Présentation

Description de l'emploi :

Un poste de doctorant/e en "deep learning géométrique" (GDL) est à pourvoir au sein du département Aérodynamique d'Airbus Civil Aircraft à Toulouse.

Mission de l'équipe

Le département Aérodynamique est responsable de la caractérisation aérodynamique de l'ensemble de l'avion pour tous les programmes d'Airbus. Nous générons ces modèles à l'aide de différentes techniques dès les premières étapes de la conception, puis nous les mettons à jour et les validons par des essais en soufflerie et des essais en vol. Les modèles sont livrés à divers clients tels que :

• Qualités de maniabilité et lois sur les commandes de vol
• Équipe de performance
• Chargements d'aéronefs
• Autorités de navigabilité et autorités internationales

Le développement de ces modèles repose sur des données obtenues à partir de différentes sources, telles que la CFD, les essais en soufflerie et les essais en vol. Chacune de ces sources a ses spécificités en termes de résolution et de fiabilité, et leur fusion pour produire le modèle global de la conception de l'avion est cruciale pour les étapes ultérieures de la conception, par exemple, la conception structurelle pour résister aux charges mécaniques. En outre, les simulations numériques et les essais en soufflerie sont souvent complétés par d'autres données provenant d'essais en vol ou de l'état de conception antérieur de l'aéronef.

Les modèles aérodynamiques sont ensuite produits en fusionnant ces données, où les informations provenant de ces sources multiples sont agrégées pour produire une estimation de meilleure qualité de la quantité d'intérêt. L'utilisation de l'intelligence artificielle, et plus précisément de l'apprentissage profond, dans cette étape de fusion des données est décisive pour permettre de modéliser efficacement des données complexes telles que les champs de pression pariétaux. Les techniques basées sur les réseaux de neurones convolutifs se sont ainsi révélées très efficaces. Néanmoins, ces algorithmes modélisant directement et uniquement les champs de surface, ne prennent pas du tout en compte la géométrie. Ceci a pour conséquence de devoir effectuer la fusion des données sur la même géométrie quelle que soit la source de données. Ceci s'avère extrêmement pénalisant dans un processus multidisciplinaire, où la géométrie évolue rapidement, et où la disponibilité des sources de données pour une certaine géométrie n'est pas garantie (par exemple les essais en soufflerie qui nécessitent plusieurs mois de préparation) . La nécessité de pouvoir gérer différentes formes géométriques avec l'apprentissage profond prend alors tout son sens.

Le rôle

Le deep learning géométrique (Geometric Deep Learning - GDL) est une branche particulière de l'intelligence artificielle dans laquelle les réseaux de neurones profonds sont utilisés pour représenter des géométries non euclidiennes et non régulières. De nombreuses techniques permettant de modéliser la géométrie d'une forme, 2D ou 3D existent, comme les réseaux de neurones à graphes (GNN) ou les champs neuronaux (Neural Fields) .

Dans cette thèse, des algorithmes basés sur ces méthodes seront définis pour permettre la génération de modèles aérodynamiques. La fusion des données de distribution de la pression sur les ailes sera réalisée dans le but d'obtenir des résultats à haute dimension avec une quantification maximale de la précision et de l'incertitude à partir de différentes sources d'entrée (CFD, essais en soufflerie, essais en vol) . Pour atteindre cet objectif, les techniques de GDL seront étudiées et adaptées au cas spécifique. De plus, vous explorerez les possibilités offertes par les récentes avancées des techniques DL en termes de modèles de substitution pour appliquer cette approche de manière globale. Le résultat final sera une méthodologie permettant d'évaluer et de sélectionner systématiquement la meilleure approche pour la fusion de données dans chaque configuration technique. La méthodologie de fusion de données qui en résultera contribuera au développement des futurs avions d'Airbus, depuis les premières phases de conception jusqu'à l'analyse et l'identification des essais en vol.

Cette thèse sera menée en collaboration avec le département Aérodynamique de l'ISAE-Supaero.

Compétences requises

En tant que candidat/e retenu/e, vous serez en mesure de démontrer les aptitudes et compétences suivantes :

• Apprentissage profond avancé (réseau de neurones graphiques, réseaux de neurones convolutifs, GAN, VAE, modèle de diffusion) .
• Mathématiques avancées (algèbre linéaire, probabilités)
• Connaissance avancée des principales bibliothèques de Deep Learning (PyTorch, Tensorflow ou JAX)
• Compétences générales en aérodynamique
• Capacité à lire et à appliquer des articles sur l'état de l'art dans le domaine de l'apprentissage profond (vision par ordinateur, réseaux neuronaux géométriques, modèles génératifs…) .
• Programmation Python
• Bonnes capacités de communication

Compétences linguistiques :

Anglais : négociation

Français : serait un avantage

Cet emploi exige une connaissance des risques de conformité potentiels et un engagement à agir avec intégrité, comme base de la réussite, de la réputation et de la croissance durable de la société.

Unité légale :

Type de contrat :

Niveau d'expérience :

Famille d'emplois :

En soumettant votre CV ou votre candidature, vous autorisez Airbus à utiliser et stocker des informations vous concernant à des fins de suivi de votre candidature ou de futurs emplois. Ces informations ne seront utilisées que par Airbus.
Airbus s'engage à assurer la diversité de sa main-d'œuvre et à créer un environnement de travail inclusif. Nous accueillons toutes les candidatures, quels que soient le milieu social et culturel, l'âge, le genre, l'invalidité, l'orientation sexuelle ou les croyances religieuses des postulants.

Airbus est depuis toujours attaché à l'égalité des chances pour tous. En tant que tel, nous ne demanderons jamais aucun type d’avance de frais dans le cadre d'un processus de recrutement. Toute usurpation d'identité d'Airbus à cette fin doit être signalée à emsom@airbus.com.

Chez Airbus, nous vous aidons à travailler, à vous connecter et à collaborer plus facilement et de manière plus flexible. Dans la mesure du possible, nous favorisons les modalités de travail flexibles pour stimuler la pensée innovante.