Offre de Stage Développement de Modèles Hybrides Physique-IA pour le Rttr H/F L'Industrie recrute

FEBUS Optics est la référence mondiale du DFOS, systèmes de capteurs à fibre optique répartis (DAS, DTS et DSS), pour réduire l'impact environnemental de l'activité humaine, protéger les populations et optimiser la production.

FEBUS fournit des équipements de pointe et des solutions clé en main basés sur ses technologies brevetées, développées par son département R&D. Forte de son expertise, de son équipe hautement qualifiée et expérimentée et de son Centre d'Essais dédié, FEBUS Optics allie excellence et fiabilité pour répondre aux défis les plus complexes dans de nombreux domaines d'application.

Implantée à l'international, FEBUS propose des équipements sur-mesure et une gamme étendue de services sur site dans le monde entier tels que :

la surveillance de câble,
la surveillance de canalisation,
le monitoring de puits de géothermie, de CO2 ou de pétrole et gaz,
l'acquisition sismique,
la surveillance des risques naturels,
la détection d'intrusion,
la surveillance de la santé des structures.

FEBUS Optics développe la solution RTTR qui permet de surveiller en temps réel la température des câbles électriques haute tension grâce à des mesures distribuées de température et à des modèles physiques, afin d'optimiser leur capacité de transport tout en garantissant leur sécurité. Ce stage vise à explorer l'apport de l'intelligence artificielle dans une approche hybride combinant modèles physiques et modèles basés sur les données, afin de mieux prendre en compte la fiabilité des estimations fournies par RTTR.

Missions principales :

Analyse du modèle existant : prendre en main le modèle physique actuel de la solution RTTR et identifier les paramètres environnementaux les plus incertains impactant la précision de l'estimation.

Conception d'approches hybrides physique-IA : étudier, concevoir et développer des méthodes d'intelligence artificielle (machine learning, deep learning, architectures neuronales avancées, modèles encoder-decoder, etc.) couplées au modèle physique afin de afin de mieux caractériser, estimer ou compenser les incertitudes associées aux paramètres environnementaux, à partir des données disponibles (mesures DTS, données relatives au sol, historique de charge électrique, etc.).

Traitement des données : mettre en place un pipeline de préparation, nettoyage et exploitation des jeux de données terrain et/ou simulés, en vue de leur intégration dans les modèles hybrides physique-IA..

Évaluation : comparer les performances des différentes approches hybrides physique IA par rapport au modèle physique de référence, sur des données réelles ou issues des campagnes de test, afin d'évaluer leur apport en termes de robustesse, de réduction des incertitudes et de précision des estimations RTTR..

Valorisation : documenter la démarche, les résultats et les recommandations, et échanger avec les équipes R&D applicative et produit en vue d'une intégration potentielle dans la solution RTTR.

Étudiant(e) en dernière année d'école d'ingénieur généraliste ou spécialisée (data science, intelligence artificielle, physique, énergie) ou en Master 2, vous souhaitez mettre vos compétences en intelligence artificielle, modélisation et analyse de données au service d'une problématique industrielle concrète, à l'interface entre modélisation physique et approches IA.