Stage BAC +5 Modélisation batteries PINN H/F
Stage Grenoble (Isère) Développement informatique
Description de l'offre
Détail de l'offre
Informations générales
Entité de rattachement
Le CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat.Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale. Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs.
Implanté au cœur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international.
Les 20 000 collaboratrices et collaborateurs du CEA partagent trois valeurs fondamentales :
• La conscience des responsabilités
• La coopération
• La curiosité
Référence
2024-32826Description du poste
Domaine
Electromagnétisme, génie électrique
Contrat
Stage
Intitulé de l'offre
Stage BAC +5 Modélisation batteries PINN H/F
Sujet de stage
Physics Informed Neural Networks (PINN) for Li-Ion battery modeling
Durée du contrat (en mois)
6
Description de l'offre
Missions :
Physics Informed Neural Networks (PINNs) for battery modeling using Doyle-Fuller-Newman (DFN) partial differential equations, alternatively known as the pseudo-two-dimensional (P2D) model. Using the flexibility and power of neural networks, PINNs offer a promising approach to solving complex PDEs like the DFN model for lithium-ion batteries. The advantages of this approach are: fast inference once trained, alternative method to solve complex PDE’s, usage on optimization tasks, real-time simulation, on-board/on-line models, etc.
Expected results:
Evaluation of tools, difficulties, approach/method and prepare for integration of complete DFN PDEs (P2D).
Proof of concept on part of the model: particle model.
Quantify differences in terms of accuracy and calculation time compared with our models already coded in Simulink and Comsol.
Preparation for integration of complete DFN PDEs (P2D).
Profil recherché
Profil du candidat
Stage pour la validation d'un BAC+5
Compétences scientifiques : Machine learning
Connaissances : Génie Electrique, batteries
Moyens/Méthodes/Logiciels : Maitrise de Python et Matlab/Simulink
Commentaires libres : La maîtrise de Python et Matlab/Simulink est indispensable. Des connaissances en machine learning sont nécessaires. Les connaissances générales en génie électrique et batteries sont un plus.