Stage Data Science Conception d'Un Simulateur d'Échantillonnage Avancé pour l'Optimisation des Mesures sur Matières Solides H/F Veolia Environnement

- Objectifs

Dans le cadre des projets de recherche menés chez DEST, nous avons de nombreux moyens analytiques pour mesurer les propriétés de matières solides en vue de déterminer leur composition, ou d'analyser leur impact sur l'environnement, ou bien d'étudier leur recyclabilité, entre autres exemples. Ces matières se présentent souvent sous forme de gisements, en vrac, avec des mélanges non homogènes, une granularité variée, et la possibilité d'effets pépites qui faussent les résultats. Leur analyse nécessite des méthodes de prélèvement et d'échantillonnage rigoureuses, afin d'obtenir des échantillons représentatifs de l'ensemble du gisement.

La théorie de Gy donne un cadre scientifique reconnu pour l'échantillonnage des matières solides. Elle permet de modéliser et de quantifier les erreurs d'échantillonnage lors de la prise d'échantillons de matériaux hétérogènes. Cette théorie fournit des outils mathématiques pour optimiser les protocoles d'échantillonnage, en tenant compte des paramètres physiques et statistiques, afin de garantir la représentativité des échantillons et de minimiser l'erreur de mesure.

Dans le cadre de ce stage, la théorie de Gy sera utilisée pour modéliser l'impact des choix d'échantillonnage sur la précision des analyses, le but final sera de développer un simulateur permettant de tester différents scénarios d'échantillonnage.

Vous aurez l'opportunité de mettre en pratique vos compétences en data science et statistiques sur des données réelles issues de problématiques industrielles concrètes, en développant un outil innovant qui contribuera directement à l'excellence scientifique et aidera de nombreux contributeurs clés sur les thématiques de transition écologique.

- Missions principales

Vous ferez partie de l'équipe Calcul Scientifique et Modélisation et collaborerez avec une équipe projet multi-profils. Vos principales missions seront, mais sans s'y limiter :

- Réaliser une étude bibliographique sur les méthodes d'échantillonnage, les modèles génératifs (GANs, VAE) et les outils de data visualisation adaptés
- Prendre en main la théorie de Gy (Pierre Gy) pour l'échantillonnage des matières solides et comprendre ses enjeux dans le contexte industriel
- Concevoir un modèle mathématique permettant de simuler l'impact des paramètres d'échantillonnage sur l'erreur de mesure, l'évaluer et le valider
- Explorer et implémenter des modèles génératifs (GANs, VAE) pour simuler des distributions de particules réalistes dans les gisements, permettant de créer des scénarios d'échantillonnage variés et représentatifs
- Développer un simulateur informatique (Python ou R) permettant d'intégrer le modèle, de tester différents scénarios d'échantillonnage et d'optimiser les protocoles, avec une interface permettant de choisir les paramètres et de présenter les résultats de manière claire et intuitive
- Développer un modèle de recommandation intelligent utilisant des techniques de machine learning pour suggérer automatiquement les paramètres d'échantillonnage optimaux selon les caractéristiques spécifiques du gisement
- Implémenter des techniques d'explicabilité (SHAP/LIME) pour analyser et visualiser l'impact de chaque paramètre sur les résultats, facilitant la compréhension et la prise de décision
- Présenter les travaux réalisés sous forme de rapport, de présentations, de démonstrations de l'outil, de manuel utilisateur