Nouvelle recherche

Cette offre n'est plus disponible

Alternant en Machine Learning pour l'optimisation

IFP Energies nouvelles - Sciences et Technologies du Numérique

Contrat en alternance - Data / Mathématiques Appliquées

Réf. 2019_R115_05
Localisation
Hauts-de-Seine
Début
entre août et novembre 2019
Durée
12 mois
Indem.
Oui

IFP Energies nouvelles est un organisme public de recherche, d’innovation industrielle et de formation intervenant dans les domaines de l’énergie, du transport et de l’environnement. Sa mission est d'apporter aux acteurs publics et à l'industrie des technologies performantes, économiques, propres et durables pour relever les trois grands défis sociétaux du 21e siècle : changement climatique et impacts environnementaux, diversification énergétique et gestion des ressources en eau. Son expertise est internationalement reconnue.

IFP Energies nouvelles poursuit 5 priorités stratégiques, indissociables et complémentaires dans l'accomplissement de sa mission d’intérêt général :

  • Produire à partir de sources renouvelables des carburants, des intermédiaires chimiques et de l'énergie
  • Produire de l’énergie en réduisant l’impact sur l’environnement
  • Développer des transports économes et à faible impact environnemental
  • Produire à partir de ressources fossiles des carburants et intermédiaires chimiques à faible impact environnemental
  • Proposer des technologies respectueuses de l'environnement et repousser les limites actuelles des réserves d'hydrocarbures

Son école d'ingénieurs, partie intégrante d'IFP Energies nouvelles, prépare les générations futures à relever ces défis.

Alternant en Machine Learning pour l’optimisation

Thème

Développement et l'implémentation de méthodes de quantification d'incertitudes et d'optimisation.

Contexte

La conception d'éolienne et de leurs composants nécessite l'utilisation de simulateurs complexes et l'intégration de données mesurées (conditions environnementales, données de capteurs positionnés sur la structure...).

Dans ce cadre, les méthodes de machine learning et de surfaces de réponses sont classiquement couplées aux stratégies d'optimisation et de quantification d'incertitudes pour obtenir des solutions robustes en des temps de calcul acceptables au problème de conception.

Descriptions des travaux

L'apprenti devra prendre en main des techniques de machine learning et d'optimisation diverses allant de la régression par processus Gaussien [1,2,3] à l'optimisation à variables mixte (discrètes et continues) [4,5].

L’apprentissage passera par la lecture d’un certains nombre d’articles scientifiques et la prise en main d’algorithmes codant ces méthodes via leurs utilisations sur des cas tests.

Il devra par la suite implémenter des stratégies sélectionnées en langage C et R pour leurs intégrations dans notre plateforme interne. Il pourra enfin tester ces algorithmes sur des cas intéressant IFPEN notamment la conception d'Eolienne.

Profil du candidat

Master en mathématiques appliquées ou data scientist.

Mots clés
statistique ; probabilité ; machine learning ; Data scientist ; optimisation

Références
[1] Rasmussen CE. 2006. Gaussian processes for machine learning. MIT Press.

[2] Roustant O, Ginsbourger D, Deville Y. 2012. Dicekriging, diceoptim: Two r packages for the analysis of computer experiments by kriging-based metamodeling and optimization. Journal of Statistical Software. 51(1).
[3] Roustant O, Padonou E, Deville Y, Cl_ement A, Perrin G, Giorla J, Wynn H. 2018. Group kernels for Gaussian process metamodels with categorical inputs.
[4] Jones DR, Schonlau M, Welch W. 1998. Efficient global optimization of expensive black-box functions. Journal of Global Optimization. 13(4):455-492
[5] Pelamatti J, Brevault L, Balesdent M, Talbi EG, Guerin T. 2018. Efficient global optimization of constrained mixed variable problems. Journal of Global Optimization. 25.


Cette offre n'est plus disponible

Contact

IFP Energies nouvelles - Sciences et Technologies du Numérique
Miguel Munoz Zuniga
1&4, avenue de Bois-Preau
92852 Rueil-Malmaison cedex
Logo IFP Energies nouvelles - Sciences et Technologies du Numérique