Ce stage sera réalisé à Saclay, au sein du Service du Confinement et de l'Aérodispersion des polluants (SCA) de l'ASNR, dont la mission principale est de réaliser des travaux de recherche et des études sur la caractérisation de l'émission de polluants, leur transfert et leur confinement dans les installations nucléaires, en situations normales et accidentelles.

Il s'inscrit dans le cadre d'une collaboration entre le SCA de l'ASNR, le Laboratoire d'Aéraulique, VentilAtion, Thermique et qualité d'AiR (AVATAR) de l'INRS et le Laboratoire Energie & Mécanique Théorique et Appliquée (LEMTA) de l'Université de Lorraine.

Cette collaboration, initiée en 2025, vise à développer une méthode de super-résolution des champs de concentration d'aérosols dans des locaux ventilés par l'utilisation de méthodes d'apprentissage profond. Ce stage constitue la première étape du projet.

L'évaluation de la contamination atmosphérique dans des locaux ventilés d'installations nucléaire, en situation nominale ou accidentelle d'émission d'un polluant de nature chimique, biologique ou radioactive, constitue un enjeu important pour la santé des travailleurs. Cependant, les mesures réalisées sur site sont souvent ponctuelles, parcellaires et finalement insuffisantes pour fournir des données représentatives de la réalité dynamique des émissions d'aérosols. Face à ce constat, l'utilisation d'outils d'apprentissage profond offrent une piste prometteuse afin de reconstruire des champs de concentrations d'aérosols à partir de telles données.

Ce stage porte sur l'application de méthodes d'apprentissage profond pour la résolution des équations de mécanique des fluides dans un local ventilé. Il vise à identifier et comparer les architectures d'apprentissage profond les plus adaptées à la reconstruction de champs d'écoulement à partir de données numériques incomplètes.

Le travail s'articulera autour de deux phases :
1. Étude bibliographique : recenser et analyser les approches d'apprentissage profond intégrant la physique, telles que les Physics-Informed Neural Networks (PINN), leurs variantes récentes (PIRATENet, KAN), ou d'autres modèles hybrides exploitant à la fois données et contraintes physiques.
2. Mise en œuvre numérique : appliquer ces architectures sur un cas de référence CFD représentant un local ventilé de petite taille (avec entrée et sortie d'air), pour lequel des données simulées sont disponibles.

L'étude visera en particulier à :
• tester les performances des différentes architectures en termes de précision, stabilité et coût d'entraînement ;
• évaluer la quantité minimale de données requise pour une reconstruction fiable du champ d'écoulement ;
• et identifier les limites et difficultés pratiques associées à la mise en œuvre de ces modèles.

Le candidat suit un cursus de formation de type master 2 ou école d'ingénieur en mathématiques appliquées, avec une spécialisation en apprentissage profond.

Des connaissances dans le domaine des réseaux de neurones informés par la physique (PINN) serait un atout majeur pour la réalisation du stage.

En revanche, il n'est pas nécessaire d'avoir suivi de cours en mécanique des fluides, même si, des notions seraient un grand plus.

La diversité est une des composantes de la politique RSE, RH et Qualité de Vie au Travail à l’ASNR.

Par conséquent, nous accordons la même considération à toutes les candidatures, sans discrimination, pour inclure tous les talents.

Quelles que soient les différences, nous souhaitons attirer, intégrer et fidéliser nos candidats et nos collaborateurs au sein d’un environnement de travail inclusif.

L'ASNR conduit une politique active depuis de nombreuses années en faveur de l'égalité des chances au travail et l'emploi des personnes handicapées. Si vous êtes en situation de handicap, n'hésitez pas à nous faire part de vos éventuels besoins spécifiques afin que nous puissions les prendre en compte.