Apprentissage actif pour les processus gaussiens à entrées fonctionnelles : application à la conception fiabiliste d'éolienne


Stage en Data / Mathématiques Appliquées

  • Début

    Entre mars et mai 2024
    6 mois
  • Localisation

    Ile de France
  • Indemnité

    Oui
[Réf. : 2023_R115_03]

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. De la recherche à l'industrie, l'innovation technologique est au cœur de toutes ses activités.

Dans le cadre de la mission d'intérêt général qui lui a été confiée par les pouvoirs publics, IFP Energies nouvelles (IFPEN) s'attache à :

  • Apporter des solutions pour relever les défis de la société en matière d'énergie et de climat, en favorisant l'émergence d'un mix énergétique durable
  • Créer de la richesse et des emplois en soutenant l'activité économique française et européenne, et la compétitivité des filières industrielles associées

Apprentissage actif pour les processus gaussiens à entrées fonctionnelles : application à la conception fiabiliste d’éolienne

De nombreuses applications à IFP Energies Nouvelles reposent sur des simulateurs coûteux en temps de calcul qui prennent en entrée des variables scalaires mais aussi des variables fonctionnelles représentant par exemple la géométrie de pièces mécaniques, des processus spatio-temporels de conditions environnementales (comme le vent en conception fiabiliste d’une éolienne), ou encore des lois de commande dépendant du temps.

Dans ce contexte de simulateurs coûteux, il est souvent nécessaire d’avoir recours à un modèle de substitution pour évaluer à moindre coût la sortie d’intérêt du simulateur pour un grand nombre de valeurs des paramètres en entrée. Le modèle de substitution est généralement construit de façon adaptative (active learning), à partir de simulations associées à un plan d’expériences initial de taille restreinte. Ce plan est par la suite enrichi à l’aide de critères adaptés à la finalité opérationnelle, comme l’optimisation des quantités d’intérêt ou l’estimation d’ensemble de paramètres admissibles.

En présence de variables fonctionnelles en entrée du simulateur, les approches de méta-modélisation et de planification d’expériences doivent être adaptées. Les approches classiques reposent sur des méthodes de réduction de dimension ou d’extraction de caractéristiques (feature extraction), les variables fonctionnelles étant ensuite représentées dans l’espace réduit ainsi défini. L’étape préliminaire de réduction de dimension induit nécessairement une perte d’information qu’il convient de quantifier, voire de contrôler pendant la procédure.

Le contexte général de ce stage est le développement de plans d’expériences adaptés pour la construction d’un modèle de substitution prenant en entrée des variables fonctionnelles et des variables scalaires, en travaillant directement dans l’espace fonctionnel des entrées, et donc sans réduction de dimension préliminaire.

Mission et activités

Les objectifs de ce stage sont

  • l’étude des méta-modèles avec entrées fonctionnelles ;
  • l’application des méta-modèles les plus prometteurs à partir de plan d’expériences space-filling construits, soit avec une étape intermédiaire de réduction de dimension ou d’extraction de caractéristiques (feature extraction), soit  directement dans l’espace fonctionnel.

Une thèse sur ce même sujet dans la continuité du stage pourra être envisagée.

handi accueillante
Postuler

Contact

IFP Energies nouvelles - Sciences et Technologies du Numérique - Delphine Sinoquet
1 et 4 avenue du Bois Préau - 92852 Rueil-Malmaison Cedex
Tél. : NC

IFP Energies nouvelles - Sciences et Technologies du Numérique recrute également

[2023_R115_03]
Ile de France
Stage - Data / Mathématiques Appliquées
Entre mars et mai 2024
Email
Mot de passe
Mot de passe oublié ?


Utilisez votre compte facebook
Nouveau sur handiQuesta ?