Établissement public à caractère scientifique, culturel et professionnel sous tutelle du ministère des Armées, l’École navale est une grande école militaire située sur la presqu’île de Crozon. Vous y trouverez un cadre de vie exceptionnel dans un environnement préservé.
L’École navale accueille chaque année environ 300 élèves officiers de marine et assure la formation de plusieurs spécialités maritimes du personnel de la Marine nationale. Elle est également ouverte sur l’extérieur en assurant une dimension « recherche », en partenariat avec le monde de l’industrie. L’école s’appuie à ce titre sur institut de recherche navale (IRENAV). Ce sont environ 400 personnes civiles et militaires qui concourent à ces différentes missions et participent ainsi au développement de l’École navale, dans l’écosystème de l’enseignement supérieur, de la recherche et de l’innovation.
Dans le cadre du projet « MAchine LEArning for Fluid system efficiency » (MALEAF), soutenu par l’Agence Nationale de la Recherche, l’École navale recrute un chercheur post-doctorant en mécanique des fluides expérimentale et analyse de données d’écoulement.
PROJET MALEAF
Le projet MALEAF est un projet ANR de recherche collaboratif regroupant des chercheurs de l'ENSAM, du CNAM, de l’École navale et de l'ONERA. Il vise à augmenter l'efficacité des dispositifs de production d'énergie et de propulsion utilisant des machines tournantes, en particulier pour des applications marines ou aéronautiques. L'objectif sera atteint grâce au développement d'outils d'analyse précis et peu coûteux pour des problèmes hydrodynamiques ou aérodynamiques. Plus précisément, des modèles prédictifs avancés d'ordre réduit seront entrainés et calibrés par l'utilisation de méthodologies basées sur les données. Une caractéristique distinctive du projet est que les modèles seront obtenus à partir de données intelligentes (smart data) plutôt que de données volumineuses (big data). La gamme d'outils proposés, qui comprend les expériences, la CFD et les approches pilotées par les données telles que l’assimilation de données, l’apprentissage machine et la modélisation d’ordre réduit, offre la possibilité de produire une grande quantité de données fiables à partir d'un nombre limité de mesures localisées. Ces données, utilisables efficacement à des fins d’entrainement, peuvent être éliminées à la fin des phases d'apprentissage des algorithmes pilotés par les données, réduisant ainsi considérablement le besoin de stockage de données massives.
La transition écologique nécessaire pour atteindre des critères de développement durable de plus en plus stricts pose des défis dans plusieurs disciplines scientifiques, notamment l’ingénierie des transports et de l’énergie. On peut citer comme exemples la feuille de route ACARE[1], pour une mobilité aérienne climatiquement neutre, la nécessité de développer l'éolien terrestre et offshore (soulignée dans le récent rapport RTE[2]) ou les directives de l'OMI (Organisation maritime internationale) visant à promouvoir l'utilisation d'équipements et de moteurs plus performants pour les navires[3]. Le point commun essentiel de ces trois exemples est l'utilisation de machines tournantes dans leurs conditions de fonctionnement. L'amélioration des performances de ces applications nécessite une prédiction précise des écoulements mis en jeu. Cet objectif est complexe pour les écoulements tournants et fortement instables, notamment parce qu’on s’intéresse aux phénomènes de décollement et aux régimes proches du décrochage [1], qu’il s’agit d’anticiper afin de le contrôler.
On peut étudier ces écoulements en laboratoire grâce aux techniques optiques modernes comme la PIV (Particle Image Velocimetry) qui donne accès aux champs de vitesse 2D ou 3D, potentiellement résolus dans le temps. L'analyse de ces écoulements complexes peut également être réalisée par simulations CFD, de haute fidélité comme la DNS, très couteuse et limitée en nombre de Reynolds, ou de moindre fidélité comme les méthodes RANS ou LES, soumises alors à des biais et des incertitudes. De plus, les coûts de calcul pour la CFD, même pour les modèles de rang faible, peuvent devenir prohibitifs pour les applications instationnaires nécessitant un accès rapide à une solution approchée ou de nombreuses évaluations de fonctions. C'est la principale motivation pour le développement et l'utilisation de modèles de substitution et d'ordre réduit (ROM) [2] dans de nombreuses applications d'ingénierie. Les ROM représentent des modèles peu coûteux en termes de calcul, fournissant une prédiction des phénomènes sous-jacents, permettant un prototypage rapide et des requêtes multiples.
Le projet cherche à produire de tels modèles à partir de résultats expérimentaux et de simulations haute fidélité précalculés, à l'aide de techniques de réduction de dimensionnalité, telles que la Proper Orthogoal Decomposition (POD). La difficulté est de garantir la robustesse face aux incertitudes liées à la configuration du problème étudié tout en conservant des caractéristiques prédictives précises. Les outils utilisés incluent la quantification de l'incertitude [3], l'assimilation de données [4] et l'apprentissage automatique [5]. Les activités de recherche menées récemment par les membres du consortium ont fourni une preuve de concept pour plusieurs aspects liés aux objectifs du projet. Ces travaux comprennent la reconstruction d'écoulements à la volée à partir de mesures limitées pour les écoulements instationnaires, l'application combinée de l’assimilation de données, l’apprentissage machine et la modélisation d'ordre réduit pour les écoulements complexes.
TRAVAIL ATTENDU
La contribution de l’IRENav au projet, donc le rôle principal de la personne recrutée, consiste essentiellement à produire des données expérimentales de haute fidélité qui seront utilisées pour la construction de modèles réduits, l’apprentissage et l’assimilation de données. On étudiera l’écoulement autour de profils portants représentatifs en régime proche du décrochage, dans le tunnel hydrodynamique de l’école navale qui permet d’atteindre des nombres de Reynolds de 106. On combinera les mesures globales de portance et trainée avec des mesures ponctuelles de pression pariétales et des mesures du champ de vitesse par PIV haute résolution et haute fréquence. L’analyse des mesures s’appuiera notamment sur les méthodes de réduction de la dimensionnalité telles que la POD et ses dérivées, la DMD [6], voire des décompositions par réseau de neurones [7]. En plus de ce travail expérimental essentiel, selon ses compétences et l’avancée des travaux, la personne recrutée pourra participer plus avant à l’élaboration des modèles d’ordre réduit, aux travaux d’apprentissage et d’assimilation de données en collaboration avec les partenaires du projet MALEAF.
Références :
[1] R. N. Pinto, A. Afzal, L. V. D'Souza, Z. Ansari et A. Mohammed Samee, «Computational Fluid Dynamics in
Turbomachinery: A Review of State of the Art,» Arch Computat Methods Eng, vol. 24, 2017
[2] C. Rowley et T. Dawson, «Model Reduction for Flow Analysis and Control» Ann. Rev. Fluid. Mech., vol. 49, 2017
[3] O. Le Maître et O. Knio, Spectral Methods for Uncertainty Quantification, Springer, 2010
[4] M. Asch, M. Bocquet et M. Nodet, Data Assimilation: Methods, Algorithms, and Applications, Philadelphia: Society for Industrial and Applied Mathematics, 2016
[5] K. Duraisamy, H. Xiao et G. Iaccarino, «Turbulence modeling in the age of data,» Ann. Rev. Fluid. Mech., vol. 51, 2019
[6] Schmid P.J., «Dynamic mode decomposition of numerical and experimental data,» Journal of Fluids Mechanics, vol. 656, 2010
[7] S. Kneer, T. Sayadi, D. Sipp, P. Schmid et G. Rigas, «Symmetry-aware autoencoders: s-PCA and s-nlPCA,» arXiv:2111.02893v3, 2023
Notes :
[1] Advisory Council for Aviation Research and Innovation in Europe : https://www.acare4europe.org/acare-goals/
[2] RTE (Réseau de Transport d’Electricité). Energy pathways 2050 https://www.rte-france.com/en
[3] https://www.imo.org/en/MediaCentre/MeetingSummaries/Pages/MEPC-Default.aspx
Docteur en physique des fluides, avec un solide savoir-faire expérimental, idéalement en PIV (Particle Image Velocimetry).
Bonne capacité d’analyse de résultats hydrodynamiques, aisance avec les méthodes d’analyse courantes et idéalement les techniques de décomposition basée sur les données (POD, sPOD, DMD, …).
Bonne expérience des écoulements sur corps portants.
Bonnes capacités de rédaction scientifique.
Bonnes capacités relationnelles et humaines, dynamisme et charisme.
Des compétences dans le machine learning, la réduction de modèle et l’assimilation de données seront particulièrement appréciées.
La personne recrutée intègrera l'Institut de Recherche et d’Études Navales à l’École Navale à Lanvéoc, Finistère, et participera à l’axe de recherche « Acquisition de la donnée et compréhension des phénomènes physiques ». Cet axe fédérateur a pour objectifs la compréhension, l’expérimentation, la modélisation et le contrôle de dynamiques physiques complexes associées au développement et à la conduite des vecteurs navals dans leur environnement. Le thème met l’accent sur la physique propre à ces systèmes relevant en particulier de la mécanique des fluides, de la vibro-acoustique, de l’acoustique sous-marine, en intégrant le traitement du signal et l’environnement marin au travers de l’océanographie physique et s’intéresse notamment à la constitution de modèles réduits, en associant des approches traditionnelles fondées sur des modèles physiques et des approches de type modèle statistique par apprentissage basé sur les données. La personne recrutée pourra participer à l’encadrement de thèses ou de stages étroitement liés à son travail.
Membre à part entière du projet MALEAF, la personne recrutée participera aux échanges avec les partenaires, aux activités de collaboration du projet, à sa valorisation et sa communication.
SPECIFICITES DU POSTE
Nous rejoindre, c’est notamment bénéficier des avantages suivants :
- Une restauration sur place (avec une participation employeur)
- Un comité d’entreprise du Ministère des Armées
- Une protection sociale complémentaire avec participation employeur
- Une desserte maritime gratuite depuis la base navale de Brest et un car gratuit au départ de Daoulas (arrêt au Faou, Tal-ar-Groas)
- Des congés pendant les périodes de vacances scolaires
Poste basé à Lanvéoc-Poulmic (29) sur la Presqu'île de Crozon
Contrat de projet de 24 mois à compter du 01/10/2025
Rémunération mensuelle d'environ 3.260€ brut - 2.620 € net.
Les candidatures (curriculum vitae, lettre de motivation, et lettres de recommandations le cas échéant) sont à transmettre avant le 19/08/2025, sous la référence "MALEAF".
Pour tout complément d’information, vous pouvez adresser un message à l’adresse recrutement@ecole-navale.fr