Active Learning pour les modèles d'apprentissage de flash diphasiques

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. Depuis les concepts scientifiques en recherche fondamentale jusqu’aux solutions technologiques en recherche appliquée, l’innovation est au cœur de son action, articulée autour de quatre orientations stratégiques : climat, environnement et économie circulaire ; énergies renouvelables ; mobilité durable ; hydrocarbures responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur l’apport de solutions aux défis sociétaux et industriels de l’énergie et du climat, au service de la transition écologique. Partie intégrante d’IFPEN, IFP School, son école d’ingénieurs, prépare les générations futures à relever ces défis.

Active Learning pour les modèles d’apprentissage de flash diphasiques

Des travaux de thèse IFPEN (2020-2023) ont permis d’obtenir des modèles d’apprentissage avec des garanties sur la solution pour la prédiction de calculs de flash diphasiques. Par la suite, des travaux de post-doc (2023-2024) ont permis l’implémentation d’une partie de ces travaux dans le code de CFD Converge. Les tests récents sur des cas tests industriels ont mis en évidence de bons résultats mais aussi certaines failles du modèle sur des calculs très spécifiques autour notamment des courbes de changement de phase.

Objectif

L’objectif de ce stage est d’améliorer les modèles développés grâce à des méthodes d’Active Learning, c’est-à-dire de génération « intelligente » des données : l’idée est de coupler itérativement les algorithmes d’apprentissage à la génération de donnée pour permettre d’apprendre spécifiquement sur les frontières de classe (pour la classification) et sur les zones à fort gradient (pour la régression).

Pour ce faire, on pourra s’appuyer sur des travaux préliminaires effectué lors d’un mini-projet encadré à Centrale/Supéléc en 2023 qui a montré des résultats significatifs mais seulement sur des cas tests académiques non liés à la thermodynamique.

Profil

M1 en apprentissage automatique