Missions

L’écoulement de la glace dans les calottes polaires et les glaciers de montagne est en grande partie due à sa déformation plastique, qui peut être extrêmement lente. La rhéologie des glaces polaires présente une forte anisotropie viscoplastique, liée à sa microstructure (orientation privilégiée des cristaux) qui évolue avec la déformation plastique. Un tel comportement fortement anisotrope devrait avoir une influence marquée sur la dynamique de l'écoulement des calottes glaciaires, et notamment leur réponse aux transitions climatiques, mais il n'a jamais été entièrement pris en compte dans les modèles. La relation entre la rhéologie et la microstructure est très bien captée par les méthodes d'homogénéisation en champ moyen, qui tiennent compte des mécanismes de déformation de la glace à l'échelle fine (micromètre) pour estimer le comportement effectif à l’échelle du décimètre, en fonction de la microstructure du matériau. Ces méthodes, bien que très puissantes, restent cependant bien trop couteuses en temps de calcul pour pouvoir être introduites en tant que loi de comportement dans un code Eléments Finis d’écoulement de calottes polaire (échelle : 1000km). Nous proposons donc d’entrainer un réseau de neurones sur un modèle d’'homogénéisation non-linéaire, afin de reproduire la rhéologie anisotrope non linéaire et évolutive de la glace, puis d’introduire ce réseau de neurones dans un modèle d'écoulement à grande échelle. Nos premiers travaux dans ce domaine ont montré la précision et l’extraordinaire efficacité numérique de l’IA entrainé sur le modèle d’homogénéisation. Nous pourrons donc étudier ainsi l'impact de l'anisotropie de la glace sur la dynamique de l'écoulement à grande échelle et sur l'évolution des calottes glaciaires en relation avec le réchauffement climatique (ex. appliqué au Groenland).
Il s’agit donc d’un projet numérique à fort caractère pluridisciplinaire avec des retombées potentielles sur un sujet sociétal d’actualité. Les intervenants dans ce projet maitrisent les différentes facettes nécessaires à la bonne conduite du travail : comportement mécanique et microstructures des glaces polaires (Maurine Montagnat, IGE, Olivier Castelnau, PIMM), méthodes d’homogénéisation (Olivier Castelnau, PIMM, Pedro Ponte Castañeda, Univ. Pennsylvania), calculs numériques d’écoulements géophysiques anisotropes (Olivier Gagliardini, IGE, Anne Mangeney, IPGP), mécanique numérique, réduction de modèles et machine learning (Paco Chinesta, Mikhael Tannous, PIMM, Chady Ghnatios (Univ. North Florida).

Activités

Concrètement, le travail de post-doctorat consistera en :
1. Décrire les différentes microstructures des glaces naturelles au moyen d’un petit nombre de paramètres, ex. à l’aide d’harmoniques sphériques généralisées,
2. Identifier la résistance des systèmes de glissement des dislocations dans la glace à partir d’essais mécaniques publiés dans la littérature,
3. Elaborer une base de données synthétiques de réponse mécanique de la glace et d’évolution de sa microstructure, à l’aide d’une méthode d’homogénéisation non-linéaire récente,
4. Entrainer un réseau de neurone sur cette base de données,
5. Introduire dans le code Elements Finis Elmer/Ice la loi de comportement basée sur le réseau de neurones identifié. Le code open source Elmer/Ice est utilisé à l’IGE (O. Gagliardini) pour calculer l’écoulement des calottes polaires,
6. Et enfin étudier l’impact d’une rhéologie anisotrope générale sur la dynamique de l’écoulement.
Les données et les codes numériques pour chacun des points ci-dessous sont disponibles et opérationnels. Un travail préliminaire aux points 3 et 4 a été publié dans https://www.sciencedirect.com/science/article/pii/S0167663624003211?via%3Dihub

Compétences

Le/la candidat(e), qui doit avoir obtenu une thèse, doit avoir montré de solides compétences en calculs numériques, machine learning, et mécanique des matériaux ou des structures. Des connaissances concernant les méthodes d’homogénéisation, les microstructures des matériaux polycristallins, la géophysique, seront également appréciée. Il/elle devra avoir des aptitudes à la rédaction d’articles scientifiques, et être motivée par le travail en équipe sur un sujet à l’interface entre plusieurs disciplines.

Contexte de travail

Ce travail entre dans le cadre d’un programme financé par le CNRS (centre AISSAI) visant à promouvoir des projets interdisciplinaires et collaboratifs aux interfaces entre l’Intelligence Artificielle et les autres domaines scientifiques. Le/la post-doctorant(e) sera basé(e) au laboratoire PIMM où il/elle travaillera avec Paco Chinesta, Olivier Castelnau et Mikhael Tannous, et en collaboration étroite avec Olivier Gagliardini et Maurine Montagnat de l’Institut des Géosciences de l’Environnement (IGE, Grenoble), Anne Mangeney de l’Institut de Physique du Globe (IPGP, Paris), ainsi que Chady Ghnatios (Univ. North Florida, Etats Unis) et Pedro Ponte Castañeda (Univ. Pennsylvania, Etats-Unis).

Situé à l’ENSAM de Paris. Situé au 151, bd de l’Hôpital, 75013 Paris.
sous la responsabilité de Francisco Chinesta
sera affecté(e) au Laboratoire PIMM, équipes DYSCOH et COMET
https://pimm.artsetmetiers.fr

Contraintes et risques

aucuns

Situé à l’ENSAM de Paris. Situé au 151, bd de l’Hôpital, 75013 Paris.
sous la responsabilité de Francisco Chinesta
sera affecté(e) au Laboratoire PIMM, équipes DYSCOH et COMET
https://pimm.artsetmetiers.fr

Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.