About this role
Summary: Develop rapid-response machine learning models for simulating 3D shock waves, replacing computationally expensive high-fidelity simulations. The role involves creating surrogate models from synthetic data, validating them on realistic 3D configurations, and quantifying uncertainties while contributing to scientific...
### Sujet de stage
Les explosions dans l’air génèrent des ondes de choc, appelées ondes de souffle, dont les effets mécaniques sur les structures peuvent être dévastateurs. Afin de prédire ces effets, le CEA a développé une expertise dans la simulation numérique des interactions des ondes de souffle avec l’environnement (sol, obstacles, bâtiments…). Ces simulations haute-fidélité sont longues et coûteuses en ressources informatiques.
Dans bien des cas, les effets d’une explosion doivent être calculés rapidement pour faire face à une situation d'urgence. Par exemple, pour évaluer la dangerosité d'un accident industriel ou encore pour protéger les infrastructures d'une attaque terroriste ou militaire. Les simulations haute-fidélité sont alors trop lentes et doivent être remplacées par des méthodes de calcul rapide.
### Description de l'offre
L’objectif du postdoc est de développer des modèles de substitution à réponse rapide pour le calcul des ondes de souffle. Ces modèles seront entraînés sur les données synthétiques générées par des simulations 3D haute-fidélité.
La principale activité de recherche du(de la) post-doctorant(e) sera de développer une méthodologie pour générer ces modèles, en prenant en compte les spécificités du problème physique considéré. Il existe déjà une méthodologie éprouvée pour les configurations 2D, mais elle n’est pas directement transposable en 3D. Le(la) post-doctorant(e) disposera donc d’une grande liberté quant au choix des méthodes de machine learning (ML) pour les modèles de substitution. L’application de méthodes de ML aux ondes de choc étant un sujet assez peu exploré dans la littérature scientifique, le(la) candidat(e) bénéficiera d’opportunités de publications. Le(la) candidat(e) disposera également d’un accès unique aux ressources CPUs/GPUs des supercalculateurs de la DAM pour réaliser la phase d’apprentissage.
Une fois la méthodologie choisie, des modèles opérationnels seront générés et validés sur des configurations 3D réalistes.
Un autre axe d'étude concernera la quantification des incertitudes associées à la fois aux erreurs des modèles et au bruit des données d'entraînement/validation.
Sont attendus au moins une publication scientifique et la participation à au moins un congrès/workshop scientifique international.
Durant le premier trimestre, le(la) postdoctorant(e) prendra en main le code de calcul utilisé pour les ondes de souffle. Il(elle) prendra également connaissance des modèles existants développés en interne.
Au cours des second et troisième trimestres, le(la) candidat(e) développera des modèles originaux basés sur l’état de l’art des méthodes de machine learning. Des simulations seront éventuellement nécessaires pour compléter la base de données existante.
La rédaction d’un article scientifique synthétisant les résultats obtenus sera attendue pour le dernier trimestre.
Conformément aux engagements pris par le CEA en faveur de l'intégration des personnes handicapées, cet emploi est ouvert à toutes et à tous. Le CEA propose des aménagements et/ou des possibilités d'organisation pour l’inclusion des travailleurs handicapés.
Participant à la protection nationale, une enquête administrative est réalisée pour tous les collaborateurs du CEA afin d'assurer l'intégrité et la sécurité de la nation.
### Profil du candidat
Le(la) candidat(e) doit avoir de solides connaissances en mécanique des fluides. Une première expérience avec Py Torch sera appréciée.
Python
Post-doctorat