Stage en Machine-Learning/apprentissage statistique H/F

CEA · Saclay (91) · Stage

Publiée le 14 octobre 2026

Sujet de stage

Analyse des transitions d'écoulements diphasiques avec des méthodes de machine learning

Description de l'offre

Contexte

Les écoulements diphasiques gaz-liquide sont présents dans de nombreux systèmes industriels, notamment dans les générateurs de vapeur des centrales nucléaires. Selon les conditions d’écoulement, différentes configurations peuvent être observées, depuis les écoulements à bulles jusqu’aux écoulements annulaires, en passant par différents régimes transitionnels.

La compréhension des transitions entre ces différents régimes constitue un enjeu important pour le développement et l’amélioration des modèles utilisés en simulation numérique des écoulements diphasiques.

Dans le cadre d’un travail de thèse au CEA, une base de données expérimentales a été constituée à partir de plusieurs études disponibles dans la littérature. Elle regroupe à la fois les conditions expérimentales et des mesures locales caractérisant les structures de l’écoulement, notamment les fractions volumiques, les tailles caractéristiques, les vitesses des phases ou des bulles et l’aire interfaciale.

L’objectif du stage sera d’exploiter cette base de données à l’aide de méthodes de machine learning afin d’identifier les grandeurs physiques pertinentes pour l’étude des transitions de régimes d’écoulement et d’analyser les relations entre ces grandeurs et les phénomènes observés.

Objectifs

Le stage sera organisé autour de plusieurs axes complémentaires.

  1. Analyse et structuration des données expérimentales
  1. Développement de modèles d’apprentissage supervisé

Cette étape consistera à étudier les relations entre les grandeurs physiques sélectionnées et les transitions de régimes à l’aide de méthodes d’apprentissage supervisé. Différentes méthodes de machine learning pourront notamment être étudiées, telles que les forêts aléatoires, les réseaux de neurones ou les processus gaussiens.

  1. Analyse et interprétation des résultats

Selon l’avancement du stage, une analyse de l’influence des différentes variables sur les résultats des modèles pourra être menée.

L’objectif sera notamment de mettre en relation les comportements identifiés par les modèles prédictifs avec les connaissances physiques disponibles sur les mécanismes de transition des écoulements diphasiques.

Profil du candidat

Étudiant(e) en dernière année d’école d’ingénieur ou en Master 2, avec une formation en machine learning, data science, statistiques, mathématiques appliquées ou domaine connexe. Le stage s’adresse à un profil souhaitant appliquer et approfondir ses compétences en machine learning sur des données scientifiques, dans le cadre d’une application à la physique des écoulements diphasiques.

Le stage s’effectuera dans le cadre d’un travail de thèse portant sur la modélisation des transitions d’écoulements diphasiques dans les codes de simulation numérique

Compétences requises ou souhaitées

Références

[1] Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed. Springer Series in Statistics. Springer, New York. https://doi.org/10.1007/978-0-387-84858-7

[2] Besse, P., Laurent, B., Maugis, C., & Roustant, O. (2022--2023). Machine Learning. Département Génie Mathématique et Modélisation, Mastère Spécialisé VALDOM, INSA Toulouse. Url : https://www.math.univ-toulouse.fr/~besse/pub/machineLearning

[3] - Da Veiga, S., Gamboa, G., Iooss, B., & Prieur, C. (2021). Basics and Trends in Sensitivity Analysis: Theory and Practice in R . DOI:10.1137/1.9781611976694

[4] Spagnol, A. (2020). Indices de sensibilité via des méthodes à noyaux pour des problèmes d'optimisation en grande dimension. Thèse de doctorat, Université de Lyon.

Description de l'unité

Le Service de Thermohydraulique et de Mécanique des Fluides (STMF), conçoit, développe et qualifie les logiciels de simulation de thermohydraulique et de mécanique des fluides et appliquées à différentes technologies dans le domaine des énergies bas carbone, essentiellement pour les réacteurs et installations nucléaires.

Les activités du STMF sont :

Compétences

Voir l'offre d'origine et postuler · Source : site carrières de CEA

Offres similaires

Voir aussi