Thèse 2021-2024 : méthodes d'apprentissage profond pour la modélisation des conséquences extrêmes d'une inondation
Contrat: 
CDD
Durée: 
3 ans
Agence: 
Résumé: 

Contexte : Les inondations dues à la rupture par brèche d'une digue fluviale de protection sont une question sociétale majeure dont le risque augmente dans le contexte de changement climatique. Les dommages extrêmes sur un territoire donné avec ses enjeux ne sont pas nécessairement causés par les aléas naturels extrêmes (haute intensité - faible probabilité), la position et l’ampleur de la brêche sont aussi des facteurs d’intérêt étudiés dans cette thèse. La question posée est donc : pour une crue et un type de dommage donnés, quelles sont les hypothèses de rupture par brèche qui entraînent des dommages extrêmes ?

 

Missions: 

L’objectif scientifique est de maximiser les dommages en fonction des paramètres de rupture par brèche (position, ouverture, loi débit hauteur, etc.). Formellement, il s'agit d'un problème d'optimisation non linéaire qui représente actuellement un verrou scientifique et technologique. Malgré l'augmentation continue des ressources informatiques, celles-ci sont insuffisantes pour utiliser les codes de calculs physiques actuels de type élements finis. Depuis quelques années, de nouvelles méthodes numériques apparaissent, qui permettent de traiter différemment et avec efficacité des problèmes complexes et de grande dimension, notamment en Mécanique, basées sur les réseaux de neurones profonds et structurés physiquement informés. Le travail consiste à développer un modèle numérique de ce type, avec un solveur de type Deep-Learning, permettant d’estimer le scénario de rupture qui entrainera le plus de dommages. Tout au long des développements, dont la complexité sera progressive, la pertinence et l'efficacité de cette nouvelle génération de modèles seront évaluées sur des études de cas en France, à partir de données historiques d'inondation, et d'informations actuelles.

 

Présentation du laboratoire : Recover est une UMR Inrae (Institut national de recherche pour l’agriculture, l’alimentation et l’environnement, www.inrae.fr) et Aix-Marseille Université. Les recherches de Recover à Aix-en-Provence se focalisent  sur  les  risques  environnementaux  (risques  naturels,  technologiques,  risques  pour  les  écosystèmes),  dans  le  contexte  d’une  pression  anthropique  en  augmentation,  et  de  l’évolution  du  climat. L’équipe Géomécanique Génie-Civil Décision Risque (G2DR) mène des recherches en Géomécanique et Génie-Civil, appliquées aux systèmes environnementaux et aux ouvrages hydrauliques (barrages et digues).

 

Encadrement et contexte : L'encadrement de thèse sera assuré par Stéphane Bonelli (DR INRAE) et Moez Jellouli (ISL), qui ont une expérience solide dans la modélisation numérique des ouvrages hydrauliques (barrages, digues). Le doctorant évoluera au sein d'un collectif de scientifiques rompus à la Mécanique et au Deep Learning. Il sera également plongé dans les réseaux professionnels nationaux (CFBR et France Digues) et internationaux

Profil: 
  • Ingénieur ou Master Mathématiques et Applications ou Master Calcul Scientifique
  • Goût pour la modélisation numérique
  • Curiosité, autonomie et esprit d’initiative

 

Compétences requises :

  • Maitrise de la programmation en Python (+Panda, Numpy, ...)
  • Solides connaissances en méthodes numériques et applications avec une première expérience
  • Capacité à lire, écrire et parler (exposés, discussions) en anglais
  • Des connaissances en intelligence artificielle, calcul sur GPU, sont un plus

 

Référence de l'annonce: 
These2021