STAGE APPRENTISSAGE AUTOMATIQUE POUR LA RESOLUTION RAPIDE DE PROBLEMES INVERSES EN ELECTROMAGNETISME F/H (2024-120259)

Description de l'offre

Description de l'offre

Contexte général

Les supercalculateurs ont actuellement la capacité de prendre en charge l’exécution à très grande échelle de nombreuses simulations numériques. Cela autorise la réalisation d’études paramétriques, suivant un plan d’expérience, ce qui permet des études d’incertitudes ainsi que de sensibilité aux paramètres d’entrée des sorties du modèle [Smith, 2014]. Les résultats de simulation générées par les études paramétriques constituent une base de données de champs physiques, alors nous pouvons l’utiliser pour réaliser des apprentissages.

Les méta-modèles (ou modèles de substitution) sont des approximations de la simulation avec un coût computationnel très faible. La conception des architectures de type Deep-Learning avec comme objectif la construction de ces méta-modèles présente actuellement des défis multiples.

Depuis 2018, EDF étudie la construction de méta-modèles de type Deep-Learning. Dans un premier temps, à partir des simulations de fluides basées sur Code_Saturne [Archambeau et al., 2004], EDF a développé une certaine expérience quant à l’apprentissage basé sur un réseau de neurones pour traiter des flux de fluides simples avec une grande précision [Meyer et al., 2021].

En 2022, un algorithme qui hybride une POD (Proper Orthogonal Decomposition) avec une SVR (Support Vector Regression) a été conçu, avec des résultats prometteurs. Les travaux sur cet algorithme ont été continués en 2023 et ont donné lieu à deux publications [Ribes et al. ,2022], [Ribes et al. ,2024]. En 2024, un cas d’usage industriel, un alternateur de centrale électrique, a été modélisé avec succès en utilisant une évolution de cet algorithme, qui substitue les SVRs par un réseau de neurones multicouche.

Conjuguer la simulation numérique conventionnelle et le Deep-Learning est un sujet récent mais d’un grand intérêt pour la recherche au niveau international et pour les applications industrielles. Il s'agit d'un axe de recherche très prometteur qui sera le point de départ des travaux prévus dans ce stage.

Contexte particulier au stage

Depuis 2006, EDF R&D et le Laboratoire d’Électrotechnique et d’Électronique de Puissance (L2EP) de l’Université Scientifique et Technologique de Lille (USTL) ont mis en place le laboratoire commun LAMEL (Laboratoire de Modélisation du Matériel Électrique) pour structurer leur collaboration autour du calcul de champs électromagnétiques par éléments finis. Afin de pérenniser les développements et de disposer d’un outil souple pour les études, EDF R&D et le L2EP développent le Code_Carmel pour le domaine temporel.

Profil souhaité

Ce stage sera co-encadré par le département PERICLES (Performance et Prévention des Risques Industriels du Parc par la Simulation et les Études) et ERMES (Électrotechnique et mécanique des structures) et s’inscrit donc dans la continuité des activités des deux départements et entend répondre à la convergence de leurs intérêts : créer des méta-modèles de type Deep-Learning pour des études d’électromagnétisme et les utiliser pour résoudre, de façon rapide, des problèmes inverses.

 

Objectifs du stage

Les travaux prévus dans le cadre du stage concernent l’utilisation d’ensembles de simulation pour alimenter des processus d'apprentissage computationnel. L’objectif général est de commencer à étudier les techniques d’apprentissage pour résoudre des problèmes inverses utiles notamment pour les ingénieurs électriques. Les cas d’usage seront issus du code de calcul de champs électromagnétiques Code_Carmel mais les algorithmes développés resteront généralisables à d’autres domaines de l’ingénierie.

 

La première partie de ce stage concerne la familiarisation avec les techniques à utiliser (POD et Deep-Learning) et la réalisation d’une bibliographie. Dans la seconde partie le stagiaire construira un prototype pour la génération de méta-modèles basé sur une approche ROM-Deep-Learning, à partir de simulations avec plusieurs jeux de paramètres. La troisième partie de ce stage consistera à coupler ce métamodèle à un algorithme classique d’optimisation pour résoudre un premier problème inverse simple. La quatrième partie consistera à tester un approche nouveau issue du l’intelligence artificielle générative. La cinquième partie sera consacrée à la validation des méthodes prototypées à partir des cas d’usage en électromagnétisme. Cela nécessite des expérimentations numériques sur des supercalculateurs.

 

Le stage présente d'une part l'avantage d'implémenter une structure d'analyse et de visualisation très rapide qui s'avère utile pour les ingénieurs d'études et, d’autre part, d'avoir l'opportunité de travailler avec des techniques Deep-Learning et IA générative sur des supercalculateurs. En effet, EDF possède aussi deux clusters de calcul, Cronos et Gaia, entre les 500 plus puissants au monde [http://www.top500.org].           

Profil souhaité

·  3ème année d’Ecole d’ingénieurs, Master 2
·  Formation : intelligence artificielle et/ou analyse numérique

 Environnement informatique

·  Python, PyTorch, Code_Carmel

Modalités

·  Durée : 6 mois (5 mois minimum)
·  Localisation : le stage se déroulera à EDF Lab Paris-Saclay

Contacts

·  A. Ribes             - EDF Lab Paris Saclay    -- alejandro.ribes(a)edf.fr
·  N. Benchekroun - EDF Lab Paris Saclay   -- nawfal.benchekroun(a)edf.fr
·  J.P. Ducreux    - EDF Lab Paris Saclay   -- jean-pierre.ducreux(a)edf.fr
·  T. Delagnes       - EDF Lab Paris Saclay   -- theo.delagnes(a)edf.fr