Description du sujet de thèse

Dans le contexte de l'application de l'IA générative à l'étude des mécanismes de formation de sprays, plusieurs défis doivent être relevés, notamment en ce qui concerne la disponibilité de données de haute qualité, compte tenu des informations contextuelles inhérentes à la cascade de mécanismes, et avec des données existantes qui peuvent être bruitées ou incomplètes.
En outre, la mécanique des fluides fait intervenir des phénomènes complexes et non linéaires, et la compréhension des subtilités de la formation des sprays nécessite des modèles sophistiqués dont la conception, l'entraînement et l'interprétation précise ne sont pas toujours aisés. Dans ce contexte, l'apprentissage de modèles génératifs, en particulier pour des modèles complexes, peut être très coûteux en ressources informatiques.
Le développement d'un réseau neuronal spécifiquement adapté au problème en question permettrait d'obtenir un modèle prédictif adapté et efficace. La conception d'un tel réseau neuronal conduirait à un modèle de prédiction adapté et efficace.
Ce projet multidisciplinaire combine la mécanique des fluides et l'apprentissage profond pour faire avancer la recherche sur les mécanismes de formation des sprays et sur la recherche d'informations via les réseaux neuronaux informés par la physique (PINNs). Les PINNs ont récemment émergé comme une alternative prometteuse pour résoudre les problèmes inverses et ont abordé avec succès plusieurs sujets de mécanique des fluides, mais leur mise en œuvre pour les systèmes multi-physiques et multi-échelles n'a pas encore été explorée. L'écoulement turbulent à diphasique formé par l'atomisation assistée est un bon candidat pour étendre les modèles PINNs en raison des récentes avancées dans les mesures par rayons X en synchrotron et dans les simulations numériques haute-fidélité.
Le projet vise à fournir de nouvelles méthodologies d'apprentissage automatique pour l'exploration des informations, des connaissances plus approfondies sur la formation des sprays et des approches alternatives pour les mesures 3D résolues en temps par rayons X.

Contexte de travail

Le Laboratoire des Ecoulements Géophysiques et Industriels (LEGI) est une Unité Mixte de Recherche (UMR 5519) du Centre National de la Recherche Scientifique (CNRS), de l'Institut National Polytechnique de Grenoble (Grenoble INP) et de l'Université Grenoble-Alpes (UGA)).
Le doctorant travaillera au sein du laboratoire LEGI (UMR5519) et LIG (UMR 5217) de l'Université Grenoble Alpes. Les recherches du LEGI portent sur les écoulements géophysiques et industriels, en utilisant des approches théoriques, expérimentales et numériques, tandis que le LIG contribue au développement d'aspects fondamentaux de l'informatique pour relever des défis conceptuels, technologiques et sociétaux. Le poste s‘insère au sein des équipes EDT (LEGI) et APTIKAL (LIG). Le projet se concentrera sur les aspects informatiques, englobant le travail théorique et le développement de codes, mais des participations ponctuelles à des sessions de mesure de rayons X à l'ESRF (European Synchrotron Research Facility, Grenoble) sont possibles.

De fortes interactions avec les deux laboratoires sont prévues. Il s'agit notamment de participer à des réunions d'équipe, d'assister à des séminaires et à d'autres activités scientifiques. Les ressources informatiques du LEGI et du LIG seront probablement utilisées. Enfin, le projet impliquera des collaborations avec O. Desjardins (Cornell University), qui fournira une base de données numérique pour le projet.

Contraintes et risques

Pas de risque identifié.

Informations complémentaires

Diplôme souhaité : Master en informatique ou en mathématiques appliquées.
Compétences attendues :
- Bonne formation théorique et connaissances pratiques en machine-learning.
- Expérience en traitement de données et/ou d'images.
- Connaissance de la programmation dans un langage scientifique.