Exploitation de données de vélocimétrie et de mesures haute fréquence par apprentissage automatique pour la caractérisation d'écoulements réactifs

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 : CLIMAT, ENVIRONNEMENT ET ÉCONOMIE CIRCULAIRE, ÉNERGIES RENOUVELABLES, MOBILITÉ DURABLE et HYDROCARBURES RESPONSABLES.

L’engagement d’IFPEN en faveur d’un mix énergétique durable se traduit par des actions visant :

• à gagner en efficacité énergétique ;
• à réduire les émissions de CO2 et de polluants ;
• à améliorer l’empreinte environnementale de l’industrie et des transports ;

tout en répondant à la demande mondiale en mobilité, en énergie et en produits pour la chimie.

Dans cet objectif, IFPEN développe des solutions permettant, d’une part, d’utiliser des sources d’énergie alternatives et, d’autre part, d’améliorer les technologies existantes liées à l’exploitation des énergies fossiles.

Exploitation de données de vélocimétrie et de mesures haute fréquence par apprentissage automatique pour la caractérisation d'écoulements réactifs

Le laboratoire dispose d’installations expérimentales de pointe intégrant caméras rapides, lasers et capteurs haute fréquence. Ces moyens permettent l’acquisition simultanée de champs de vitesse dans des écoulements de fluides par différentes techniques de vélocimétrie, ainsi que de mesures fines de température, de pression et d’autres signaux physiques.

Ces données multi-sources offrent une description riche de phénomènes complexes tels que la turbulence, la combustion, l’atomisation ou les transferts thermiques. Elles sont au cœur de problématiques scientifiques et industrielles majeures, comme la compréhension de l’emballement thermique des batteries.

L’objectif du stage est d’acquérir des données et de développer des méthodes d’intelligence artificielle et d’apprentissage automatique capables d’exploiter conjointement ces différentes sources d’information expérimentales.

Le travail visera notamment à :

• détecter automatiquement des régimes de fonctionnement,
• identifier des événements caractéristiques,
• prédire des grandeurs d’intérêt à partir d’un nombre limité de mesures,
• extraire des informations utiles à l’interprétation physique des essais.

Au-delà de l’exploitation directe des champs de vitesse, le stage consistera à construire des observables physiques pertinentes décrivant au mieux la dynamique des écoulements. Les données de vélocimétrie 2D serviront notamment à calculer des indicateurs liés à la turbulence, aux structures cohérentes et aux dynamiques spatio-temporelles. Une part importante du travail portera donc sur l’analyse croisée entre données expérimentales, traitement du signal, physique des écoulements et outils d’IA.

Ce stage s’adresse à un(e) étudiant(e) attiré(e) à la fois par l’intelligence artificielle appliquée aux sciences de l’ingénieur et par le travail expérimental. Un goût pour les mesures, les dispositifs de laboratoire, l’analyse critique de données réelles et la compréhension des phénomènes physiques sera particulièrement apprécié. L’enjeu n’est pas seulement de développer des modèles performants, mais aussi de proposer des approches robustes, interprétables et utiles pour l’exploitation de résultats expérimentaux complexes sur le terrain dans la vie réelle.

L’objectif final sera de concevoir une méthodologie, voire un outil, directement exploitable par les ingénieurs et techniciens du laboratoire pour faciliter l’analyse, le suivi et la compréhension d’écoulements réactifs et de phénomènes couplés hydrodynamiques et thermiques.

Profil recherché :

Étudiant(e) en dernière année d’école d’ingénieur ou en Master 2, avec des compétences ou un fort intérêt pour :

• La mécanique des fluides, l’énergétique ou la combustion ;
• Le traitement du signal et l’analyse de données ;
• L’intelligence artificielle et les méthodes d’apprentissage automatique.

Une appétence pour l’expérimentation, l’analyse de données issues d’essais réels et la compréhension des phénomènes physiques sera particulièrement appréciée.
Une expérience en vision par ordinateur ou en deep learning constituera un atout.

Mots-clés : mécanique des fluides, traitement du signal, science des données, intelligence artificielle, expérimentation

Durée et période du stage : 6 mois entre février et aout 2027
Lieu du stage : Rueil-Malmaison

Annonces similaires

Contribution au développement d'un outil pour l'analyse multicritère et prospective du transport routier

IFP Energies nouvelles

Stage Energétique Hauts-de-Seine entre janvier et septembre 2027 6 mois

Experimental Data Analysis and Modeling of Mass and Energy Release during Battery Cell Thermal Runaway

IFP Energies nouvelles

Stage Energétique Hauts-de-Seine entre février et septembre 2027 6 mois

Analyse et modélisation des dégagements de masse et d'énergie lors de l'emballement thermique d'une cellule de batterie

IFP Energies nouvelles

Stage Energétique Hauts-de-Seine entre février et septembre 2027 6 mois