Description du poste

Pour accompagner l’essor de la production électrique d’origine éolienne en France et dans le monde, IFP Energies nouvelles est impliqué en tant qu’acteur majeur de la recherche, notamment dans les technologies émergentes comme l’éolien flottant.
Le design en fatigue d’une éolienne offshore est une tâche dispendieuse car elle requiert un grand volume de simulations multi-physiques afin de couvrir un nombre important de conditions environnementales (vent et mer), et ce d’autant plus si l’éolienne est placée au sein d’une ferme (effet de sillage éolien). En pratique lors d’une étude industrielle, les limitations dues au du temps de calcul obligent à limiter les paramètres d’entrés à quelques scalaires. Ce qui réduit la robustesse du design final et augmente son incertitude.
Le besoin de disposer d’un métamodèle de substitution aux simulateurs multi-physiques afin notamment d’accélérer et d’améliorer la robustesse le processus de conception est donc évident. Rappelons que le mot métamodèle désigne une fonction construite comme une approximation d’un simulateur numérique. Cette approximation est construite à partir des valeurs de sortie du simulateur en différents points de l’espace des entrées. Une technique désormais classique (dans le domaine de la quantification d’incertitude et en machine learning) pour la construction de métamodèle consiste à modéliser un simulateur par un processus gaussien et à obtenir une approximation en calculant la moyenne a posteriori du processus.
Un métamodèle permettrait donc d’envisager, en phase de conception, des études de propagation d’incertitudes exhaustives ainsi que des études d’optimisation (structurelle, layout de ferme). En phase opérationnelle, cela offrira des possibilités de contrôle ainsi que de suivi de fatigue en temps réel enrichissant ainsi le « jumeau numérique de l’éolienne ».
L’état de l’art en matière de métamodèles pour la simulation multiphysique d’éoliennes aborde essentiellement des situations à variables d’entrée et de sortie reposant dans un espace de faible dimension (prédiction d’effort équivalent ou DEL  en un point de la structure, par exemple).
L’objectif de cette thèse est de développer des stratégies de construction de métamodèles de type processus gaussiens en grandes dimensions (typiquement 104-106) pour les entrées et les sorties, dont l’erreur de prédiction peut être quantifiée. Les techniques usuelles pour aborder ce type de problème consistent à effectuer des projections sur des espaces de dimension réduite. Dans ce travail de thèse, l’attention portera principalement sur le problème de la sélection des hyper-paramètres des processus gaussiens pour les problèmes en grande dimension, en s’attachant aux propriétés statistiques des estimateurs et aux techniques de planification séquentielle d’expériences permettant de réduire l’incertitude sur les hyper-paramètres.
Ces développements théoriques seront évalués sur le problème de simulation numérique d’éoliennes en mer avec des entrées de type transitoires de vent et de vague et des sorties de type champs physiques d’efforts (ou d’efforts équivalents) ou des champs cinématiques variables spatialement.
Mots clefs : Science des données, éolien offshore, processus gaussiens, conception mécanique, machine learning

Modalités de candidature

CANDIDATURE EN LIGNE