Production assistée par intelligence artificielle de séquences temporelles de champs d'écoulement atmosphérique en deux dimensions

IFP Energies nouvelles (IFPEN) est un organisme public de recherche, d’innovation et de formation dont la mission est de développer des technologies performantes, économiques, propres et durables dans les domaines de l’énergie, du transport et de l’environnement. 

IFPEN met à disposition de ses chercheurs un environnement de recherche stimulant, avec des équipements de laboratoire et des moyens de calcul très performants.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur :

• l’apport de solutions aux défis sociétaux de l’énergie et du climat, en favorisant la transition vers une mobilité durable et l’émergence d’un mix énergétique plus diversifié ;
• la création de richesse et d’emplois, en soutenant l’activité économique française et européenne et la compétitivité des filières industrielles associées.

Production assistée par intelligence artificielle de séquences temporelles de champs d’écoulement atmosphérique en deux dimensions

La couche limite atmosphérique (CLA) est caractérisée par différents niveaux de turbulence et un niveau de stabilité qui ont un impact direct sur les chargements mécaniques, le taux d’expansion et le méandrement du sillage d’une éolienne.

Pour les applications industrielles telles que le calcul de chargement pour le design des turbines ou l’évaluation du productible, il est nécessaire de disposer de champs de vent 2D réalistes, servant de conditions environnementales pour les simulations. Générer ce type de champs de vent pose deux défis majeurs : d’une part, il faut garantir la représentativité physique vis-à-vis de la CLA (prise en compte de la force de Coriolis, du profil vertical de température, etc.), d’autre part, il est nécessaire de pouvoir générer rapidement de larges ensembles de champs de vent.

Objectifs :

L’objectif de ce stage est d’explorer les techniques d’intelligence artificielle pour générer des séries temporelles (20 minutes) de champs de vent 2D représentatifs d’écoulements réalistes de couche limite atmosphérique, en intégrant la force de Coriolis et l’effet du profil vertical de température. La base d’entraînement initiale est constituée de simulations d’écoulements atmosphériques obtenues à l’aide d’un modèle numérique de prévision météorologique.

L’architecture envisagée combine un autoencodeur (ou VAE) pour définir un espace latent, un SFTformer [1] pour dissocier les caractéristiques spatiales et temporelles, et un modèle de diffusion [2] pour introduire l’aspect génératif et stochastique. Le stage a pour but de créer un outil rapide et robuste de génération de séquences temporelles de champs de vent 2D pour des écoulements atmosphériques réalistes.

[1] XU, Liangyuet al. SFTformer: A Spatial-Frequency-Temporal Correlation-Decoupling Transformer for Radar Echo Extrapolation, IEEE Transactions on Geoscience and Remote Sensing, 2024, vol. 62, p. 1-15.

[2] AN, Yushi et al. Ln3diff: Scalable latent neural fields diffusion for speedy 3d generation, European Conference on Computer Vision, Springer Nature Switzerland, 2024. p. 112-130.

Profil :

Étudiant(e) en Master 2 ou dernière année d’école d’ingénieur dans l’un des domaines suivants  :

• Intelligence artificielle / Data Science,
• Mathématiques appliquées / Informatique,
• Physique de l’atmosphère / Météorologie,
• Modélisation numérique / Génie climatique.

Compétences techniques :

• Bonne maîtrise de Python et des bibliothèques scientifiques (NumPy, Pandas, Matplotlib).
• Expérience en deep learning, notamment avec PyTorch ou TensorFlow.
• Connaissance des architectures d’IA modernes  : autoencodeurs (ou VAE), transformers, modèles génératifs (GAN, diffusion, etc.).

Responsables : E. Noël et G. Enchery

Durée : 6 mois à partir du mois de février 2026
Stage prévu en amont d’une thèse : oui
Lieu : IFPEN – Rueil ou Solaize. Le site est accessible en transport en commun.
Stage rémunéré.