Post-Doctorant Modèles d'Apprentissage Basés sur la Physique pour la Prévision de la Flexibilité Électrique des Véhicules Électriques H/F

INRIA

Post-Doctorant F/H Modèles d'apprentissage basés sur la physique pour la prévision de la flexibilité électrique des véhicules électriques

Type de contrat : CDD

Niveau de diplôme exigé : Thèse ou équivalent

Fonction : Post-Doctorant

A propos du centre ou de la direction fonctionnelle

The Centre Inria de l'Université de Grenoble groups together almost 450 people in 26 research teams and 9 research support departments.

Staff is present on three campuses in Grenoble, in close collaboration with other research and higher education institutions (Université Grenoble Alpes, CNRS, CEA, INRAE, ...), but also with key economic players in the area.

The Centre Inria de l'Université Grenoble Alpes is active in the fields of high-performance computing, verification and embedded systems, modeling of the environment at multiple levels, and data science and artificial intelligence. The center is a top-level scientific institute with an extensive network of international collaborations in Europe and the rest of the world.

Contexte et atouts du poste

Cette recherche porte sur le développement de cadres de modélisation hybrides pour l'électromobilité, combinant modèles physiques, représentations graphiques et approches basées sur les données. Elle vise à intégrer des données de mobilité à grande échelle afin d'améliorer la prévision des flux de véhicules, de la demande énergétique et de la flexibilité des flottes de véhicules électriques, avec des applications aux systèmes énergétiques et de transport. Ce travail se situe à l'intersection des systèmes et du contrôle, de la science des données et des systèmes énergétiques, avec des applications dans la mobilité intelligente, l'intégration des véhicules électriques et la gestion des réseaux électriques. Il contribue à la conception d'outils d'aide à la décision pour la planification des infrastructures, l'optimisation énergétique et la mobilité urbaine durable.

Mission confiée

Ce poste est axé sur le développement d'un modèle hybride d'électromobilité au sein de la plateforme eMob-Twin, combinant des données de mobilité à grande échelle fournies par les opérateurs télécoms avec des approches basées sur la physique et l'analyse de données. Le/la candidat(e) travaillera à la calibration des modèles à l'aide de données Origine-Destination (haute résolution temporelle et spatiale), dans le but d'améliorer la prédiction des schémas de mobilité des véhicules électriques (VE), de la demande énergétique et de l'état de charge (SoC) dans le temps et l'espace. Le travail comprendra la conception de cadres de modélisation avancés intégrant des représentations graphiques, la dynamique des systèmes et l'apprentissage basé sur la physique, ainsi que la mise en oeuvre et la validation de ces modèles à l'aide de données réelles. Les modèles développés seront intégrés à la plateforme logicielle eMob-Twin (emob-twin.fr), permettant la simulation et l'évaluation de scénarios liés à la planification des infrastructures de recharge, à l'intégration au réseau et aux services véhicule-réseau (V2G). Le projet se concentrera initialement sur la métropole grenobloise, avec pour objectif de développer des méthodes adaptables et transposables à d'autres régions à l'échelle internationale. Ce poste s'inscrit dans le cadre d'un programme de maturation Linksium/UGA, mettant l'accent sur le rapprochement de la recherche et des applications concrètes, et contribuant au développement d'un outil opérationnel pour les décideurs des systèmes de mobilité et d'énergie.

Principales activités

• Traiter les données de mobilité (provenant des opérateurs de télécommunications mobiles) afin de comprendre les tendances de mobilité locales. Imputer ensuite les données manquantes et nettoyer l'ensemble de données pour l'application du modèle.
• Construire des graphes représentant les flux de mobilité et les trajectoires des véhicules électriques à partir des données collectées.
• Repenser le modèle afin d'intégrer des trajectoires non linéaires plus complexes en supprimant les contraintes de la structure de graphe biparti initiale.
• Intégrer les bornes de recharge comme noeuds du modèle, en tenant compte de leur capacité et de leurs tarifs.
• Calibrer le modèle à l'aide de données réelles et de méthodes PIL afin d'améliorer sa précision prédictive. - Intégrer le modèle amélioré.

Compétences

Le/la candidat(e) doit posséder de solides connaissances en mathématiques appliquées, en automatique ou dans des domaines connexes, et notamment dans plusieurs des domaines suivants: Théorie des graphes et modélisation de réseaux Systèmes dynamiques et modélisation physique (EDO/EDP, systèmes multi-agents) Méthodes d'optimisation et d'identification de paramètres Modélisation basée sur les données et apprentissage automatique Apprentissage informé par la physique (ou approches de modélisation hybrides) Gestion et analyse de grands ensembles de données (par exemple, données de mobilité, matrices origine-destination) Maîtrise de la programmation pour le calcul scientifique (Python, MATLAB ou équivalent) Une connaissance des applications dans les systèmes de mobilité, de transport ou énergétiques (par exemple, véhicules électriques, réseaux intelligents) est un atout majeur

Avantages

• Repas subventionnés

• Remboursement partiel des frais de transport en commun

• Congés : 7 semaines de congés annuels + 10 jours de congés supplémentaires au titre de la réduction du temps de travail (RTT) + possibilité de congés exceptionnels (enfants malades, déménagement, etc.)

• Possibilité de télétravail et d'aménagement flexible des horaires de travail

• Matériel professionnel mis à disposition (vidéoconférence, prêt de matériel informatique, etc.)

• Événements et activités sociaux, culturels et sportifs

• Accès à la formation professionnelle

• Couverture sociale

Rémunération

• Salaire mensuel 2788€ brut