Stage 5Mois - Contrôle et Optimisation Machine Absorption par IA H/F CEA

La consommation excessive d'énergies fossiles est principalement responsable de la crise climatique actuelle. Notamment, les besoins énergétiques du secteur industriel représentent un tiers de cette consommation nocive. De ce fait, s'engager pour la réduction de la consommation énergétique industrielle et sa décarbonation est nécessaire.
Le CEA a développé divers cycles thermodynamiques basés sur l'absorption NH-HO permettant de produire du froid et/ou de la chaleur décarbonée. En effet, ces machines à absorption ont plusieurs caractéristiques avantageuses dont : valorisation des rejets de chaleur fatale industrielle, demande énergétique négligeable, impact environnemental très faible du fluide de travail NH-HO. Ainsi, ce sont des technologies prometteuses pour accompagner les industriels dans la réduction de leur consommation énergétique et la décarbonation de leurs procédés.
Afin de déployer ces technologies, il est primordial d'optimiser leur fonctionnement et d'améliorer leur contrôle. L'objectif de ce stage est donc d'étudier le couplage d'un algorithme de Machine Learning avec les machines à absorption pour faciliter le contrôle commande de leurs utilisations soumises à des contraintes variables. Il s'agit donc d'un projet transversal impliquant diverses compétences et avec un haut potentiel de développement qui pourra se poursuivre avec une thèse.
Particulièrement, le stage sera encadré par deux laboratoires du CEA LITEN sur le site de l'INES (Institut National de l'Energie Solaire) au Bourget-du-Lac (73370) et comprend une partie théorique et une partie expérimentale :
- Développer une méthodologie de traitement par Machine Learning de bases de données de machine à absorption. Cette partie sera assistée par le LSET (Laboratoire des Systèmes Energétiques pour les Territoires)
- Tester l'algorithme développé sur des prototypes de machines à absorption au L2TS (Laboratoire des Technologies Thermodynamiques et Solaires).
La personne recherchée pour rejoindre notre équipe doit être polyvalente avec une maîtrise solide des algorithmes de Machine Learning et une appétence pour la thermodynamique appliquée.