Missions

Le développement de l’énergie éolienne représente une composante importante de la stratégie européenne vis-à-vis du changement climatique. De manière générale, la plupart des convertisseurs d’énergie, qu’il s’agisse d’éoliennes ou de véhicules, sont situés dans la couche limite atmosphérique, et leurs conditions d’opération sont donc caractérisés par des fluctuations turbulentes qui affectent leur performance de manière significative. La détection, et éventuellement prédiction de ces effets en temps réel est essentielle pour assurer une production optimale.

Activités

L'objectif est de développer des modèles d’ordre réduit informés par les données qui capturent la dynamique de l’écoulement sur la pale à partir d’une information limitée. La question centrale est d’estimer la séparation de l’écoulement sur la pale. La première étape du projet sera de construire des stratégies d’estimation pour une base de données numérique obtenues à partir de simulations RANS (Pr. E. Guilmineau, EC Nantes). Différentes méthodes de complexité croissante seront mises en œuvre et évaluées. Dans une deuxième étape, des méthodes d’apprentissage hybrides intégrant des contraintes physiques seront mises en œuvre. Les méthodes seront alors appliquées et adaptées aux données expérimentales.

Compétences

Le candidat sera titulaire d’un doctorat en Mécanique des Fluides ou en Mathématiques Appliquées/Apprentissage et aura un intérêt pour ces disciplines. Une expérience de programmation (python, fortran ou C) sera demandée.

Contexte de travail

Le post-doc est financé par le projet ANR/SNF MISTERY, Modelling and estimation of unsteady aerodynamic flow at high Reynolds number, un effort interdisciplinaire rassemblant des aérodynamiciens, specialists des MEMS et experts en data science de l’Université de Ost, l’ETH Zurich, le laboratoire EM2C et le CSTB de Nantes.