Génération conditionnelle de vents par apprentissage de réseaux génératifs sur données réelles

La crise énergétique actuelle couplée à une situation climatique inédite amène l’énergie éolienne terrestre ou offshore sur le devant de la scène. Depuis de nombreuses années IFPEN a orienté ses axes stratégiques pour devenir un acteur majeur de la transition énergétique et permettre à l’éolien de devenir compétitif. Pour optimiser le comportement des éoliennes (augmentation du rendement, suivi de la fatigue, …)  Il est indispensable de définir en entrée un profil de vent réaliste et avéré auquel les éoliennes sont exposées. Ces profils de vents peuvent être synthétiques (simulateurs stochastiques ne reproduisant qu’une part limitée des vents réels) ou issus de mesures expérimentales de télédétection LIDAR (limité aux types de vent présent pendant la campagne d’acquisition). L’objectif de cette thèse est de rendre possible la génération de champs de vents synthétiques, mais plausibles, par apprentissage sur une base de données classifiée de champs de vent « avérés ». 
Durant cette thèse, il s’agit donc d’effectuer une typologie des vents avérés subis par l’éolienne et de construire ainsi une base de données de vents réalistes.  Il s’agira également de définir une architecture générative de type Time-GAN (Time - Generative Adverse Network) capable de produire des profils de vents. Dans un premier temps, on validera cette architecture en la confrontant à des profils de vents issus des simulateurs stochastiques actuels. Une fois définie et validée dans le cadre contrôlé de la simulation, cette architecture pourra être challengée sur des données réelles issues de campagnes expérimentales. En effet, les mesures de données LIDAR auxquelles l’étudiant aura accès permettent par l’usage d’algorithme de traitement adapté et maitrisés à IFPEN de générer une estimation des champs de vent représentatifs de ce à quoi l'éolienne est exposée.

Mots clefs : Generative models, Time Series Data Generation · Generative Adversarial Network · Deep Neural Network · Data Augmentation · Synthetic Data Generation

• Directeur de thèse    Directeur de l’UFR de Science, DUMAS Laurent, UVSQ , ORCID 
• Ecole doctorale    Université Paris-Saclay – Mathématique Hadamard
• Encadrant IFPEN     Docteur, LECOMTE Jean-François, Ingénieur R&I, R114,  jean-francois.lecomte@ifpen.fr, ORCID 
• Localisation du doctorant    IFP Energies Nouvelles, Rueil-Malmaison, France    
• Durée et date de début    3 ans, début au cours du quatrième trimestre 2023
• Employeur    IFP Energies Nouvelles, Rueil-Malmaison, France 
• Qualifications    Master data science ou équivalent 
• Connaissances linguistique    Bonne maîtrise du français indispensable, anglais souhaitable 
• Autres qualifications    Connaissances en Deep Learning et Réseau génératif.