{"id":1778,"date":"2018-01-16T08:49:01","date_gmt":"2018-01-16T07:49:01","guid":{"rendered":"https:\/\/csma.asso.univ-lorraine.fr\/?p=1778"},"modified":"2023-08-22T12:54:04","modified_gmt":"2023-08-22T12:54:04","slug":"sujet-de-stage-master-2-ou-ingenieur-universite-de-nantes-centrale-nantes","status":"publish","type":"post","link":"https:\/\/csma.fr\/en\/sujet-de-stage-master-2-ou-ingenieur-universite-de-nantes-centrale-nantes\/","title":{"rendered":"Sujet de stage Master 2 ou Ing\u00e9nieur : Universit\u00e9 de Nantes\/Centrale Nantes"},"content":{"rendered":"

\u00ab Quantification des incertitudes pour la simulation de crashs \u00bb<\/strong><\/p>\n

Mots cl\u00e9s :<\/strong> Quantification d\u2019incertitudes, Approximation en grande dimension, Apprentissage statistique, R\u00e9seaux de neurones profonds.<\/p>\n

Contexte<\/strong>
\nDans ce stage r\u00e9alis\u00e9 en partenariat avec PSA Peugeot Citro\u00ebn, on s\u2019int\u00e9resse \u00e0 la robustesse des mod\u00e8les num\u00e9riques pour la pr\u00e9diction de la r\u00e9ponse d\u2019un v\u00e9hicule \u00e0 un choc. Ces mod\u00e8les bas\u00e9s sur les approximations \u00e9l\u00e9ments finis sont par nature non lin\u00e9aires (contact, frottement, grandes d\u00e9formations) voire instables (flambage, rupture). La r\u00e9ponse de ces mod\u00e8les num\u00e9riques pr\u00e9sente g\u00e9n\u00e9ralement des \u00e9carts par rapport aux r\u00e9ponses mesur\u00e9es lors d\u2019essais exp\u00e9rimentaux et ce en raison de diff\u00e9rents facteurs : incertitudes sur la mod\u00e9lisation (mod\u00e8le de comportement des mat\u00e9riaux, mod\u00e8le plaque\/coque\/poutre etc), incertitudes sur les param\u00e8tres de la mod\u00e9lisation choisie (param\u00e8tres mat\u00e9riaux, donn\u00e9es g\u00e9om\u00e9triques etc), erreurs d\u2019approximation num\u00e9rique sur la mod\u00e9lisation.
\nIl s\u2019agit dans ce contexte de disposer de mod\u00e8les pr\u00e9dictifs qui soient corr\u00e9l\u00e9s avec les essais exp\u00e9rimentaux en prenant en compte la variabilit\u00e9 des param\u00e8tres d\u2019entr\u00e9e du mod\u00e8le. La non-lin\u00e9arit\u00e9 forte des mod\u00e8les induit une complexit\u00e9 et un co\u00fbt de calcul du mod\u00e8le num\u00e9rique associ\u00e9 qui ne permettent de disposer que d\u2019un nombre limit\u00e9 d\u2019essais num\u00e9riques. Il est donc n\u00e9cessaire de s\u2019appuyer sur des approximations des variables d\u2019int\u00e9r\u00eat extraites des essais num\u00e9riques (appels \u00e0 un code de calcul) pour effectuer une \u00e9tude des incertitudes. De plus les simulations de crash impliquent de nombreuses variables d\u2019entr\u00e9e. L\u2019objectif du stage est donc de construire un mod\u00e8le pr\u00e9dictif de variables d\u2019int\u00e9r\u00eat prenant en compte la variabilit\u00e9 de nombreux param\u00e8tres d\u2019entr\u00e9e du code de calcul en utilisant des m\u00e9thodes d\u2019apprentissage statistique avec un budget limit\u00e9.<\/p>\n

Objectifs du stage<\/strong>
\nIl s\u2019agira dans un premier temps d\u2019estimer les lois d\u2019entr\u00e9e du mod\u00e8le en grande dimension. Dans le cas o\u00f9 les variables d\u2019entr\u00e9e sont ind\u00e9pendantes, des m\u00e9thodes standards (e.g., m\u00e9thodes \u00e0 noyau) peuvent \u00eatre suffisantes pour l\u2019estimation des lois, mais la t\u00e2che s\u2019av\u00e8re plus difficile dans le cas o\u00f9 il y a des d\u00e9pendances entre les variables et des m\u00e9thodes alternatives seront d\u00e9velopp\u00e9es dans ce contexte. Des m\u00e9thodes d\u2019apprentissage statistique seront ensuite mises en oeuvre pour la construction d\u2019approximations de faible rang des variables d\u2019int\u00e9r\u00eat \u00e0 partir d\u2019un faible nombre d\u2019\u00e9chantillons (appels au code de calcul). Ces approximations de rang faible s\u2019assimilent \u00e0 des r\u00e9seaux de neurones profonds (deep networks) avec une architecture particuli\u00e8re.
\nCe stage pourra se poursuivre en th\u00e8se.<\/p>\n

Comp\u00e9tences requises
\n<\/strong>Le candidat est en formation M2 ou derni\u00e8re ann\u00e9e d\u2019\u00e9cole d\u2019ing\u00e9nieur, avec une sp\u00e9cialisation en math\u00e9matiques appliqu\u00e9es ou m\u00e9canique num\u00e9rique. De solides comp\u00e9tences sont attendues en apprentissage statistique ou en calcul scientifique. Le candidat contribuera au d\u00e9veloppement d\u2019outils dans l\u2019environnement Matlab. Un go\u00fbt prononc\u00e9 pour les m\u00e9thodes num\u00e9riques et la programmation est fortement recommand\u00e9e.<\/p>\n

Modalit\u00e9s<\/strong>
\nDur\u00e9e :<\/strong> 4 \u00e0 6 mois \u00e0 partir du printemps 2018. Poursuite en th\u00e8se possible.<\/strong>
\nLieu du stage :<\/strong> Nantes
\nStage r\u00e9mun\u00e9r\u00e9 :<\/strong> oui
\nContacts<\/strong>
\nMathilde Chevreuil (Universit\u00e9 de Nantes, GeM) : mathilde.chevreuil@univ-nantes.fr<\/a>
\nAnthony Nouy (Centrale Nantes, LMJL) : anthony.nouy@ec-nantes.fr<\/a>
\nMalek Zarroug (PSA Peugeot Citro\u00ebn) : malek.zarroug@mpsa.com<\/a>
\nDescription de l’offre<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

\u00ab Quantification des incertitudes pour la simulation de crashs \u00bb Mots cl\u00e9s : Quantification d\u2019incertitudes, Approximation en grande dimension, Apprentissage statistique, R\u00e9seaux de neurones profonds. Contexte Dans ce stage r\u00e9alis\u00e9 … Read more<\/a><\/p>\n","protected":false},"author":8,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[32],"tags":[],"class_list":["post-1778","post","type-post","status-publish","format-standard","hentry","category-offres-de-stage"],"pp_statuses_selecting_workflow":false,"pp_workflow_action":"current","pp_status_selection":"publish","acf":[],"_links":{"self":[{"href":"https:\/\/csma.fr\/en\/wp-json\/wp\/v2\/posts\/1778","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/csma.fr\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/csma.fr\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/csma.fr\/en\/wp-json\/wp\/v2\/users\/8"}],"replies":[{"embeddable":true,"href":"https:\/\/csma.fr\/en\/wp-json\/wp\/v2\/comments?post=1778"}],"version-history":[{"count":1,"href":"https:\/\/csma.fr\/en\/wp-json\/wp\/v2\/posts\/1778\/revisions"}],"predecessor-version":[{"id":4357,"href":"https:\/\/csma.fr\/en\/wp-json\/wp\/v2\/posts\/1778\/revisions\/4357"}],"wp:attachment":[{"href":"https:\/\/csma.fr\/en\/wp-json\/wp\/v2\/media?parent=1778"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/csma.fr\/en\/wp-json\/wp\/v2\/categories?post=1778"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/csma.fr\/en\/wp-json\/wp\/v2\/tags?post=1778"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}