Job Description

À la tête des entreprises qui s’engagent vers un avenir plus vert, Alstom développe et commercialise des solutions de mobilité qui apportent les fondements durables pour l'avenir des transports. Notre portefeuille de produits s'étend des trains à grande vitesse, métros, monorails et tramways jusqu’aux systèmes intégrés, services sur mesure, infrastructures, signalisation et solutions de mobilité numérique. Nous rejoindre, c'est rejoindre une entreprise bienveillante, responsable et innovante où plus de 70 000 personnes ouvrent la voie à une mobilité plus verte et plus intelligente, dans le monde entier.

Notre site Alstom, situé à Ornans (30 min de Besançon / 1h de Dijon), est le Centre d’Excellence en matière de conception et de fabrication des moteurs de traction et d'alternateurs qui équipent toute la gamme de matériel roulant dans le monde. Notre site industriel d'environ 350 salariés, travaille sur une vaste gamme de produits et services dans un secteur en croissance porté par des innovations technologiques.

Dans le cadre d’un stage d'une durée de 3 à 6 mois nous recherchons : Stagiaire H/F - Data Scientist en simulations acoustiques

SUJET : Développement d'une approche d'IA informée par la physique pour la prédiction du bruit magnétique sous alimentation MLI

A NOTER : ce stage pourra donner lieu à une poursuite dans le cadre d'un suivi de thèse

Le secteur ferroviaire doit répondre à des exigences croissantes de confort acoustique, de performance et de compétitivité. Les moteurs électriques de traction génèrent un bruit d’origine électromagnétique, dit bruit magnétique, qui peut devenir prépondérant sur certaines plages de fonctionnement.

Alstom dispose d’une chaîne de simulation multiphysique performante sous alimentation sinusoïdale, mais la prédiction sous alimentation MLI reste complexe en raison de phénomènes tels que l’amortissement, les non-linéarités et les dispersions de fabrication. Le patrimoine de données d’essais acoustiques, vibratoires et électriques offre l’opportunité d’enrichir les modèles physiques par l’intelligence artificielle.

Le stage vise ainsi à structurer les données disponibles, identifier les paramètres influents et développer un POC de modèles IA informée par la physique (PIMS) pour améliorer la prédiction du bruit magnétique sous alimentation MLI. Il constitue une étape préparatoire à une poursuite en thèse, destinée à approfondir et industrialiser l’approche d’IA informée par la physique initiée durant le stage.

VOS MISSIONS :

1/ Prise en main du sujet et état de l’art

• Comprendre les mécanismes de génération du bruit magnétique et les fondamentaux de la vibroacoustique.
• Découvrir les outils, méthodes, processus et données utilisés chez Alstom.
• Réaliser un état de l’art sur la modélisation physique, les approches d’IA informée par la physique et l’IA appliquée au bruit électromagnétique.

Livrable : rapport d’état de l’art et synthèse des verrous scientifiques et industriels sous alimentation MLI. 2/ Recensement et qualification des données disponibles

• Identifier et centraliser les données d’essais 2 MW, de simulations multiphysiques, de conception et de commande MLI.
• Évaluer leur qualité, leur complétude et leur représentativité pour l’apprentissage automatique.
• Sélectionner les variables pertinentes et définir l’architecture de la future base de données.

Livrable : base de données structurée et documentée, avec une première sélection des variables d’intérêt. 3/ Analyse exploratoire des données

• Analyser les liens entre paramètres de conception, conditions de fonctionnement et indicateurs acoustiques.
• Identifier et hiérarchiser les facteurs influents : stratégie MLI, vitesse, charge, température, sens de rotation et paramètres de design.
• Étudier la variabilité et les dispersions expérimentales pour orienter l’analyse de sensibilité et la quantification des incertitudes.

Livrable : rapport d’analyse exploratoire des données. 4/ Développement d’un démonstrateur de prédiction du bruit magnétique

• Développer et évaluer plusieurs modèles de machine learning à partir des données d’essais et de simulation.
• Mesurer l’apport des résultats multiphysiques comme variables d’entrée.
• Comparer les approches données seules et physique + données afin d’identifier la meilleure base pour un futur modèle d’IA informé par la physique.

Livrable : POC de prédiction du bruit magnétique et comparaison des performances des approches testées. 5/ Synthèse et préparation des travaux de thèse

• Analyser les résultats et les limites des données et modèles développés.
• Définir les orientations méthodologiques du futur modèle d’IA informé par la physique.
• Établir une feuille de route scientifique et technique pour trois années de doctorat : besoins en données, axes prioritaires et indicateurs de performance.

Livrable : rapport de synthèse, recommandations pour le démarrage de la thèse et perspectives de développement.

VOTRE PROFIL :

Formation : élève-ingénieur(e) ou étudiant(e) en Master 2, avec une spécialisation en Data Science, Intelligence Artificielle, Mécanique, Mathématiques appliquées.

Compétences :

• Machine Learning et statistiques ;
• Traitement et analyse de données industrielles ;
• Python : Pandas, Scikit-learn et PyTorch ou TensorFlow ;
• Rigueur scientifique, autonomie, esprit d’analyse et capacité de synthèse ;
• Intérêt pour la vibroacoustique, les systèmes ferroviaires et la modélisation multiphysique ;
• intérêt marqué pour une poursuite en thèse à l’issue du stage, dans la continuité scientifique du sujet.