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

Vous 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 / Logiciels
Python

*Profil du candidat*
Ingénieur/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 poste
Site*
Cadarache

*Localisation du poste*
France, Provence-Côte d'Azur, Bouches du Rhône (13)

Ville
Saint-Paul-Lez-Durance

*Demandeur
Disponibilité du poste*
02/02/2026