Doctorant (F/H) Étude Du Risque D’inondation

**Type de contrat **:CDD

**Niveau de diplôme exigé **:Bac + 5 ou équivalent

**Fonction **:Doctorant

**A propos du centre ou de la direction fonctionnelle**:
Le centre Inria d'Université Côte d'Azur regroupe 37 équipes de recherche et 8 services d’appui. Le personnel du centre (500 personnes environ) est composé de scientifiques de différentes nationalités, d’ingénieurs, de techniciens et d’administratifs. Les équipes sont principalement implantées sur les campus universitaires de Sophia Antipolis et Nice ainsi que Montpellier, en lien étroit avec les laboratoires et les établissements de recherche et d'enseignement supérieur (Université Côte d’Azur, CNRS, INRAE, INSERM...), mais aussi avec les acteurs économiques du territoire.

Présent dans les domaines des neurosciences et biologie computationnelles, la science des données et la modélisation, le génie logiciel et la certification, ainsi que la robotique collaborative, le Centre Inria d’Université Côte d’Azur est un acteur majeur en termes d'excellence scientifique par les résultats obtenus et les collaborations tant au niveau européen qu'international.

**Contexte et atouts du poste**:
**Contexte scientifique**

La prise de décision et l'évaluation du risque inondation reposent principalement sur des observations de niveaux d’eau in situ et sur des prévisions météorologiques. Les modèles hydrodynamiques restent peu utilisés en pratique car ils sont complexes à mettre en œuvre et gourmands en temps de calcul. Si les modèles unidimensionnels sont relativement rapides, ils se limitent à la modélisation des écoulements canalisés et ne permettent pas la représentation correcte des débordements. La prise en compte de la géométrie du domaine, en particulier en zone urbaine, nécessite donc un modèle en deux dimensions d’espace, avec des mailles de l’ordre du mètre carré, ce qui revient à se restreindre à des simulations à l’échelle du quartier. Malgré la considérable puissance des calculateurs, les simulations en temps réel à l’échelle d’une agglomération restent inaccessibles.

Des modèles à plus grandes mailles permettent d’accélérer les calculs tout en conservant une précision relative par l’utilisation d’informations sous-maille. Ces modèles reposent sur un paramètre de “porosité” qui restreint la capacité d’écoulement. Parmi eux, le modèle à porosité dépendant de la profondeur, SW2D-DDP, développé en 2018 à HSM-Lemon [Guinot et al 2018], a pour avantage d'être basé uniquement sur des données topographiques [Ayoub et al 2022]. Cependant, malgré la réduction des temps de calculs par rapport à un maillage fin, les modèles à porosité sont encore trop longs pour une gestion de crise en temps réel tout en étant un peu moins précis.

**Mission confiée**:
**Objectifs**

Les modèles de deep learning tels que les LSTM (long short term memory) ont prouvé leur efficacité dans un contexte hydrologique, par exemple pour la modélisation pluie-débit, mais très peu de travaux concernent la prédiction des inondations en termes d’étendue et profondeur d’eau. Une des raisons principales est la nécessité d’une base d’apprentissage importante, dans un domaine où les données de validation sont quasiment inexistantes. L’objectif de la thèse sera de développer un modèle d’intelligence artificielle dont l’apprentissage s’appuiera principalement sur les résultats de modèles hydrauliques à plusieurs échelles. Ces derniers étant basés sur une discrétisation de l’espace en mailles (volumes finis), nous envisageons d’utiliser des modèles d’IA utilisant une représentation du domaine en graphes (Graph Neural Network), dans lesquels les nœuds contiendraient les résultats en termes de niveaux d’eau et vitesses dans les mailles et les arrêtes représenteraient les transferts d’eau et d'énergie possibles entre mailles. Une attention particulière sera apportée au respect des lois de la physique qui régissent les écoulements en eau peu profonde, i.e. lois de conservation de la masse et de la quantité de mouvement, nous plaçant ainsi dans le champ de l’IA hybride.

**Principales activités**:
Modélisation à base physique

Intelligence artificielle.

Programmation C++ / Python

Lecture et rédaction d'articles scientifiques

Présentations à des conférences nationales et internationales

**Compétences**:
Compétences techniques et niveau requis:
Langues:
Compétences relationnelles:
Compétences additionnelles appréciées:
**Avantages**:

- Restauration subventionnée
- Transports publics remboursés partiellement
- Congés: 7 semaines de congés annuels + 10 jours de RTT (base temps plein) + possibilité d'autorisations d'absence exceptionnelle (ex : enfants malades, déménagement)
- Possibilité de télétravail (après 6 mois d'ancienneté) et aménagement du temps de travail
- Équipements profession