Ingénieur de recherche Mécanique F/H Paris

Il est indispensable dans les sciences et l'ingénierie de pouvoir faire des prévisions rapides et précises lorsque de nombreux scénarios doivent être analysés afin d'évaluer les risques, d'optimiser les conceptions ou de propager l'incertitude. Pour atteindre les performances de calcul requises, la réduction de l'ordre des modèles a permis d'obtenir des réponses en temps quasi réel. Un tel modèle réduit permet de fonctionner dans des conditions de temps réel strictes et, plus particulièrement, d'évaluer de nombreux scénarios dans des contextes probabilistes. Cependant, les modèles ne sont souvent pas assez précis. Dans ces circonstances, il existe un écart entre les valeurs simulées et les mesures. Deux procédures principales permettent de traiter les scénarios mentionnés ci-dessus, qui présentent de faibles capacités de prévisibilité. La première repose sur l'utilisation de l'apprentissage informé par la physique, l'autre consiste à augmenter la solution basée sur la physique en ajoutant le modèle de l'écart qui peut être appris à partir de l'utilisation de n'importe quelle technologie de régression.