Stage Ingénieur étude et recherche en géosciences juniorH/F
Société : Institut de Radioprotection et de SûretéNucléaire Lieu : Hauts-de-Seine (Île-de-France)
Descriptif du poste
Société : Institut de Radioprotection et de SûretéNucléaire Catégorie : Stage Filiere : IT/Etudes, développement et intégration Lieu : Hauts-de-Seine (Île-de-France)
Mission
A propos de l'entreprise : L'Autorité de sûreté nucléaire et de radioprotection est une autorité administrative indépendante créée par la loi du 21 mai 2024 relative à l'organisation de la gouvernance de la sûreté nucléaire et de la radioprotection pour répondre au défi de la relance de la filière nucléaire. Elle assure, au nom de l'État, le contrôle des activités nucléaires civiles en France et remplit des missions d'expertise, de recherche, de formation et d'information des publics. A propos du poste : Dans le cadre du stockage géologique de déchets radioactifs, on assiste à une production d'hydrogène due à la corrosion anoxique des métaux et à la radiolyse, en particulier après la fermeture. Cette production d'hydrogène peut être à l'origine d'un transitoire Hydraulique-Gaz qui peut durer 1Ma et qui conditionne fortement la durée de saturation totale du stockage en eau. Or, l'évaluation de cette durée d'une part et de la pression maximale de gaz atteinte au sein des ouvrages et son impact sur l'hydromécanique des scellements et de la roche hôte d'autre part sont nécessaires à la démonstration de sûreté du stockage. Les méthodes numériques actuelles pour résoudre les EDPs de l'écoulement diphasique liquide-gaz en milieux poreux ont montré des limites en lien avec la complexité du modèle de stockage (hétérogénéité, temps de calcul...). Récemment, l'intelligence artificielle, en particulier le deep learning , a montré qu'elle peut être une alternative à ces schémas numériques pour résoudre ces EDPs, à condition que l'apprentissage du réseau neuronal soit réalisé par une approche physique à base de PINNs. Cette approche est très rapide de point de vue calculatoire et exacte de point de vue apprentissage du réseau neuronal. Le stagiaire aura pour mission de développer des modèles d'écoulement diphasique liquide-gaz en milieu poreux hétérogène tridimensionnel à base de PINNs en résolvant les EDPs correspondantes, discrétisées en volumes finis incluant les contraintes liées aux conditions initiales et aux limites imposées au domaine. Les tâches suivantes lui incomberont : Construire un réseau neuronal (RN) profond en utilisant la bibliothèque PyTorch ou TensorFlow?'s SciANN-Keras qui consistera en des couches d'entrée et de sortie, et plusieurs couches cachées, et une fonction d'activation à optimiser par l'algorithme d'Adam. Les modèles développés intégreront les contraintes des EDPs discrétisées. Vérifier les modèles à base de PINNs développés par des solutions numériques et/ou analytiques existantes, puis leur validation à travers une expérience d'injection de gaz dans une roche argileuse du Callovo-Oxfordien. Le stagiaire passera 50% de son temps au sein du Laboratoire Analyse, Géométrie et Applications de l'Université Paris 13 afin de faciliter la mise en oeuvre de la première tâche, vue l'expérience de l'équipe de LAGA sur le développement du RN pour résoudre les EDPs de modèles physiques dans des plateformes informatiques adéquates. Profil recherché : M2R ou en dernière année du cycle d'ingénieur spécialisé en Math-Informatique, Analyse numérique et calcul scientifique - Des notions sur l'IA et le Deep Learning sous Python sont appréciées.CLIQUER ICI POUR POSTULER
