Apprentissage actif pour des entrées fonctionnelles : application à la conception fiabiliste d’éolienne

De nombreuses applications à IFPEN reposent sur des simulateurs coûteux en temps de calcul qui prennent en entrée des variables scalaires mais aussi des variables fonctionnelles représentant par exemple la géométrie de pièces mécaniques, des processus spatio-temporels de conditions environnementales (comme le vent). Dans ce contexte de simulateurs coûteux, il est souvent nécessaire d’avoir recours à un modèle de substitution pour évaluer à moindre coût la sortie d’intérêt du simulateur pour un grand nombre de valeurs des paramètres en entrée. Le modèle de substitution est généralement construit de façon adaptative (active learning), à partir de simulations associées à un plan d’expériences initial de taille restreinte. Ce plan est par la suite enrichi à l’aide de critères adaptés à la finalité opérationnelle, comme l’optimisation des quantités d’intérêt ou l’estimation d’ensemble de paramètres admissibles. En présence de variables fonctionnelles en entrée du simulateur, les approches de méta-modélisation et de planification d’expériences doivent être adaptées. Les approches classiques reposent sur des méthodes de réduction de dimension ou d’extraction de caractéristiques (feature extraction), les variables fonctionnelles étant ensuite représentées dans l’espace réduit ainsi défini. L’étape préliminaire de réduction de dimension induit nécessairement une perte d’information qu’il convient de quantifier, voire de contrôler pendant la procédure. 
L’objectif de la thèse est de développer des approches d’apprentissage actif pour la construction d’un modèle de substitution prenant en entrée des variables fonctionnelles et des variables scalaires, en travaillant directement dans l’espace fonctionnel des entrées, et donc sans réduction de dimension préliminaire. Les méthodes développées pourront être évaluées sur plusieurs applications en optimisation de formes et pour l’estimation des domaines admissibles dans le domaine éolien.

Mots clefs: Apprentissage actif, incertitudes, optimisation, plans d’expériences

Directrices de thèse    Prof. Clémentine PRIEUR, LJK, INRIA Airsea & HDR, Céline HELBERT, ECL, ICJ
Ecole doctorale    ED 217 MSTII, Université Grenoble Alpes 
Encadrante IFPEN     Dr Delphine SINOQUET, ORCID : 0000-0002-3365-2051
Localisation du doctorant    LJK, INRIA, Grenoble, France & IFPEN, Rueil-Malmaison, France 
Durée et date de début    3 ans, début au cours du quatrième trimestre 2024 (4 novembre)
Employeur    IFPEN
Qualifications    Master en Mathématiques 
Connaissances linguistiques    Anglais niveau B2 (CECR)     
Autres qualifications    Statistiques, apprentissage, optimisation, programmation en R et/ou Python 

Pour postuler, merci d’envoyer votre lettre de motivation et votre CV à l’encadrant IFPEN indiqué ci-dessous.