Application de l'apprentissage profond et de l'intelligence artificielle pour la caractérisation des écoulements par PIV

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. De la recherche à l’industrie, l’innovation technologique est au cœur de son action, articulée autour de quatre priorités stratégiques : CLIMAT, ENVIRONNEMENT ET ÉCONOMIE CIRCULAIRE, ÉNERGIES RENOUVELABLES, MOBILITÉ DURABLE et HYDROCARBURES RESPONSABLES.

L’engagement d’IFPEN en faveur d’un mix énergétique durable se traduit par des actions visant :

à gagner en efficacité énergétique ;
à réduire les émissions de CO2 et de polluants ;
à améliorer l’empreinte environnementale de l’industrie et des transports ;

tout en répondant à la demande mondiale en mobilité, en énergie et en produits pour la chimie.

Dans cet objectif, IFPEN développe des solutions permettant, d’une part, d’utiliser des sources d’énergie alternatives et, d’autre part, d’améliorer les technologies existantes liées à l’exploitation des énergies fossiles.

Application de l’apprentissage profond et de l’intelligence artificielle pour la caractérisation des écoulements par PIV

La PIV (particles image velocimetry) est un diagnostic optique développé il y a de nombreuses années et employé en mécanique des fluides pour caractériser les écoulements en termes de vitesse et turbulence notamment. IFPEN utilise actuellement la PIV dans de nombreux champs d’application (écoulements dans les moteurs à combustion interne, écoulements géologiques ou dans des procédés industriels de synthèse). L’ensemble des images obtenues et associées à leur post-traitement classique constitue une base de données parfaitement adaptée à un apprentissage machine et le développement d’une intelligence artificielle intégrant à terme les conditions expérimentales rencontrées.

Pour ce stage, l’IA serait utilisée pour palier à certains phénomènes expérimentaux, comme l’encrassement des accès optique par exemple. Ceux-ci peuvent mettre les traitements classiques en difficulté (algorithme de corrélation croisée par exemple) et rendre certaines images ou séries d’images inexploitables.

Les réseaux de neurones ont en effet la capacité de prendre en compte ces phénomènes, via une phase d’apprentissage, et nous pensons que ceci présente un intérêt pour le traitement de données de PIV en particulier. De plus, les réseaux de neurones peuvent intégrer des informations complémentaires issues des expériences, en plus des données d'imagerie brutes. Ces informations peuvent être facilement mesurées comme la température et la pression de l'enceinte, ou bien correspondre à des caractéristiques plus qualitatives (morphologie, texture, effet transitoire, instabilité par exemple).

Pour atteindre cet objectif, le stage que nous proposons s’organise autour de deux phases majeures. La première consiste à appréhender les traitements classiquement utilisés pour la PIV en sélectionnant avec l’équipe encadrante plusieurs jeux de données d’intérêt.

La seconde phase du stage a pour objectif le développement de méthodologies nouvelles, basées sur les méthodes de Flow Optic pour l’amélioration des traitements de PIV.

Pour démarrer et obtenir des résultats exploitables, l’accent sera mis d’une part sur l’utilisation de librairies existantes en python et Matlab pour la partie Machine Learning et d’autre part l’utilisation de modèles déjà entrainés pour mesurer l’application d’une IA à des expériences de PIV réalisées au laboratoire.

Les objectifs de ce stage sont ambitieux : développer une méthodologie, basé sur de l’apprentissage machine, pour accroitre la précision du traitement d’image réalisé en PIV mais également de diffuser cette méthodologie au sein de l’équipe diagnostiques optiques.

Le/la candidat(e) sera intégré(e) à l’équipe diagnostics optiques du département, et devra être à même de travailler en équipe.

Profil recherché :

Master 2 (Bac+5) ou dernière année d’école d’ingénieur motivé(e) pour mener des travaux de recherche et développement dans le domaine passionnant de la mécanique des fluides.

Autonome et rigoureux, le/la candidat(e) doit avoir un goût prononcé pour la mécanique des fluides, le traitement de données et le développement informatique. Persévérant(e), le/la candidat(e) doit faire preuve d’un certain sens physique l’amenant à pouvoir questionner ses résultats pour en assurer la qualité.

L’étudiant(e) sera intégré(e) à une équipe dynamique : ingénieurs de recherche, techniciens spécialisés, thésard(e)s et stagiaires.

Compétences recherchées :