En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)
Portail > Offres > Offre UPR3346-NADMAA-036 - CHERCHEUR/POST-DOC (H/F) – Investigations expérimentales de stratégies de contrôle en boucle fermée pour la réduction d'impact du sillage d'un corps d'Ahmed

CHERCHEUR/POST-DOC (H/F) – Investigations expérimentales de stratégies de contrôle en boucle fermée pour la réduction d'impact du sillage d'un corps d'Ahmed

Cette offre est disponible dans les langues suivantes :
Français - Anglais

Date Limite Candidature : vendredi 12 mars 2021

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Faites connaître cette offre !

Informations générales

Référence : UPR3346-NADMAA-036
Lieu de travail : FUTUROSCOPE
Date de publication : vendredi 19 février 2021
Type de contrat : CDD Scientifique
Durée du contrat : 12 mois
Date d'embauche prévue : 1 septembre 2021
Quotité de travail : Temps complet
Rémunération : Entre 2648 € et 3768 € bruts mensuels selon expérience
Niveau d'études souhaité : Doctorat
Expérience souhaitée : 1 à 4 années

Missions

Au CNRS, Laboratoire PPRIME, situé au Futuroscope, ce post-doctorat s'inscrit dans le cadre du projet ANR COWAVE (Contrôle rétroactif du sillage d'un véhicule) entre les laboratoires PRISME à Orléans, Pprime à Poitiers, LHEEA à Nantes et l'industrie automobile PSA. Cette offre concerne la contribution de Pprime au projet COWAVE. Celle-ci consiste à explorer expérimentalement dans un canal hydrodynamique des stratégies de contrôle de sillage en boucle fermée avec des volets mobiles.

Les sillages tridimensionnels de corps épais, du type corps d'Ahmed, génèrent une traînée de pression et des forces latérales, contribuant ainsi de manière significative à la consommation de carburant et aux émissions polluantes des véhicules routiers. Malgré les nombreuses tentatives réalisées pour minimiser l'impact des sillages sur l'environnement, on ne sait toujours pas quelle est la stratégie de contrôle la plus efficace ! Dans ce contexte, le projet ANR COWAVE aborde deux aspects fondamentaux du contrôle du sillage : premièrement, quels types d'actionneurs sont les plus efficaces ? Alors que la plupart des stratégies de contrôle en boucle fermée utilisent des effets d'entraînement visqueux pour actionner les couches de cisaillement dans le sillage, l'exploitation des forces de pression produites par des déflecteurs mobiles pourrait être une alternative intéressante à tester. Deuxièmement, pour la mise en œuvre de la commande en boucle fermée, nous voulons tester si les stratégies de commande obtenues par des techniques d'apprentissage automatique (Machine Learning) permettent d'obtenir une meilleure efficacité et une plus grande robustesse que les approches plus classiques basées sur des modèles.

Activités

Les expériences seront menées dans le tunnel hydrodynamique Hydra II de l'équipe CURIOSITY.

- Dans un premier temps, l'écoulement autour d'un modèle de corps de Ahmed avec déflecteurs fixes sera analysé. Deux techniques complémentaires seront mises en œuvre : (i) des visualisations par bulles d'hydrogènes pour analyser l'origine des structures tourbillonnaires et (ii) des mesures de force de traînée instationnaire à l'aide d'une balance aérodynamique. Des mesures PIV pourront également être effectuées pour compléter l'étude. Une des questions majeures concerne en effet l'efficacité des déflecteurs du point de vue de la réduction de la force de traînée globale.

- Dans un second temps, des méthodes d'apprentissage automatique, actuellement développées au sein de l'équipe, seront mises en œuvre pour piloter des déflecteurs mobiles et ainsi optimiser le gain en traînée sous un changement de conditions amonts. Afin de pouvoir transférer les méthodes à des véhicules routiers en conditions réelles, il sera nécessaire de prendre en compte dans le développement de la stratégie de contrôle le ratio dépenses énergétiques sur gains en traînée.

Compétences

Le/la candidat.e doit être titulaire d'un doctorat en mécanique des fluides ou en aérodynamique.
Un fort intérêt pour les travaux expérimentaux en aérodynamique, ainsi que pour les méthodes d'apprentissages automatiques (« machine learning ») pour le contrôle d'écoulement, sont nécessaires.
Une expérience en acquisition et traitement de données, de préférence dans un environnement Python (voire Labview) est souhaitée.
Il-elle devra être capable de travailler dans un contexte dynamique avec des chercheurs expérimentaux et « théoriques ».
L'autonomie et de bonnes capacités de communication sont également recherchées.

Contexte de travail

Le/la candidat·e sera intégré.e à l'équipe mutli-disciplinaire CURIOSITY du Département Fluides, Thermique et Combustion de l'Institut Pprime. Il/elle bénéficiera de la dynamique de groupe dans le cadre des activités menées en contrôle d'écoulement et en aérodynamique. L'équipe consacre de nombreuses ressources au développement de nouvelles méthodes dans le domaine de l'apprentissage automatique et à leur mise en œuvre expérimentale.

Contraintes et risques

Des déplacements de courte durée, en France et à l'étranger, sont à prévoir.

Informations complémentaires

=> Information Coronavirus :
Le CNRS se réserve le droit de reporter la date de recrutement en fonction de l'évolution sanitaire.

On en parle sur Twitter !