Optimisation sous incertitudes à l'aide de métamodèles – conception en éolien flottant F/H (2025-153073)

Description de l'offre

Description de l'offre

Au sein d’EDF R&D, le département PRISME propose des solutions innovantes pour améliorer la performance et la sûreté des différents moyens de production d’électricité du groupe EDF. En particulier, le Groupe P17 GAIA héberge la compétence Probabilités et Statistiques pour les Phénomènes Physiques (PSPP) qui développe des méthodes et outils pour modéliser, quantifier et propager les incertitudes au sein de simulateurs numériques, ceci à des fins de maîtrise des risques, d’optimisation des performances en exploitation ou de conception robuste des moyens de production.

EDF R&D s’efforce de proposer des conceptions de flotteurs qui allient compétitivité et robustesse, notamment à travers l’amélioration de la maîtrise des incertitudes environnementales affectant le  comportement de ces systèmes dynamiques. Pour ce faire, des codes de simulation numérique (souvent multi-physiques) permettent de modéliser le comportement d’un flotteur, face à des conditions environnementales données. Ce sujet de stage porte sur la conception et l’optimisation de flotteurs éoliens en présence d’incertitudes (ARISTONDO et al., 2025), aussi appelée conception « robuste » ou « sous incertitudes » (DUBOURG et al., 2011). En phase de conception, ces approches cherchent à maximiser la performance du système, tout en minimisant l’impact des conditions  environnementales incertaines sur la performance en garantissant la fiabilité du système.

Les incertitudes associées aux sorties d’intérêt d’un système modélisé
tel qu’une éolienne (ex. : sa stabilité ou sa résistance mécanique) résultent des incertitudes environnementales qui lui sont appliquées (ex. : conditions de vent et de houle d’un site). Elles peuvent être quantifiées en réalisant une propagation des incertitudes d’entrée au travers d’un code de calcul qui modélise la physique du système. Cependant, cette étape nécessite un grand nombre d’évaluations de ce modèle numérique, qui requièrent chacune un coût de calcul important (et ce, malgré l’utilisation de supercalculateurs). En contournement les méthodes d’« optimisation bayésienne » substituent le modèle numérique du système par un modèle d’apprentissage statistique (ou « métamodèle »), construit à partir d’un premier ensemble d’évaluations (ou plan d’expériences) du
code de calcul. Compte tenu des budgets de calcul limités, l’enjeu réside dans le choix d’une base d’apprentissage judicieuse, ainsi qu’une stratégie d’enrichissement itérative de cette base pour construire un métamodèle dédié à l’optimisation.

L’objectif de ce stage sera d’étudier les approches existantes d’optimisation bayésienne pouvant être appliquées à la conception de flotteurs d’éoliennes, en tenant compte de l’incertitudes affectant une partie des paramètres d’entrée, et sujette à diverses contraintes (dont une partie comportant l’estimation de probabilités d’événement
rares), afin d’en identifier les points forts respectifs ainsi que les limites et les verrous sur lesquels travailler

Profil souhaité

Étudiant.e en dernière année d’école d’ingénieur.e.s ou M2
Compétences en mathématiques appliquées, simulation numérique, probabilités & statistiques, programmation Python (connaissances en C++ appréciées).

Planning prévisionnel. Le déroulement de ce stage pourra s’organiser en 4 étapes :
(i) Analyse bibliographique autour de la formulation de problèmes d’optimisation robuste / optimisation sous incertitudes
et leur résolution par des méthodes d’optimisation bayésienne (par métamodèle).
(ii) Exploration de différentes formulations du problème d’optimisation avec contraintes fiabilistes.
(iii) Réalisation d’un benchmark numérique sur des cas analytiques.
(iv) Application au dimensionnement d’un flotteur éolien en mer à l’aide d’un code industriel.

Perspectives de poursuite en thèse. Un sujet de thèse CIFRE EDF R&D sous la direction de Jean-Marc Bourinet et Cécile Mattrand (Université Clermont Auvergne - LIMOS - Institut Pascal) sera proposé avec un début envisagé pour fin 2026.