Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LIB (Laboratoire d’Informatique de Bourgogne)
Durée : 36 mois
Contact : ana-maria.roxin@u-bourgogne.fr
Date limite de publication : 2022-05-30

Contexte :
La loi handicap de 2005 a instauré l’obligation de mise en accessibilité des bâtiments recevant du public à l’horizon 2015, échéance repoussée à 2024, dans le cadre des “schémas directeurs d’accessibilité – agenda d’accessibilité programmé”. Depuis 2017, le handicap est l’une des priorités du gouvernement français. Le point d’étape publié en mai 2021, fait état de plusieurs actions clés, notamment “Développer des solutions de logement innovantes et inclusives” et “Engager la société vers une accessibilité universelle”. C’est par rapport à ces deux actions que s’inscrivent les travaux envisagés dans le cadre de la présente thèse. L’idée est de proposer une caractérisation d’un logement ou d’un bâtiment par rapport à des contraintes réglementaires e.g. présence de douches sans ressaut dans une construction neuve à partir du 1er janvier 2021.
Depuis la dernière décennie, la dématérialisation de l’ensemble des données et des processus concernant les bâtiments est un enjeu mondial. Au niveau national, le dernier plan dans ce domaine est le plan BIM 2022 – ce plan prévoit de généraliser l’utilisation du numérique et des approches BIM (Building Information Modeling) dans la filière construction. La transformation numérique du bâtiment visée induit une généralisation de l’utilisation de la maquette numérique par les maîtres d’ouvrage.
Plusieurs normes internationales existent déjà pour la modélisation numérique des bâtiments et des espaces urbains, notamment l’IDM (Information Delivery Manual (ISO 29481-1:2016), le MVD (Model View Deifnition (ISO 29481-3:2010) et l’IFC (Industry Foundation Classes) (ISO 16739:2018). Cette dernière norme est une norme ouverte, utilisée pour la représentation de l’ensemble des éléments constitutifs du bâtiment physique. La norme IFC permet l’interopérabilité syntaxique des outils et des processus autour de la maquette numérique. Grâce à cette représentation orientée objet, l’IFC permet d’identifier de manière unique chaque élément au sein d’une maquette numérique donné par un identifiant global (appelé GUID pour Globally Unique IDentifier) et d’associer les éléments les uns aux autres sous la forme d’un graphe. Le modèle IFC a l’ambition de couvrir tout le cycle de vie. Par conséquent il est très riche afin de pouvoir s’adapter à l’évolution et permettre l’enrichissement des informations échangées. Il a été adapté en langage ontologie sous la forme d’ifcOWL [1].
Toutefois, les différents processus pouvant être implémentés sur la base de ces normes dépendent encore grandement d’opérateurs humains. De plus, les différentes évolutions subies par le modèle IFC n’ont pas aidé à le rendre plus compréhensible ni à faciliter sa manipulation par les professionnels du domaine. Par rapport à cela, plusieurs publications scientifiques ont démontré les avantages apportés par les technologies dites du “Web sémantique”, pour la vérification de maquettes numériques notamment en termes d’accessibilité [2][3].

Sujet :
Les recherches menées au sein de cette thèse vont adresser et combiner les deux axes de l’Intelligence Artificielle: d’une part des approches statistiques [4] e.g. apprentissage non-supervisé à partir de corpus de textes réglementaires, et, d’autre part, des approches symboliques [5] e.g. création de règles logiques permettant d’identifier des éventuels non-respects de conformité par rapport à une maquette numérique de logement.
Cette thèse vise à proposer, formaliser, spécifier puis implémenter une approche permettant une interprétation cohérente, complète et sémantique d’un bâtiment et/ou d’un logement par rapport à la réglementation existante en termes d’accessibilité et handicap.
Plus particulièrement, il s’agit d’étudier comment les textes législatifs peuvent être adaptés sous forme de règles logiques pouvant être utilisées pour vérifier si d’éventuelles non-conformités sont présentés dans des maquettes numériques de bâtiments et/ou de logements. Une première étape vise à extraire des textes réglementaires des règles semi-formelles, en utilisant des algorithmes type machine learning. Dans un deuxième temps une base de connaissances pour les bâtiments/logements et les contraintes d’accessibilité sera conçue. La troisième étape vise à traduire les règles obtenues dans la 1e étape dans un langage formel (e.g. SHACL) et les appliquer à la base de connaissance de l’étape 2. Ainsi, le contenu de la base pourra être classé selon les règles et les points de non-conformité identifiés. Pour faciliter l’interaction et l’ajout de nouvelles règles, une 4e étape vise à implémenter la base de connaissances sur un magasin de triplets et permettre son interrogation via des requêtes (adaptées à partir des règles). Le traitement de ces requêtes pourra être optimisé. L’approche devra être extensible pour permettre l’ajout de nouvelles contraintes ou de nouvelles connaissances.

Profil du candidat :
Les candidats doivent avoir un bon niveau en français et/ou en anglais (niveau min. C1).
Les candidats doivent avoir un intérêt pour la recherche, un solide bagage scientifique, des compétences en programmation. Constituent un plus des compétences en ingénierie des connaissances (Web sémantique, ontologies), BIM et/ou data science.

Formation et compétences requises :
Les candidats doivent être titulaires d’un Master 2 ou d’un diplôme d’ingénieur en informatique ou en mathématiques appliquées, en rapport avec l’un des domaines suivants: l’intelligence artificielle, l’ingénierie des connaissances, l’apprentissage automatique, le traitement du langage naturel.

Adresse d’emploi :
LIB – EA 7534, 9 avenue Alain Savary, 21000 Dijon, France –

PAGE D’ACCUEIL

Document attaché : 202204250931_EASING_PhDproposal.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LIB (Laboratoire d’Informatique de Bourgogne) EA7
Durée : 36 mois
Contact : ana-maria.roxin@u-bourgogne.fr
Date limite de publication : 2022-05-02

Contexte :
Priorité du gouvernement français, la lutte contre le trafic de stupéfiants est, d’une part, un enjeu de santé publique, avec chaque année, dans le monde, en moyenne 168 000 décès directement causés par l’usage de la drogue, et, d’autre part, un enjeu de sécurité, puisqu’il entraîne une dégradation des conditions de vie et des violences dans les quartiers touchés. Le ministre de l’Intérieur a placé, dès le mois de juillet 2020, ce combat contre la drogue parmi ses 3 priorités. Les connaissances des produits qui circulent en France sont rassemblées dans la base de données nationale STUPS© (Système de Traitement Uniformisé des Produits Stupéfiants) du ministère de l’Intérieur. Cette base contient des données hétérogènes et multivariées : des données macroscopiques (e.g. logos, dimensions), qualitatives (e.g. noms des agents de coupage), quantitatives (e.g. teneurs en principes actifs), mais également des données d’enquête non confidentielles (e.g. quantités saisies, date et lieu de saisie sur le territoire français). Créée en 1986, la base STUPS© est alimentée par les 5 laboratoires de Police Scientifique du Service National de Police Scientifique (SNPS) et par l’Institut de Recherche Criminelle de la Gendarmerie Nationale, et contient aujourd’hui environ 10 millions d’entrées. Présenté en septembre 2019, le Plan Stup français prévoit une série de 55 mesures, dont “La mise en place de nouveaux indicateurs pour connaître les usages des consommateurs, les méthodes des trafiquants et anticiper leurs évolutions”. Or, la structure inhérente de la base STUPS© et les caractéristiques des données contenues ne permettent pas d’en extraire des connaissances (interprétation par une machine), afin de pouvoir identifier, expliquer et prédire les usages des consommateurs et les méthodes de trafiquants.

Sujet :
Il s’agit de proposer un système intelligent pour répondre aux défis liés à l’interprétation de données hétérogènes et multivariées (modèles linéaires et non-linéaires) contenues dans la base de données STUPS© afin d’en décrire, comprendre et expliquer les connaissances implicites. Les travaux de recherche visés dans cette thèse concernent le domaine de l’Intelligence Artificielle (IA), et s’orienteront sur deux aspects fondamentaux : IA symbolique (modèles de connaissances définissant les sémantiques – Motik et al., 2012 – et autres aspects symboliques permettant d’interpréter et de raisonner sur ces connaissances – Motik 2006), d’une part, et, IA statistique (modèles d’apprentissage automatique de type réseaux artificiels de neurones – Bishop 1995 – permettant de construire des prédictions), d’autre part. Les recherches envisagées exploreront l’articulation de ces approches IA avec des approches granulaires (Mani 1998). En effet, selon Hobbs (Hobbs 1985), la capacité de conceptualiser le monde à différents niveaux et de bénéficier d’une mobilité totale entre ces niveaux est une caractéristique exclusive de la résolution humaine de problèmes. En effet, lorsque nous regardons le monde qui nous entoure nous n’en retirons que les choses qui servent nos intérêts du moment. Dans le cadre de cette thèse, nous investiguerons l’application de la théorie de la granularité de Hobbs au modèle de connaissances constitué, afin de permettre un raisonnement à différents niveaux de granularité.
Les problématiques de recherche adressées sont :
– comment intégrer de manière consistante et cohérente au sein d’une base de connaissances (ontologie) des données hétérogènes et inconsistantes dans le temps ?
– comment exploiter des résultats obtenus d’algorithmes d’apprentissage automatique pour améliorer la description des connaissances ?
– comment interpréter et raisonner sur les données ainsi intégrées de manière à déduire de nouvelles connaissances ?
– comment maximiser l’efficacité de l’approche ainsi spécifiée ?

Profil du candidat :
La maîtrise de la langue française est indispensable (niveau min. C1). Un bon niveau en communication anglaise est un plus. Les candidats doivent avoir un intérêt pour la recherche.

Formation et compétences requises :
Les candidats doivent être titulaires d’un diplôme d’ingénieur informatique ou d’un Master 2 en informatique.
Constituent un plus des compétences en ingénierie des connaissances (Web sémantique, ontologies) et/ou data science.

Adresse d’emploi :
9 avenue Alain Savary, 21000 Dijon, FRANCE

Document attaché : 202204221103_MESRI_LIB_2022_FR_EN.pdf

Offre en lien avec l’Action/le Réseau : MACLEAN/– — –

Laboratoire/Entreprise : GIPSA-Lab / ACOUSTB
Durée : 36 months
Contact : jerome.mars@gipsa-lab.fr
Date limite de publication : 2022-05-02

Contexte :
Les nuisances sonores présentes dans l’environnement sont provoquées par une multitude de sources (trains, circulation routière, avions, activités industrielles, chantier, etc.). Elles constituent une atteinte majeure à la qualité de vie et nuisent à la santé publique. Selon les rapports de l’Organisation Mondiale de la Santé (OMS 2018, 2011), le bruit est le second facteur environnemental derrière la pollution atmosphérique provoquant le plus de dommages sanitaires en Europe. De nombreuses sources sonores environnementales sont par conséquent soumises à des textes réglementaires en vue de réduire les nuisances associées.
Acteur majeur de l’acoustique en France, ACOUSTB est sollicité pour mener des études qui visent à évaluer les niveaux sonores provoqués par différentes sources. Ces études permettent de caractériser a posteriori l’empreinte acoustique de la source en question et de conclure quant au respect des seuils réglementaires. ACOUSTB propose un service de surveillance continue de sources de bruit. Dans ce contexte, un projet R&D lancé depuis un an a permis de proposer le développement d’un système de monitoring acoustique intelligent. Ces premiers travaux ont débouché sur une méthode d’analyse d’évènements sonores notamment ferroviaires. Issue de technologie « Deep Learning », la méthode implémentée permet d’identifier convenablement le type du matériel roulant (Fret, TER, TGV, Tram, etc.).
À travers la proposition de cette thèse CIFRE, nous cherchons aujourd’hui à approfondir nos travaux et développer des techniques plus élaborées permettant à notre système une détection automatique et une classification précise d’évènements sonores environnementaux

Sujet :
Le travail proposé dans cette thèse concerne le développement d’une méthodologie pour la détection et la classification d’évènements sonores. Les domaines d’application couvrent le suivi de l’émission acoustique d’une source de bruit particulière et l’analyse des paysages sonores complexes. Le travail s’appuiera sur des bases existantes de signaux issus des campagnes de mesures réalisées par ACOUSTB.

Le travail de recherche commencera par une analyse approfondie des bruits environnementaux et l’extraction des caractéristiques relatives à chaque source. Des descripteurs seront par la suite étudiés et proposés pour représenter les signaux dans les domaines temporel, fréquentiel et quefrentiel. Pour cela on se basera sur les algorithmes utilisés en ML (travaux réalisés au Gipsa-lab en classification de signaux acoustiques) et DL pour alimenter des modèles d’intelligence artificielle de l’architecture de classification. Le couplage de la détection et des modèles de classification permettra ensuite de réaliser des tâches de suivi autonome de sources de bruit sur des missions temps réel

Profil du candidat :
Le profil recherché devra être titulaire d’un Bac+5 (Ingénieur ou Master) avec une forte composante traitement du signal. Il devra également avoir des bases sur les techniques d’intelligence artificielle.

Une expérience significative du développement en Python pour le traitement et l’analyse du signal est requise. La maîtrise écrite et orale du français et de l’anglais est nécessaire. Un intérêt pour le son dans toutes ses composantes serait un atout.

Formation et compétences requises :
Le profil recherché devra être titulaire d’un Bac+5 (Ingénieur ou Master) avec une forte composante traitement du signal. Il devra également avoir des bases sur les techniques d’intelligence artificielle.

Adresse d’emploi :
Employeur : ACOUSTB (Grenoble) dans le cadre d’un financement CIFRE.

Equipes d’accueil : le doctorant sera accueilli dans les locaux d’ACOUSTB de Grenoble et au laboratoire GIPSA-Lab dans l’équipe SIGMAPHY.

Document attaché : 202204201230_Sujet-thèse-Acoustb-2022-Classification-Acoustique-Version_courte_Diffusion.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Laboratoire DAVID, UVSQ, Université Paris-Saclay
Durée : 3 ans
Contact : zaineb.chelly-dagdia@uvsq.fr
Date limite de publication : 2022-05-01

Contexte :
Ce sujet de thèse d’inscrit dans le projet RHU RECORDS (Rapid Recognition of Corticosteroid Resistant or Sensitive Sepsis) qui vise à identifier et à valider des biomarqueurs de prédiction de la réponse thérapeutique aux corticoïdes dans le cadre du sepsis.

Sujet :
L’objectif principal de cette thèse est d’étudier les méthodes existantes de l’apprentissage automatique dans l’analyse de données omiques obtenues dans le cadre du RHU RECORDS, et de proposer de nouvelles méthodes en fonction des limites qui seront identifiées. La méthodologie de travail qui sera suivie par le doctorant(e) est comme suit :
1. Étudier les méthodes de l’état de l’art dédiées à la réduction de dimensions pour les données multi-omiques de RHU RECORDS.
2. Identifier les limites de celles-ci et proposer des nouvelles méthodes qui permettent de les pallier.
3. Étudier les méthodes de l’état de l’art dédiées au regroupement afin de découvrir des relations ou interactions entre les patients.
4. Identifier les limites de celles-ci et proposer des nouvelles méthodes qui permettent d’y remédier.
5. Proposer et implémenter, après avoir fait une étude de l’existant, un pipeline bio-informatique permettant l’intégration et la visualisation des données multi-omiques.
6. Résumer le travail réalisé sur chaque partie dans un document de recherche scientifique qui sera soumis à une conférence/une revue internationale.

Profil du candidat :
La candidate ou le candidat doit être titulaire d’un Master en informatique ou bio-informatique.

Formation et compétences requises :
La candidate ou le candidat doit être titulaire d’un Master en informatique ou bio-informatique. Elle/il devrait avoir :
● Solides compétences en programmation et bases de données
● Bonne expérience en statistiques
● Bonne expérience en apprentissage automatique (machine learning)
● Bonne expérience en bio-informatique (souhaitable mais non obligatoire)
● Bonne communication orale en anglais, compétences techniques en lecture et en écriture ;

Adresse d’emploi :
●DAVID/équipe ADAM, Campus de sciences à Versailles, Université de Versailles St-Quentin UVSQ / Université Paris-Saclay.
●Inserm UMR 1173 Laboratoires II et LARENE, UFR Simone Veil, Montigny-le-Bretonneux, UVSQ / Université Paris-Saclay

Document attaché : 202204140633_40808 (002).pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Groupe de recherche en informatique, image, automa
Durée : 3 ans
Contact : bertrand.cuissart@unicaen.fr
Date limite de publication : 2022-06-30

Contexte :
Comme elle utilise un simple électron pour former ou rompre des liaisons au cours de processus complexes, l’électrosynthèse possède un très grand potentiel en termes de découverte de nouveaux processus et d’industrialisation à bas coût. Cependant, la maîtrise et l’optimisation de réactions électrocatalysées restent difficiles et l’apport des sciences du numérique à la résolution de problèmes chimiques représente une opportunité unique. Le projet AMPERE porté par les laboratoires LIMA (UMR 7042, INC), LBM (UMR 7203, INC), LHFA (UMR 5069, INC) et GREYC (UMR 6072, INS2I) s’inscrit dans cette dynamique et rassemble une communauté de chimistes et d’informaticiens souhaitant développer des processus d’aide à la décision facilitant la découverte et l’optimisation de transformations électrochimiques. AMPERE est financé dans le cadre du programme CNRS 80/PRIME, programme initié à l’occasion des 80 ans du CNRS, destiné à financer des projets interdisciplinaires originaux et en rupture (https://www.cnrs.fr/fr/cnrsinfo/80-nouveaux-projets-pour-le-programme-80prime). Au-delà de ce projet, ce dialogue interdisciplinaire entre intelligence artificielle et chimie enrichit chaque communauté en termes d’avancées fondamentales et appliquées.

Sujet :
Le travail de thèse proposé ici s’intègre entièrement au projet AMPERE, il s’agit donc d’un travail de recherche directement motivé par une application chimique. En s’appuyant sur un outil de criblage qui génère expérimentalement des données sur des réactions électrochimiques, il s’agit de concevoir et d’implémenter des méthodes informatiques de fouille de données. A partir des techniques actuelles utilisées dans les bases de données de réactions chimiques, nous commencerons par construire une base de données appropriée aux réactions électrochimiques. Cet outil jouant un rôle pivot dans le projet, il devra satisfaire les besoins de consultation des chimistes, et constituer une source pour les analyses informatiques. En conséquence, sa réalisation sera le fruit d’une discussion entre les experts des deux disciplines. En s’appuyant sur la base de données de réactions électrochimiques, la thèse comportera deux travaux de recherche informatique.

Premièrement, il s’agira de concevoir une méthode d’analyse adaptée aux données réactionnelles étudiées. En effet, le caractère dynamique et complexe des réactions nécessite de les représenter sous la forme de données structurées à partir desquelles seront extraits les descripteurs pertinents. L’analyse informatique associée à cette partie du travail calculera les associations statistiques remarquables entre conditions expérimentales et valeurs de rendements réactionnels. Pour une réaction donnée, le système pourra proposer des nouveaux paramètres afin d’augmenter le rendement, ainsi qu’une explication de ses choix, explication compréhensible par un chimiste.

Ensuite, un travail de recherche en fouille de données séquentielles est envisagé. Une réaction sera modélisée sous la forme d’une suite d’états, chaque état décrivant un point de la réaction. Les techniques de fouille de séquences adaptées à ce cas permettront d’extraire les enchaînements de parties d’états réactionnels “remarquables”. Par remarquable, on peut entendre “fréquent”, “unique” ou très associé à un caractère externe comme un niveau de rendement. Pour modéliser d’éventuelles incertitudes, il peut être possible de remplacer les séquences par des arbres orientés. Pour réaliser l’analyse subséquente, il faudra concevoir un processus de fouille original ; ce travail comporte un fort caractère innovant.

Profil du candidat :
Il s’agit d’un travail informatique en Sciences des Données, une discipline très actuelle de l’intelligence artificielle. Le doctorant aura l’opportunité de construire une expertise dans le cadre spécifique de la recherche des associations au sein des données structurées, les données étant ici représentées sous la forme de graphes ou de séquences. Le travail s’intégrant à un projet interdisciplinaire, le doctorant expérimentera concrètement le dialogue orientant les travaux de ce type de projets. De plus, il acquerra une compétence complémentaire dans le domaine de l’informatique appliquée à la chimie. L’innovation en analyse de données chimiques s’associant à des défis technologiques ou scientifiques, cette compétence offre l’opportunité de participer à des projets ambitieux, de nature variée et aux retombées importantes.

Formation et compétences requises :
Le candidat doit être inscrit en dernière année d’un Master ou d’un diplôme d’ingénieur dans un domaine lié à l’informatique ou aux mathématiques appliquées, et posséder de solides compétences en programmation ; le candidat peut aussi être titulaire d’un tel diplôme. Une expérience en informatique pour la Science des Données sera un plus (fouille de données, apprentissage automatique, … Le candidat doit avoir des capacités à rédiger des rapports scientifiques et à communiquer des résultats de recherche lors de conférences en anglais.

Adresse d’emploi :
La thèse débutera à l’automne 2022 — début septembre ou début octobre. Le travail se déroulera principalement au GREYC, laboratoire académique normand situé à Caen. Le projet impliquant plusieurs laboratoires français, la thèse inclut plusieurs semaines annuelles de travail dans les laboratoires partenaires.

Salaire brut mensuel : 2 135 €

Candidature Les candidatures doivent inclure les documents suivants au format électronique : une lettre de motivation, un CV détaillé décrivant vos études et votre expérience en recherche, les relevés de notes des diplômes obtenus, les coordonnées de personnes références préférentiellement issues du monde la recherche.
Veuillez envoyer votre dossier de candidature à bertrand.cuissart@unicaen.fr et jean-luc.lamotte@unicaen.fr.

Document attaché : 202204130729_ampere1.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LISN – Lab. Interdisciplinaire des Sciences du Num
Durée : 3 ans
Contact : anne.sergent@lisn.fr
Date limite de publication : 2022-05-15

Contexte :
*Summary* At very high Rayleigh numbers, a very intense heat transfer regime appears for which the triggering mechanisms are still poorly understood. Using HPC numerical simulations and physics-guided machine learning techniques, we seek to extract from data physical information bringing to light the multi-scale interactions between different turbulent flow structures.

The Rayleigh-Benard convection is established in a cavity under the effect of a temperature difference imposed on the horizontal walls, the bottom wall being heated. The resulting flow in the turbulent regime is a multi-structured and multi-scale phenomenon characterized by the superposition of small-scale plumes (heat vectors), a large-scale mean flow filling the cavity, boundary layers and turbulent fluctuations.

For many years, we have been simulating this physical phenomenon by direct numerical simulation (DNS). The transition to massively parallel simulations now allows us to consider calculations at parameter levels close to experiments. However, these calculations are very heavy and even if the spatio-temporal description of the flow can be very fine, it is difficult to approach statistically all the scales of the flow, to store all the computed fields, or to easily replay the sequences.

Despite progress made by careful comparison of experimental and numerical simulations studies, key differences remain in the amount and nature of the information provided by each community, making conjoint understanding difficult. For instance, experimental data is incomplete (probes time series, 2D fields sequences or images), but well converged and can reach high forcings. Numerical simulations are fully resolved in space, but reach lower turbulence level and for shorter durations. The tremendous potential capabilities of recent physics-informed deep learning (DL) techniques will help in seamlessly integrating the benefits of each approach into a new modeling and comprehension of turbulent physics.

In this project, we will take advantage of both perceptrons or (graph) convolutional neural networks frameworks enhanced with physical constraints, in order to mitigate the risks and to speed up and robustify the training phase of the models. More specifically, objectives are to infer missing data from experiments, and alleviate the cost of expensive numerical simulations by reducing the storage cost.

Sujet :
The project seeks to take advantage of the capabilities of machine learning techniques to reduce the complexity of the data. These techniques will be deployed at the interface between numerical models and solvers, and experimentally acquired data, not only to facilitate comparison, but also to access unmeasured/unquantifiable information in terms of variables or resolution finesse, and to guide physical exploration.

Two types of architecture will be considered based on deep or graph convolution neural networks, in which physical constraints enrich the output data for an accelerated convergence, with two distinct objectives. First,
it is about processing multi-source experimental data acquisition to reconstruct hidden quantities fields, and test ideas about the super-resolution reconstruction to improve the spatial resolution of measures. Second, it is to extract physical informations from experimental images. DNS data are used for preliminary tests, but also provide additional information, leading to mixing of experimental and numerical databases.

Several encouraging internships have already been carried out on the topic [Lucor et al. JCP 2022]. A large DNS database already exists [Belkadi et al. JFM 2021], but it will be expanded as needed using the resources of GENCI’s national supercomputers. The project will focus on hidden scalar or field variables reconstruction and/or super-resolution using DNS or / and experimental data, useful to better understand physical couplings between simultaneous flow quantities.

Profil du candidat :
• Good programming skills, especially in Python programming
• Good writing skills

Formation et compétences requises :
• Master of Science or equivalent in applied mathematics, physics, or mechanical engineering, with competences in fluid dynamics, statistics, or scientific computing

Adresse d’emploi :
Laboratoire Interdisciplinaire des Sciences du Numérique, UMR-CNRS 9015,
Département de Mécanique www.lisn.upsaclay.fr
Univ. Paris-Saclay, bât. 507, Rue du Belvédère, 91405 Orsay

Document attaché : 202204121258_PhD_LISN_convection_2022_madics_v2.pdf