Description du poste

L’offre de Post-doctorat en deep learning s’inscrit du projet SUBSEE4D co-porté par la société Cervval, spécialisée dans la simulation numérique et l’aide a la décision dans les systèmes complexes, et France Energies Marines, institut de recherche sur les énergies marines renouvelables (EMR) et IMT Atlantique. Les éoliennes posées ou flottantes et hydroliennes constituent de grands projets d’infrastructures coûteux en termes d’investissement et aussi, du fait de l’environnement marin contraignant, en termes d’exploitation et de maintenance, en particulier pour la partie immergée : inspection des anodes, détection de corrosion, surveillance des agrégats organiques (bio-colonisation), surveillance de l’état structurel en particulier des câbles sous marins et lignes d’ancrages. Les gestionnaires de parcs d’EMR vont faire face a des difficultés d’exploitation et de maintenance inédites, même supérieures à celles des acteurs de l’offshore pétrolier, notamment du fait des eaux peu profondes qui caractérisent les installations EMR : les courants, les vagues, la turbidité des eaux, la prolifération des organismes vivants sur les infrastructures rendent difficiles les interventions des plongeurs et des robots sous-marins (ROV : Remote Operated Vehicle) et dégradent et endommagent les infrastructures.

Dans ce cadre, l’objectif du poste est d’apprendre à partir de données d’observation et de simulation un modèle dynamique du comportement de la ligne d’ancrage. Dans un premier temps il s’agira de fixer une liste limitée de variables caractéristiques. En particulier les efforts et éventuellement les accélérations (identification d’un choc par exemple) peuvent suffire au besoin de suivi de fatigue. En revanche le système d’aide et de formation à la maintenance nécessité plutôt de connaître les amplitudes de mouvements et les vitesses de ces points. Une première étude de sensibilité sera menée sur les variables déjà connues comme influentes. Le modèle deep-learning qui sera développé supposera au départ une liste tres large de paramètres influents. Une réflexion sera menée à partir du modèle de référence et de la connaissance de la physique de ces systèmes pour identifier des interdépendances de paramètres et intégrer ces contraintes aux modèles afinn de le borner et d’empêcher la dégradation de l’apprentissage (ex: prise en compte d’événements non-physiques liés à la mesure ou à des problèmes numériques etc. . . ). Ceci permettra également d’aboutir a un modèle d’apprentissage optimisé en atteignant les performances requises à partir d’un volume de données plus reduit. La notion d’incertitude sera également considérée car elle représente un critère de fiabilité essentiel a l’amélioration des prédictions de durées de vie.

Modalités de candidature

Envoyez un CV et une lettre e motivation à Lucas Drumetz, Maître de conférences, IMT-Atlantique, Département Signal et Communications, et UMR Lab- STICC, équipe TOMS : lucas.drumetz@imt-atlantique.fr