[CIFRE] Thèse optimisation de la gestion d'énergie d'un avion hybride

Etes-vous prêt à découvrir les futures générations d’aéronefs, avec une empreinte environnementale plus faible et davantage de systèmes
électriques embarqués?

Candidatez sans plus attendre

Nous vous proposons de nous rejoindre en tant qu’étudiant en thèse sur le sujet: “Optimisation de la gestion d'énergie d'un avion hybride (M/F)”, au sein de Central Research and Technology, Airbus SAS.

Le département travaille en collaboration avec l’INRIA à Nancy, France, dans lequel vous serez intégré en tant qu’étudiant extérieur en thèse.
La thèse sera réalisée à la fois à 60% dans les locaux de l'INRIA à Nancy et à 40% dans ceux d'Airbus à Toulouse Saint-Martin. La période d'alternance précise entre les deux sites sera définie ultérieurement en accord avec les différentes parties prenantes.

Contexte de la thèse:

Dans la perspective de décarboniser le transport aérien, Airbus s'est engagé dans des recherches sur de nouveaux moyens de propulsion plus respectueux de l'environnement. Une des pistes envisagées reposerait sur un concept hybride combinant à la fois la propulsion conventionnelle par combustion de kérosène, voire de SAF (Sustainable Aviation Fuel), et la propulsion électrique à l'aide de piles à combustible à hydrogène. Des électro-aimants réversibles placés dans les réacteurs permettront à la fois de convertir l'électricité des batteries en travail propulsif, et de convertir la perte d'énergie lors des phases de descente ou de décélération en énergie électrique stockée dans les batteries. L'utilisation de deux sources d'énergie simultanément (combustion de fuel et piles à combustible à base d'hydrogène) ainsi que la possibilité de charger ou décharger les batteries, nécessitera de devoir contrôler en temps réel le niveau d'utilisation de chaque type d'énergie ainsi que le mode d'utilisation des batteries (charge ou décharge).

La gestion de l'énergie à bord est en général séparée en gestion long-terme et court-terme. L'optimisation long-terme consiste à découper le vol en phases distinctes (entres autres : décollage, montée, croisière, descente, atterrissage) sur lesquelles des profils d'utilisation des différentes sources d'énergie sont optimisés. Pour chaque phase, l'optimisation court-terme vise à définir les commandes en puissance de chaque source d'énergie ainsi que les actions sur les commutateurs des circuits de puissance afin de router l'électricité entre les différentes batteries et les systèmes électriques et propulsifs. La gestion long-terme de l'énergie et court-terme de la puissance doivent permettre de minimiser les émissions de produits carbonés en maximisant l'utilisation des batteries, tout en limitant la dégradation des batteries, et en garantissant la sécurité du vol à tout moment (puissance propulsive minimale, alimentation permanente des systèmes électriques).

L'optimisation long-terme de l'énergie et court-terme de la puissance relèvent de caractéristiques mathématiques différentes qui appellent des méthodes d'optimisation spécifiques : la première est un processus à temps, états et actions discrets (sélection des sources d'énergie par phase avec leur niveau d'utilisation correspondants), alors que la deuxième nécessite un contrôle à temps continu avec états et actions à la fois continus (grandeurs électriques) et discrets (statuts des commutateurs). La thèse vise à générer des politiques de contrôle court-terme et long-terme, à dynamique, états et actions à la fois continus et discrets. Ces politiques seront générées par des techniques innovantes de prise de décision automatisée hybrides en intelligence artificielle, basées à la fois sur la connaissance de la logique des systèmes (planification basée modèle) et sur l'exploitation de simulations massives de la physique des systèmes sous-jacents (apprentissage par renforcement profond). L'hybridation de ces techniques est considérée comme un des moyens efficaces pour gérer les aspects à la fois continus et discrets de tels systèmes de manière fidèle, tout en réduisant la quantité de données et de simulations nécessaires aux approches basées exclusivement sur les données. Les résultats de la thèse seront démontrés avec des simulations réalistes des systèmes d'un prototype d'avion du futur sur différents types de mission.

Le travail de thèse consistera donc à:

• Réaliser un état de l'art de la planification basée modèle et de l'apprentissage par renforcement profond pour des problèmes à la fois continus et discrets, et de l'hybridation des approches basées modèle et données ;

• Concevoir un algorithme de contrôle de systèmes à dynamique, états et actions continus/discrets, basé à la fois sur des modèles physiques et sur l'exploitation des données ;

• Modéliser et simuler un contrôleur de systèmes propulsifs et de distribution de l'énergie basés sur des sources d'énergie hybrides ;

Le profil et compétences que nous recherchons:

• Master de Recherche en Intelligence Artificielle, Mathématiques Appliquées,ou  Optimisation Combinatoire

• Connaissance à la fois de l'apprentissage profond et des techniques d'optimisation discrètes/continus

• Aisance en programmation Python, éventuellement C++

• Intérêt pour la recherche scientifique et les applications industrielles

____________________________________

ENGLISH VERSION

____________________________________

Are you up to discovering the forthcoming generation of aircrafts, with lower environmental footprint and more embedded electric systems?
 

Then apply now

We look forward to you joining us as a PhD student "Optimization of energy management in a hybrid aircraft (m/f)" within Airbus SAS France, in the Central Research and Technologies division.

The department works in collaboration with INRIA in Nancy, France, in which you will be integrated as an external thesis student.
The thesis will be carried out both 60% in the INRIA premises in Nancy and 40% in those of Airbus in Toulouse Saint-Martin. The precise alternation period between the two sites will be defined later in agreement with the various stakeholders.

PhD thesis scope:

With a view to decarbonizing air transport, Airbus is engaged in research into new, more environmentally friendly means of propulsion. One of the avenues envisaged would be based on a hybrid concept combining both conventional propulsion by combustion of kerosene, or even SAF (Sustainable Aviation Fuel), and electric propulsion using hydrogen fuel cells. Reversible electromagnets placed in the reactors will make it possible to both convert the electricity from the batteries into propulsive work, and to convert the loss of energy during the descent or deceleration phases into electrical energy stored in the batteries. The use of two energy sources simultaneously (fuel combustion and hydrogen-based fuel cells) as well as the possibility of charging or discharging the batteries will require real-time monitoring of the level of use of each type. energy as well as the mode of use of the batteries (charging or discharging).

On-board energy management is generally separated into long-term and short-term management. Long-term optimization consists of dividing the flight into distinct phases (among others: takeoff, climb, cruise, descent, landing) on which the use profiles of the different energy sources are optimized. For each phase, short-term optimization aims to define the power controls for each energy source as well as the actions on the switches of the power circuits in order to route the electricity between the different batteries and the electrical and propulsion systems. . Long-term energy and short-term power management must make it possible to minimize carbon emissions by maximizing the use of batteries, while limiting battery degradation, and guaranteeing flight safety at all times. moment (minimum propulsive power, permanent power supply to electrical systems).

Long-term optimization of energy and short-term optimization of power relate to different mathematical characteristics which call for specific optimization methods: the first is a process with discrete time, states and actions (selection of energy sources per phase with their corresponding level of use), while the second requires continuous time control with states and actions that are both continuous (electrical quantities) and discrete (switch statuses). The thesis aims to generate short-term and long-term control policies, with dynamics, states and actions that are both continuous and discrete. These policies will be generated by innovative hybrid automated decision-making techniques in artificial intelligence, based both on knowledge of the logic of systems (model-based planning) and on the exploitation of massive simulations of the physics of underlying systems. (deep reinforcement learning). The hybridization of these techniques is considered one of the effective ways to handle both continuous and discrete aspects of such systems in a faithful manner, while reducing the amount of data and simulations required for data-only approaches. The results of the thesis will be demonstrated with realistic simulations of the systems of a prototype aircraft of the future on different types of mission.

The thesis work will therefore consist of:

• Carry out a state of the art of model-based planning and deep reinforcement learning for both continuous and discrete problems, and the hybridization of model and data-based approaches;
• Design a control algorithm for systems with dynamics, continuous/discrete states and actions, based both on physical models and on the exploitation of data;
• Model and simulate a controller for propulsion and energy distribution systems based on hybrid energy sources;

The profile we are looking for:
 

• Master of Research in Artificial Intelligence, Applied Mathematics, or Combinatorial Optimization
• Knowledge of both deep learning and discrete/continuous optimization techniques
• Comfortable with Python programming, possibly C++
• Interest in scientific research and industrial applications

This job requires an awareness of any potential compliance risks and a commitment to act with integrity, as the foundation for the Company’s success, reputation and sustainable growth.

Company:

Employment Type:

-------

Experience Level:

Job Family: