Modélisation de l'écoulement liquide-gaz en milieu poreux par un réseau de neurones profond (EN[...]

Référence

Intitulé du poste

Modélisation de l'écoulement liquide-gaz en milieu poreux par un réseau de neurones profond (ENV25-7 H/F

Type de contrat

Non-Cadre ou Catégorie B

Disponibilité du poste

Fontenay-aux-Roses

Environnement / Organisation / Contexte

L'Autorité de sûreté nucléaire et de radioprotection est une autorité administrative indépendante, créée par la loi du 21 mai 2024 relative à l'organisation de la gouvernance de la sûreté nucléaire et de la radioprotection. L'ASNR assure, au nom de l'État, le contrôle des activités nucléaires civiles en France et remplie des missions d'expertise, de recherche, de formation et d'information des publics. L’ASNR se compose de fonctionnaires, d’agents de droit public et de salariés de droit privé, et est soumise au code général de la fonction publique. Ses personnels sont soumis à l’obligation de neutralité et au respect des principes de laïcité.

En qualité de doctorant, vous rejoindrez le Service des Pollutions et Déchets Radioactifs (SPDR), au sein de la Direction de la Recherche et de l’Expertise en Environnement. Le SPDR réalise des expertises, des études et des recherches relatives à la sûreté des installations de stockage, existantes et en projet, ainsi qu’à celle des anciens sites miniers d’uranium français. Afin d’assurer ces missions, le SPDR s’appuie sur l’Unité d’Expertise et de Modélisation des Installations de Stockage de déchets radioactifs (UEMIS), dont vous viendrez renforcer la capacité d'expertise de la sûreté du stockage géologique de déchets radioactifs, notamment par des compétences en programmation et modélisation.

Description du poste

L'objectif de cette thèse est de développer des modèles de réseaux de neurones (RNs) profonds informés par la physique (PINNs) capables de simuler des processus couplés Thermo-Hydro-Mécanique-Gaz (THM-Gaz) se produisant sur plusieurs dizaines à centaines de milliers d'années au sein de l'installation Cigéo, actuellement en projet. Cette transition résulte de la re-saturation des ouvrages souterrains par les eaux de la roche hôte du Callovo-Oxfordien (COx) et de leur désaturation par le dihydrogène produit par corrosion anoxique des métaux dans le stockage, et pourrait faire monter la pression de gaz voire fracturer la roche. De tels modèles permettraient d’éviter l'utilisation des codes numériques difficiles à faire converger (basés sur une modélisation macroscopique darcienne des transferts), en particulier pour des études à grande échelle spatiale. Cette thèse pourra donner lieu à une première version d'une plateforme logicielle d'intelligence artificielle pour l'étude des transferts en milieux poreux, basée sur un apprentissage profond de ces RNs qui consistera à résoudre les équations de l'écoulement mono- et diphasique non-isotherme en milieu poreux hétérogène déformable pour étudier le problème de l'hydromécanique.

Le développement de modèles de PINNs pour la résolution des problèmes d'écoulement et de transferts en milieu poreux sera réalisé en deux étapes : (i) cas monophasique en eau et (ii) cas diphasique eau-gaz. Au cours de la première étape, il s'agira de généraliser un modèle de PINNs développé récemment pour résoudre le problème couplé d'écoulement d'eau, de transport de soluté et de transfert thermique en 2D et 3D. À cette occasion, il (elle) testera différents modèles de PINNs avec une méthode auto-adaptative des points de collocation ou une méthode permettant de réduire l'ordre des dérivées et d'améliorer la stabilité de la solution. Au cours de la seconde étape, le modèle de PINNs sélectionné à l'issue de l'étape (i) sera utilisé pour résoudre le problème de l'écoulement diphasique liquide-gaz en milieu poreux.

Pour faciliter ce développement, le (la) doctorant(e) se basera sur les travaux récemment réalisés : recensement de différents modèles de PINNs, utilisation de la bibliothèque NeuralPDE-Solver et d'un nouveau modèle de PINNs de résolution de l'équation d'écoulement d'eau en milieu poreux non saturé (Richards).

A chaque étape de développement, le (la) doctorant(e) utilisera des solutions analytiques et/ou des codes numériques (ex. TOUGH-MP, FENICs, JAX…) afin de s'assurer de la robustesse des modèles de PINNs développés. L'apprentissage des RNs se fera à l'aide des bibliothèques PyTorch ou JAX.

Enfin, les résultats seront validés à travers les modèles numériques représentant certaines expérimentations au laboratoire ou in-situ, et éventuellement une composante de l'installation de stockage étudiées par l'ASNR.

Profil recherché

• Analyse numérique et calcul scientifique
• Programmation
• Data‑science
• Python (PyTorch)

Diversité

La diversité est une des composantes de la politique RSE, RH et Qualité de Vie au Travail à l’ASNR. Nous accordons la même considération à toutes les candidatures, sans discrimination, pour inclure tous les talents. Quelles que soient les différences, nous souhaitons attirer, intégrer et fidéliser nos candidats et nos collaborateurs au sein d’un environnement de travail inclusif. L’ASNR conduit une politique active depuis de nombreuses années en faveur de l'égalité des chances au travail et l'emploi des personnes handicapées. Si vous êtes en situation de handicap, n'hésitez pas à nous faire part de vos éventuels besoins spécifiques afin que nous puissions les prendre en compte.

Localisation du poste

Fontenay-aux-Roses