Stage Modélisation d'Arcs Électriques Dedéfaut par Méthodes de Machine Learning H/F - 78

Safran est un groupe international de haute technologie opérant dans les domaines de l'aéronautique (propulsion, équipements et intérieurs), de l'espace et de la défense. Sa mission : contribuer durablement à un monde plus sûr, où le transport aérien devient toujours plus respectueux de l'environnement, plus confortable et plus accessible. Implanté sur tous les continents, le Groupe emploie 100 000 collaborateurs pour un chiffre d'affaires de 27,3 milliards d'euros en 2024, et occupe, seul ou en partenariat, des positions de premier plan mondial ou européen sur ses marchés.

Safran est la 2ème entreprise du secteur aéronautique et défense du classement « World's Best Companies 2024 » du magazine TIME.

Parce que nous sommes persuadés que chaque talent compte, nous valorisons et encourageons les candidatures de personnes en situation de handicap pour nos opportunités d'emploiSafran est un groupe industriel et technologique français, présent au niveau international dans le domaine de l'aéronautique, de l'espace et de la défense.

La détection et la modélisation des arcs de défaut représentent un enjeu majeur pour la sécurité et la performance des installations électriques industrielles et aéronautiques. Les modèles circuits classiques (Mayer, Cassie, etc.), principalement fondés sur des équations empiriques, montrent leurs limites face à la diversité et à la complexité des conditions rencontrées sur le terrain. De plus, ces modèles ont généralement été développés pour simuler des arcs électriques générés au sein de contacteurs, et non ceux associés à des défauts. Or, les arcs de défaut se distinguent par leur caractère aléatoire accru et leur dynamique plus libre, car ils peuvent ne pas être contraints par la géométrie ou par un confinement imposé, contrairement aux arcs dans les contacteurs.

Dans ce contexte, la régression symbolique, une technique d'intelligence artificielle permettant d'extraire automatiquement des relations mathématiques explicites à partir de données expérimentales, constitue une approche innovante et prometteuse permettant d'affiner la compréhension et la modélisation des arcs de défaut.

Objectif du stage :
L'objectif de ce stage est d'évaluer l'apport de la régression symbolique à la modélisation électrique d'un arc de défaut, en analysant des données expérimentales et en comparant la performance des modèles obtenus avec les modèles traditionnels.

Descriptif des travaux à réaliser :
Au sein du pôle de recherche "Systèmes Electriques & Electroniques", la mission consistera à :
- Réaliser une veille sur les méthodes de modélisation des arcs électriques et les techniques de machine learning supervisé, avec un focus sur la régression symbolique.
- Traiter et analyser une base de données expérimentales issue de mesures d'arcs électriques en conditions réelles de défaut.
- Développer, entraîner et optimiser des modèles de régression symbolique sous Python (bibliothèques de ML) et Matlab.
- Comparer la performance (précision, robustesse, explicabilité) des modèles ML générés avec les modèles physiques classiques.
- Rédiger une synthèse sur les apports et limitations du machine learning pour ce type d'application, et proposer des recommandations pour des applications industrielles futures.