Stage - Ingénieur Machine Learning et modélisation avancée F/H

Description

Chez Framatome, filiale d'EDF, nous concevons et fournissons des équipements, des services, du combustible, et des systèmes de contrôle-commande pour les centrales nucléaires du monde entier. Nos 18 000 collaborateurs permettent chaque jour à nos clients de produire un mix énergétique bas-carbone toujours plus propre, plus sûr et plus économique. Nos équipes développent également des solutions pour les secteurs de la défense, de la médecine nucléaire et du spatial. S'appuyant sur plus de 40 années de savoir-faire, la Business Unit (BU) Fuel développe, conçoit, fabrique et commercialise des assemblages de combustible ainsi que des services associés au combustible, pour les centrales de production d'électricité de type réacteur REP et REB et les réacteurs de recherche.

Les études de rechargement servent à optimiser le plan de chargement (i.e. la position de chaque assemblage de combustible dans le cœur) pour respecter les critères de sûreté et atteindre les performances économiques (comme l’utilisation optimale de la matière fissile) tout en offrant une grande souplesse à l’exploitant. Cette étape de recherche implique la modélisation puis l’évaluation d’un très grand nombre de plans de chargement.
Par ailleurs, la modélisation d’un cœur en évolution nécessite le couplage de plusieurs codes (en particulier neutronique et thermo-hydraulique). La durée de ces calculs multiphysiques est non négligeable et devient limitative lors de la recherche itérative de plans. 

Aussi dans le cadre de la mise en place d’un outil d’optimisation des plans de chargement, il est primordial d’accélérer cette simulation et de développer un métamodèle qui puisse estimer les caractéristiques neutroniques principales des cœurs comme par exemple les épuisements des assemblages ou encore la longueur de cycle. Dans la mesure où l’objectif est de comparer la pertinence de différents plans de chargement, les résultats peuvent présenter une précision moindre. A la fin du processus, une fois le plan sélectionné, une modélisation cœur complet avec un code licencié (chaine ARCADIA) est nécessaire pour confirmer les résultats.

L’objectif du stage est donc de créer un métamodèle pouvant prédire avec une précision suffisante les grandeurs d’intérêts pour l’outil de recherche des plans de chargement. La base d’entrainement a déjà été créée lors d’une étude R&D précédente et l’outil d’optimisation est également disponible.

Le programme de travail envisagé s’articule de la manière suivante :

- Réalisation d’une étude bibliographique sur le sujet

- Analyse et prise en main des évaluations cœur complet (ARCADIA)

- Identification et préparation des données d’entrée pour le métamodèle 

- Développement d’un modèle pour remplacer les évaluations cœur par des codes couplés

- Evaluer les capacités du modèle entrainé à prédire correctement les paramètres d'intérêt

 

Profil souhaité

Vous êtes en dernière année d’études universitaires ou d’école d’ingénieurs, avec une spécialisation en Big Data ou Machine Learning, et vous êtes à la recherche d’un stage de 5 à 6 mois.

Exigences du poste :

• Une première utilisation (ou à minima une connaissance approfondie) des bibliothèques de Machine Learning est un requis.
• La maitrise de l’environnement de travail sous Linux ainsi que l’utilisation de langages de script (shell, python,…) sont nécessaires pour ce stage. Enfin, une connaissance en physique des réacteurs nucléaires est un atout.
• Vous travaillerez dans un projet réunissant des ingénieurs venant de différents pays (France, USA et Allemagne); aussi une aisance en anglais est requise.
• Vous êtes curieux(se), autonome et savez conduire une démarche scientifique et la documenter de manière claire.
• Vous êtes doté(e) d’un bon relationnel, vous êtes rigoureux(e) et faites preuve de force de proposition.

talent-soft

Postuler à l'offre