Stage Méthodologie Calculs Thermo-Élastiques Accélérés Autoencodeur Variationnel pour la Mécanique 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'emploiContexte :
Afin de concevoir certaines pièces des turboréacteurs, les bureaux d'études disposent de modèles complexes permettant de prédire la tenue mécanique des composants. Dans ces parties chaudes du moteur, les pièces sont soumises à des températures et chargements extrêmes. Pour mieux comprendre la durabilité des systèmes chauds, des calculs de fissurations sont parfois nécessaires. Toutefois, ces calculs demeurent aujourd'hui très coûteux et extrêmement complexes à réaliser et analyser.
Afin d'accélérer ce type de simulations, des approches de simplification sont utilisées. Une méthode innovante serait d'y ajouter les méthodes basées sur la science des données. Notamment, de récents travaux ont montré des résultats prometteurs pour les simulations physiques.
Au sein de Safran Tech, l'objectif du stage serait d'étendre des travaux récents, qui ont été appliqués à la mécanique des fluides instationnaires et qui ont donné des résultats très prometteurs ainsi que des facteurs d'accélération très intéressants, à la mécanique des structures. Plus précisément, il s'agit d'appliquer ces travaux à des calculs thermoélastiques. Cette méthode se basera sur la construction d'un modèle d'ordre réduit physique en projetant et en résolvant les équations thermoélastiques dans la variété des solutions, qui est de dimension réduite grâce à l'utilisation d'un AutoEncodeur variationnel. Aussi, ce stage serait au carrefour entre les méthodes de Deep Learning et la modélisation de la physique dans de nouvel espaces ou variétés obtenus grâce à ces méthodes.
Au sein du Département Méthode et Management de la Durabilité, l'objectif du stage sera de participer à la conception de cette nouvelle méthodologie basée sur des concepts à l'état de l'art. Au regard des objectifs du stage, de fortes interactions avec les autres secteurs du département et du groupe Safran sont attendues. Celles-ci détermineront autant les besoins et problématiques du stage, que les potentiels acteurs pour la diffusion des productions du stage.

Objectifs
Dans ce cadre, les activités du stagiaire seront les suivantes :
- Familiarisation avec les méthodes analytiques et numériques de simulation pour la mécanique ainsi que sur les modèles de Machine Learning pour la physique ;
- Compréhension et manipulation d'une base de données paramétrique de simulations 2D et 3D ;
- Familiarisation avec une librairie de code ROM-VAE développée au sein de Safran Tech.
- Participation au développement d'un AutoEncodeur variationnel pour l'obtention de résultats de simulation ;
- Participation à la conception d'une méthodologie innovante en contexte de R&T.
- Application sur cas simplifiés.