- - - - - - - - - - - -
Ce stage porte sur la modélisation multi-fidélité, une approche combinant modèles physiques et modèles basés sur les données afin d’améliorer la précision, la robustesse et l’extrapolabilité des prédictions dans un contexte industriel.
Les modèles purement physiques sont souvent complexes ou peu fiables pour l’aide à la décision en production, tandis que les modèles basés sur l’apprentissage automatique manquent d’explicabilité et généralisent mal en dehors du domaine connu. L’hybridation entre ces deux approches permet d’obtenir des modèles plus performants, à la fois fiables et rapides, pouvant être utilisés pour l’optimisation et le contrôle des procédés industriels.
Le travail comprendra :
Un état de l’art des méthodes de modélisation multi-fidélité et des bibliothèques disponibles.
L’application et l’adaptation de ces méthodes sur des cas spécifiques chez Michelin.
La proposition de nouvelles stratégies pour améliorer la modélisation des procédés industriels.
Ce projet nécessite des compétences en apprentissage automatique, mathématiques appliquées et modélisation de systèmes complexes. Il vise à fournir un code réutilisable et un rapport scientifique détaillant la démarche et les performances des modèles développés.
Dans un secteur industriel hautement concurrentiel, l’amélioration des performances des produits est essentielle pour rester parmi les leaders du marché. La maitrise de l’outil de production est essentielle pour la garantir la performance des produits, leurs coûts et pour permettre l’innovation. La simulation numérique est un formidable outil permettant de prédire le fonctionnement de l’outil de production. Toutefois, les modèles basés sur les équations de la physique sont soit trop complexe soit pas suffisamment fiable pour l’aide à la décision durant la fabrication. D’un autre côté, les modèles basés sur l’apprentissage automatique sont difficilement explicables et présentent une faible fiabilité en extrapolation. L’hybridation entre un modèle physique et un modèle de donnée peut permettre d’obtenir un modèle fiable, rapide, robuste aussi bien à l’intérieur qu’en dehors du domaine connu.
La mission commencera par un état de l’art du domaine de la modélisation multi-fidélité ainsi que des bibliothèques disponibles. Puis le travail portera sur l’utilisation des modèles sur des cas spécifique à Michelin ainsi que la proposition de nouvelles modélisations.
L’objectif du stage est de produire un rapport présentant la démarche scientifique ainsi qu’un code réutilisable facilement.
La personne retenue travaillera principalement avec des data-scientist(e)s au sein de l’équipe EXP I4.0. Elle collaborera avec une équipe pluridisciplinaire au sein de la R&D Michelin et pourra également s’appuyer sur la communauté open-source.
La personne retenue sera accueillie au sein d’un environnement scientifique riche, aura l’occasion de s’intégrer dans le flux de travail d’une entreprise multinationale, de se former aux approches les plus récentes du domaine et de contribuer à la recherche et développement de Michelin.
La personne développera ces compétences en programmation (python) ainsi qu’en modélisation de système complexe.
Etudiant(e) en 5ème année post-bac avec une spécialisation en apprentissage automatique, mathématiques appliquées, mécanique ou discipline connexe.
Le candidat idéal devra avoir des bases en python. Nous recherchons une personne motivée, capable de mener des recherches indépendantes, de s'adapter rapidement aux nouvelles technologies et de collaborer efficacement au sein de notre équipe Industrie 4.0 chez Michelin.
Niveau d’études : Bac + 5
Date : A partir de Février 2025
Durée : 6 mois
Lieux : Clermont-Ferrand
- - - - - - - - - - - -
Michelin entreprise engagée dans la mobilité durable et reconnue pour ses actions en faveur de l’expérience employé !
Pour en savoir plus sur le Groupe :https://recrutement.michelin.fr
- - - - - - - - - - - -