Statut
Disciplines scientifiques
Direction de recherche
Expérimentation procédés
Site de rattachement
Lyon
IFPEN a l’ambition de devenir un acteur incontournable de la triple transition énergétique, écologique et numérique en proposant des solutions technologiques différenciantes en réponse aux défis sociétaux et industriels de l’énergie et du climat. La mise en place de nouvelles démarches méthodologiques couplant « data science et expérimentation » font partie des solutions en étude permettant une meilleure maitrise des outils expérimentaux. Les algorithmes d’apprentissage basés sur les séries temporelles, qui constituent la majeure partie des données générées, sont notamment en plein essor dans la littérature, qu’elles soient supervisées ou non supervisées (ARIMA, LSTM…).
La problématique de pronostic et management de la santé (communément appelé PHM : Prognostics and Health Management) est d’un intérêt certain. Il s’agit d’une discipline qui s’intéresse aux mécanismes de dégradation des systèmes en vue de l’estimation de leur état de santé, de l’anticipation de leur défaillance et de l’optimisation de leur maintenance. Par exemple, sur une unité pilote il est très difficile d’obtenir des données lors de problèmes de fonctionnement, problèmes dont l’occurrence est croissante avec la grande variabilité des produits à traiter et des conditions opératoires à explorer. Cette thèse vise à surmonter ces défis en explorant des méthodologies basées sur les données. Le choix de cette approche se justifie par la vaste diversité des données disponibles à l’IFPEN. De nouveaux essais expérimentaux pourront également être menés en complément.
Mots clefs: Data science, machine learning, prognostics and health management PHM, deep learning, Process Systems Engineering
- Directeur de thèse Dr Alexandre VOISIN, CRAN, ORCID : 0000-0002-4637-6826
- Ecole doctorale ED77 : Automatique et traitement du signal, Université de Lorraine
- Encadrant IFPEN Dr Victor COSTA, ORCID : 0000-0002-9723-8538
- Localisation du doctorant IFPEN, Solaize, France
- Durée et date de début 3 ans, début au cours du quatrième trimestre 2024 (4 novembre)
- Employeur IFPEN
- Qualifications Master en mathématiques appliquées, informatique, science des données ou génie des procédés / automatique avec une forte appétence pour la science des données.
- Connaissances linguistiques Anglais niveau B2 (CECR)
- Autres qualifications Programmation en Python
Pour postuler, merci d’envoyer votre lettre de motivation et votre CV à l’encadrant IFPEN indiqué ci-dessous