Mise en place de méthodes de réconciliation de données (Data Validation and Reconciliation) pour la gestion de sites de stockage de gaz souterrains

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.

Mise en place de méthodes de réconciliation de données (Data Validation and Reconciliation) pour la gestion de sites de stockage de gaz souterrains

La gestion des sites de stockages de gaz en sous-sols doit évoluer vers une plus grande flexibilité pour répondre à la demande de plus en plus tendue sur le marché du gaz. La mise en place d'outils permettant un pilotage avancé des sites se généralise.

L'approche de validation et réconciliation de données (DVR en anglais) qui corrèle les données mesurées aux données calculées par des modèles physiques permet de fiabiliser la mesure et de détecter les dérives de capteurs ou les disfonctionnements du système.

Cette approche se base sur une minimisation de l'erreur des mesures et de l'erreur des modèles lorsqu'il y a redondance d'informations (nombre d'équations supérieur aux variables au problème) et produit des valeurs réconciliées avec une plus faible incertitude que celle des mesures.

Objectif

Dans ce stage, on propose de mettre en place la méthodologie et de tester différentes formulations du problème d'optimisation sous incertitude.

Cette méthodologie généralement utilisée dans le domaine de la production pétrolière et en génie des procédés peut s'appliquer à d'autres systèmes où les mesures et les modèles contribuent à un haut niveau d’une redondance.

Profil

Étudiant(e) M2 en optimisation / incertitudes / machine learning