Génération de grilles 3D de vent par apprentissage d'un GAN sur données lidar

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.

Génération de grilles 3D de vent par apprentissage d’un GAN sur données lidar

Avertissement

Le stagiaire sera embauché par le Laboratoire de Mathématiques de Versailles, de l'Université de Versailles Saint-Quentin, qui sera son employeur. Son lieu de travail sera partagé entre ce laboratoire et IFP Energies nouvelles (Rueil-Malmaison).

Description

Dans les applications éoliennes, la connaissance du champ de vent incident est primordiale pour estimer correctement à la fois la production électrique et les efforts mécaniques de l’éolienne. Les champs de vent synthétiques utilisés en entrée des simulateurs dynamiques servo-aéro-élastiques doivent donc être représentatifs des vents réellement vus par l’éolienne.

Classiquement, ces champs de vent sont générés par l’intermédiaire de générateurs de vent stochastiques (e.g. TurbSim du NREL, voir Jonkman (2016)). Ces simulateurs reposent sur un certain nombre d’hypothèses (par exemple turbulence gelée de Taylor) et de modèles (spectres de vent de Kaimal et Mann, modèles de cohérence spatiale et de cisaillement) de sortent qu’ils ne sont pas toujours représentatifs des cas réels.

De plus, les éoliennes placées au sein d’une ferme peuvent subir des perturbations de sillage de la part des éoliennes amonts, ce qui compliquent encore la modélisation des champs de vent incidents. Dans ce cas, des modèles de sillages dynamiques peuvent être utilisés (type « Dynamic Wake Meandering » voir Madsen et al., (2010)). Ces modèles de sillages dynamiques sont superposés aux champs synthétiques de vent classiquement utilisés afin de simuler le comportement des éoliennes au sein des fermes.

Expérimentalement, les Lidar (« Light detection and ranging ») posés sur la nacelle de l’éolienne sont de plus en plus utilisés pour mesurer de façon précise le champ de vent incident et le reconstruir sous forme de grilles, voir Figure 1. Cette technologie permet par exemple de caractériser les inhomogénéités spatiales du champs (cisaillement, sillage, etc) et les grilles de vent ainsi reconstruites constituent une source d’information riche que l’on propose d’utiliser dans ce stage.

Pour cela, il est proposé d’explorer l’utilisation de GAN (« generative adversarial networks ») pour générer des vents synthétiques représentatifs des conditions réelles vus par une éolienne à partir de mesures Lidar.

Peu de travaux abordent l’utilisation de GAN dans le cadre éolien. Concernant la génération de vent haute résolution à partir d’entrée basse résolution citons les travaux de Duy Tan Tran et coll. (2020). Le sujet de ce stage est différent, il s’agit de pouvoir générer des grilles 3D de vent réaliste à faible résolution.

Les GANs sont des réseaux de neurones innovant introduit pour la première fois par Goodfellow (2014). Ils sont classiquement composés de 2 réseaux qui sont en compétition : un générateur et un discriminateur. Le réseau générateur prend un bruit en entrée et produit un exemple réaliste par rapport à la base d’apprentissage (dans notre exemple une grille 3D de vent). Le discriminateur évalue si la sortie produite par le générateur est vraie ou fausse. Ces deux réseaux sont entrainés simultanément, chacun tachant de surpasser l’autre. Dans le meilleur des cas, le résultat est un réseau générateur qui peut produire des sorties dans la distribution des données d’entrainement.

Dans ce travail on s’intéressera plus particulièrement aux structures de GANs déjà utilisés pour la génération de vidéo (les grilles de vent lidar sont des images variant dans le temps). Citons les travaux de Masaki et coll (2017) sur la génération de vidéo. Une autre particularité est de pouvoir générer des grilles de vents conditionnellement à quelques paramètres statistiques. En général au moins deux paramètres doivent être pris en compte : la vitesse moyenne du vent et sa turbulence. On pourra s’inspirer des travaux de Mehdi et coll. (2014) qui propose une génération conditionnelle à une classe.

Le travail proposé consistera à :

  1. Générer, post-traiter et stocker une base de données LIDAR de grilles 3D de vent.
  2. Concevoir une ou plusieurs architectures de GAN adaptées à la résolution de ce problème.
  3. Entraîner ces différentes architectures et comparer leurs performances finales.

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

12 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