes qui le composent sont testés grâce à des prototypes ou maquettes expérimentales à échelle réduite. Ces essais à échelle réduite visent à caractériser les performances du composant testé, à mesurer un phénomène physique d’intérêt pour mieux le comprendre ou à améliorer sa modélisation numérique. L’exemple classique est celui d’une maquette d’avion ou de F1 placée dans une soufflerie.Il est bien connu que le changement d’échelle entraîne souvent des distorsions au niveau des lois physiques : la grandeur d’intérêt mesurée dans la maquette (e.g. frottement, vitesse critique…) n’est alors pas représentative de celle qui serait mesurée dans le composant réel. Dans certains cas, des méthodes existent pour évaluer plus ou moins facilement de telles distorsions. Toutefois, ce n’est plus possible pour des phénomènes physiques complexes et fortement non linéaires. Dès lors, comment peut-on construire une maquette qui assurera la transposition du phénomène de l’échelle du prototype à celle du réacteur ? Quels paramètres doit-on impérativement conserver lors du design de ce prototype ?Ce stage propose de participer au développement de la méthode D4NL (Data-Driven Discovery of Dimensionless Numbers and governing Laws), mise au point récemment au CEA. Les nombres adimensionnels (Reynolds, Prandtl, Nusselt, etc) sont de premier intérêt pour les problématiques de transposition, de par leur invariance entre les échelles et leur interprétabilité physique. La méthode D4NL ambitionne de retourner la meilleure corrélation adimensionnelle construite par machine learning à partir des grandeurs dimensionnelles du problème (diamètre d’une conduite, densité d’un fluide, etc).Le stagiaire se concentrera particulièrement sur un nouveau cas d’application encore non traité par D4NL : les vibrations, parfois instables, des tubes de générateurs de vapeur sous écoulement. Les étapes du stage seront:Etude et compréhension des phénomènes physiques en jeu (interaction fluide-structure, écoulement monophasique…).Construction de la base d’apprentissage/test avec les données expérimentales provenant des maquettes d’un autre laboratoire CEA (DIVA/TITAN/AMOVI à Saclay).Application de la méthode D4NL dans le but de trouver la corrélation adimensionnelle qui caractérise le mieux la stabilité de l’interaction fluide-structure dans ces essais.Raffinement de la méthode si besoin.Moyens / Méthodes / LogicielsProfil du candidatIngénieur/Master en mécanique des fluides, thermohydraulique, génie nucléaire, avec une appétence souhaitée pour les mathématiques appliquées et la programmation.Un semestre de spécialisation en data/machine learning sera fortement apprécié.Pourquoi Intégrer le CEA ?Donner du sens à votre carrière en travaillant au service des grands enjeux sociétaux de demain.Avoir des perspectives de carrière avec plus de 60 familles de métier, des formations...Nos avantages : RTT, réseau de ligne de bus sur certains centres (gratuit), restauration collective, CSE…Conformément aux engagements pris par le CEA en faveur de l’intégration des personnes en situation d’handicap, cet emploi est ouvert à toutes et à tous. Le CEA propose des aménagements et/ou des possibilités d'organisation.Localisation du posteFrance, Provence-Côte d\'Azur, Bouches du Rhône (13)Entité de rattachementLe CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat. Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale. Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs. Implanté au cœur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international. Les 20 000 collaboratrices et collaborateurs du CEA partagent trois valeurs fondamentales : La conscience des responsabilités, La coopération, La curiosité.Référence2025-37524Description de l'unitéLe CEA (Commissariat à l'Energie Atomique et aux Energies Alternatives) est un organisme de recherche publique créé en 1945 par le général de Gaulle, spécialisé dans des domaines scientifique, technique et industriel. Avec plus de 20000 employé(e)s et une expertise reconnue, le CEA est aujourd\'hui un acteur majeur dans la recherche et l\'innovation, en France et à l\'étranger, au travers de multiples partenariats académiques et industriels. La recherche au CEA s\'opère autour de quatre domaines principaux : la défense et la sécurité, la production d\'énergie bas-carbone (nucléaire, renouvelables, “smart grids”), la technologie pour l\'industrie et la recherche fondamentale. Le stage proposé s\'implantera dans la Direction des Energies, qui s\'articule autour de la recherche de production d\'énergie bas-carbone. Plus précisément, le stage se déroulera au sein du Laboratoire de préConception et d\'Optimisation des Systèmes (LCOS), qui est en charge d\'études de prédimensionnement de nombreux systèmes nucléaires innovants (chaudières nucléaires, cycles de cogénération, composants pour la sureté passive…). #J-18808-Ljbffr