Approximation par processus Gaussien du champ de fatigue d'une éolienne onshore

IFP Energies nouvelles - Sciences et Technologies du Numérique

Stage Data / Mathématiques Appliquées Hauts-de-Seine entre mars et juin 2022 6 mois


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 son action, articulée autour de quatre priorités stratégiques : Mobilité Durable, Energies Nouvelles, Climat / Environnement / Economie circulaire et Hydrocarbures Responsables.

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.

Partie intégrante d’IFPEN, l’école d’ingénieurs IFP School prépare les générations futures à relever ces défis.

Approximation par processus Gaussien du champ de fatigue d'une éolienne onshore

Avertissement

Le stagiaire sera embauché par le Laboratoire des Signaux et Systèmes de CentraleSupélec (Université Paris-Saclay), qui sera son employeur. Son lieu de travail sera partagé entre ce laboratoire et IFP Energies nouvelles (Rueil-Malmaison).

Contexte

L’objectif principal du design de plateforme éolienne est d’obtenir une solution robuste vis-à-vis des incertitudes liées aux sollicitations environnementales, et à coût de construction maîtrisé. Cela veut dire que l’éolienne est capable de résister à un ensemble de scenarios extrêmes mais aussi que la fatigue des structures doit-être contrôlée dans le temps.

Le design en fatigue d’une éolienne flottante est une tâche dispendieuse, nécessitant un grand volume de simulations multi-physiques afin de couvrir un nombre important de conditions environnementales (vent et mer), et ce d’autant plus si l’éolienne est placée au sein d’une ferme (effet de sillage éolien).

En pratique, lors d’une étude industrielle, les limitations dues au temps de calcul du problème couplé peuvent limiter les études d’optimisation, ainsi que la vérification de la robustesse du design final. Le besoin de disposer d’un métamodèle de substitution aux simulateurs multi-physiques afin notamment d’accélérer et d’améliorer la robustesse du processus de conception est donc évident.

Rappelons que le mot métamodèle désigne une fonction construite comme une approximation d’un simulateur numérique. Cette approximation est construite à partir des valeurs de sortie du simulateur en différents points de l’espace des entrées. Une technique désormais classique (dans le domaine de la quantification d’incertitude et en machine learning) pour la construction de métamodèle consiste à modéliser un simulateur par un processus gaussien et à obtenir une approximation en calculant la moyenne a posteriori du processus.

Objectifs

La question scientifique principale abordée dans ce travail de stage concerne la possibilité de construire des métamodèles de type processus gaussiens pour des simulateurs ayant un grand nombre de sorties.

De tels métamodèles permettraient d’envisager, en phase de conception des études de propagation d’incertitudes exhaustives ou des études d’optimisation (structurelle, layout de ferme). En phase opérationnelle, cela contribue à enrichir le jumeau numérique de l’éolienne pour le contrôle ou le suivi de fatigue en temps réel.

Peu de travaux abordent les questions de métamodélisation à haute dimension dans le cadre éolien. Notons les travaux de Lataniotis (2019) ayant pour objet la quantification et la propagation d’incertitudes via des métamodèles avec entrée de grande dimension et une application notable à l’éolien.

En dehors du domaine éolien, la question des métamodèles en grande dimension commence à être bien étudiée. Par exemple, citons à cet égard la méthodologie développée par Iooss et Marrel (2019), fondée sur l’analyse de sensibilité, les travaux de Crevillén-García (2018) qui proposent d’utiliser la PCA pour réduire la dimension des sorties (Higdon et coll. (2008)) et une décomposition KL pour les entrées. Citons également les travaux de Vohra et coll. (2020), dans lesquels la PCA, combinée à la méthode de réduction supervisée « active space », est utilisée à des fins d’élaboration d’un métamodèle à faible dimension. Citons aussi Lataniotis et coll. (2020) qui proposent une réduction des entrées subordonnée à l’optimalité du métamodèle, problème d’optimisation à deux niveaux. Un peu dans le même esprit que Lataniotis et coll. (2020), citons enfin Zhou et coll. (2020).

Le point de vue original de ce stage consistera à adopter un point de vue bayésien pour le problème des sorties de grande dimension. Pour traiter ce problème, le travail du stage adoptera la méthodologie classique consistant à projeter les sorties sur des modes propres. Il est aussi possible d’envisager des techniques (elles aussi classiques) d’approximation de données à valeurs dans des rkhs (reproducing kernel Hilbert spaces). Un simulateur du champ de fatigue d’une éolienne sera fourni à l’étudiant. Celui-ci prend en entrée quelques paramètres scalaires et donne en sortie un champ de contraintes 3D de l’éolienne.

Les principales étapes du projets seront les suivantes :

  1. Étude bibliographique sur l’utilisation de processus gaussien en grande dimension
  2. Planification d’expériences numériques et génération d’un ensemble d’apprentissage (simulations numériques sur un serveur de calcul)
  3. Construction d’un modèle par processus gaussien de ce simulateur en testant différentes méthodes de réduction de l’espace des sorties

Profil recherché :

Science des données, mathématiques appliquées ou traitement du signal,

  • Une bonne maîtrise des outils de programmation (Python ou R) et de versioning (Git),
  • Une bonne maîtrise des outils de Machine Learning et Deep Learning,
  • Organisation et rigueur de travail.

(PDF - Max : 5 Mo)
(PDF - Max : 5 Mo)

En cliquant sur postuler, je crée mon profil iQuesta et j'accepte les conditions d'utilisation d'iQuesta.
contact

IFP Energies nouvelles - Sciences et Technologies du Numérique
Frédéric Delbos

Indemnité Oui

14 Annonces
Formations
Les formations en Data / Mathématiques Appliquées
Métiers
Data Analyst
Le Data Analyst occupe une place stratégique dans un monde de plus en plus numérique où la quantité de données…
Conseils
Pour que la vie d’étudiant ne rime pas avec parcours du combattant, retrouvez tous nos conseils stage / alternance / emploi