STAGE de fin d'études - Développement d’un modèle IA de substitution pour la simulation hydrodynamique des rivières et des estuaires

About this role

Contexte Les modèles numériques hydrodynamiques permettent de représenter avec précision les écoulements en rivière et en estuaire. Ils peuvent toutefois nécessiter des temps de calcul importants lorsqu’il s’agit d’explorer un grand nombre de configurations, de produire rapidement des prévisions ou de tester différents scénarios d’aménagement et de fonctionnement. Les méthodes d’intelligence artificielle offrent la possibilité de construire des modèles de substitution , ou surrogate models , capables de reproduire certaines sorties d’un modèle hydrodynamique avec un temps de calcul très réduit.

Ces approches peuvent être uniquement fondées sur les données ou intégrer, à différents niveaux, les lois physiques régissant les écoulements. Objectif du stage L’objectif du stage est de développer et d’évaluer une approche d’intelligence artificielle capable de prédire rapidement certaines grandeurs hydrodynamiques caractéristiques d’une rivière ou d’un estuaire, à partir d’une base de simulations numériques ou de données existantes.

Approches étudiées Plusieurs familles de modèles pourront être comparées : Un réseau de neurones fondé sur les données , utilisé comme approche de référence ; Une approche de type Physics-Informed Neural Network, ou PINN , intégrant explicitement certaines équations physiques ainsi que des conditions initiales ou aux limites, sous réserve de sa faisabilité dans le cadre du stage ; Une approche hybride ou un modèle de substitution physiquement contraint , constituant une solution intermédiaire si la mise en œuvre d’un PINN complet s’avère trop coûteuse, trop complexe ou difficile à entraîner.

Vos missions Votre tuteur accompagnera votre progression sur les missions suivantes : réaliser une revue bibliographique ; identifier et préparer un cas d’application en rivière ou en estuaire , pouvant notamment s’appuyer sur un modèle TELEMAC existant ; constituer et structurer une base de données d’apprentissage et de validation ; développer une première approche fondée uniquement sur les données , utilisée comme modèle de référence ; explorer, selon l’avancement du stage, une approche PINN ou hybride physiquement contrainte , permettant d’introduire certaines connaissances physiques dans l’apprentissage ; quantifier les performances en termes de précision, robustesse et temps de calcul ; identifier les domaines d’application et les limites ; synthétiser la démarche, les résultats et les recommandations.