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.
Pour postuler, merci d’envoyer votre lettre de motivation et votre CV à l’encadrant IFPEN indiqué ci-dessus.
IFP Energies nouvelles est un organisme public de recherche, d’innovation et de formation dont la mission est de développer des technologies performantes, économiques, propres et durables dans les domaines de l’énergie, du transport et de l’environnement. Pour plus d’information, voir notre site web.
IFPEN met à disposition de ses doctorants un environnement de recherche stimulant, avec des équipements de laboratoire et des moyens de calcul très performants. Outre une politique salariale et de couverture sociale compétitive, IFPEN propose à tous les doctorants de participer à des séminaires et des formations qui leur sont dédiés. Pour plus d’information, merci de consulter nos pages web dédiées