Modèle de substitution de consommation énergétique d'un parc de véhicules électrifiés ou non - analyse des impacts environnementaux

IFP Energies nouvelles - Sciences et Technologies du Numérique

Stage Data / Mathématiques Appliquées Hauts-de-Seine entre janvier et juillet 2023 de 4 à 5 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 durable ;
  • 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.

Modèle de substitution d’une base de données de consommation énergétique représentant un parc de véhicules électriques, hybrides et thermiques pour l’analyse des impacts environnementaux du parc routier

Dans un contexte de transformation profonde du secteur du transport pour limiter son impact environnemental, le déploiement massif de la simulation énergétique des véhicules en usage réel est un moyen pour créer et évaluer des scenarios prospectifs afin d’aider les acteurs politiques, industriels et de la recherche dans leur prise de décision.

Une base de données issue d’une importante campagne de simulation couvrant un ensemble de segments de véhicules (citadine, compacte, …), plusieurs motorisations (dont hybride et électrique) et des profils de conduite variés (urbain, autoroute, …) fournit actuellement des niveaux de consommations énergétiques sur différents horizons temporels (2020, 2040).

Afin d’accélérer l’évaluation de l’impact environnemental de changements d’hypothèses telles que la masse véhicule, la capacité d’une batterie ou encore l’usage du véhicule, une estimation rapide de la consommation énergétique est nécessaire sans mise en œuvre de la plateforme de simulation physique initiale. Cela est permis par un modèle de substitution basé actuellement sur une première architecture de réseau de neurones à couches denses et entrainé par une méthode d’apprentissage profond.

Description :

Les travaux proposés consistent dans un premier temps à étudier la performance de modèles de type Machine Learning comme Gradient Boosting, Random Forest ou Symbolic Model, et ensuite développer et améliorer le modèle réseau de neurones actuel en envisageant l’exploration de nouvelles méthodes d’apprentissages ou de nouvelles architectures y compris en particulier si le profil de conduite (série temporelle) devient une entrée du réseau (couches convolutionnelles, autoencoder), voire d’adopter une approche probabiliste qui permette au modèle de prendre en compte l’erreur épistémique liée au nombre de données.

Profil :

Bac+4/5 en Informatique (Data) / Math appliquées

Niveau Master 2 – IA

Les travaux reposeront sur des Notebooks documentés, codés en Python et utilisant Keras et TensorFlow.

Durée 5 mois
Indemnité mensuelle : 1081€ bruts


(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 NICOLAS

Indemnité À définir

12 Annonces
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