PhD Student in Physics-Informed Graph Neural Networks for Wind Turbine Health Monitoring — EPFL

Descrizione completa

IMOS L'Intelligent Maintenance and Operations Systems (IMOS) Lab di EPFL è alla ricerca di un ricercatore di PhD motivato e fuori dal campo, (100%, a Losanna, a tempo determinato) a partire da settembre o su accordo. Descrizione del progetto L'obiettivo di questo progetto è quello di sviluppare nuove metodologie basate sulle reti neurali a grafi in forma fisica (PI-GNN) per comprendere e modellare l'impatto dei carichi operativi sul degrado del sistema a livello convincente nei complessi sistemi di ingegneria, con particolare attenzione alle turbine eoliche. La ricerca si concentrerà sull'integrazione esplicita delle leggi fisiche, delle dinamiche di carico e dei meccanismi di degradazione nei modelli basati sui grafici, consentendo una comprensione di principio di come le condizioni operative spingono l'evoluzione della salute del sistema nel tempo. Particolare enfasi sarà posta sulla modellazione spatiotemporale dei sottosistemi interagenti, dove il degrado emerge da processi fisici accoppiati tra i componenti. Il progetto esplorerà come le rappresentazioni basate sui grafici possono catturare:

• la propagazione di carichi e sollecitazioni attraverso componenti interconnessi,
• l'accumulo di fatica e danni in condizioni di carico variabili, e
• l'interazione tra dinamiche strutturali e processi di degrado. Un aspetto centrale della ricerca è l'incorporazione dei pregiudizi induttivi basati sulla fisica nelle architetture di apprendimento. Ciò consentirà lo sviluppo di modelli fisicamente coerenti, interpretabili e robusti in diverse condizioni operative, superando approcci puramente basati sui dati. Le applicazioni includono complessi sistemi industriali ed energetici, con particolare attenzione alle turbine eoliche, dove le condizioni di carico influenzano direttamente il degrado di componenti critici come lame, riduttori e cuscinetti. I metodi sviluppati contribuiranno a migliorare la modellazione a vita, la valutazione dell'affidabilità e la manutenzione predittiva informata dalla fisica. Questa posizione PhD fa parte di un ERC Consolidator Grant, supportando la ricerca all'avanguardia sull'intelligenza artificiale, la manutenzione intelligente e la modellazione dei processi di degradazione in sistemi complessi. Profilo Siamo alla ricerca di un candidato di dottorato con un forte background analitico e un eccezionale laurea in Ingegneria Meccanica, Meccanica computazionale, Scienza dell'ingegneria, Fisica, Matematica applicata, o un campo strettamente correlato. Si dovrebbe avere una solida base nel machine learning (ad esempio, deep learning) e nella modellazione matematica, tra cui l'esperienza con sistemi dinamici o equazioni differenziali. Si prevede un forte interesse nella modellazione di sistemi fisici e processi di degrado (ad esempio, stanchezza, accumulo di danni). L'esperienza con reti neurali grafiche o modelli spatiotemporali è altamente auspicabile, così come la familiarità con approcci informati della fisica che incorporano pregiudizi induttivi fisici nei modelli di apprendimento. La conoscenza di una o più delle seguenti aree è considerata un bene forte:
• Approfondimenti per l'apprendimento automatico e la modellazione ibrida
• Meccanica computazionale, dinamica strutturale o modellazione di stanchezza e danni
• Elaborazione dei segnali e analisi dei dati di misura dai sistemi fisici
• Apprendimento scientifico o metodi numerici per sistemi fisici Sono previste forti competenze di programmazione e la capacità di lavorare all'interfaccia di machine learning e modellazione fisica dei sistemi di ingegneria. Ci aspettiamo che il candidato sia auto-guidato, con forti capacità di problem solving e pensiero out-of-the-box. Il comando professionale dell'inglese (sia scritto che parlato) è obbligatorio. Ambiente di lavoro EPFL è uno dei campus universitari più dinamici d'Europa, si trova tra le prime 20 università in tutto il mondo e offre un ambiente di lavoro eccezionale con stipendi molto competitivi. Il Laboratorio IMOS (https://www.epfl.ch/labs/imos/ ) offre un ambiente scientifico altamente motivante e interdisciplinare con molte opportunità di interagire tra progetti e ricercatori, e mantiene un eccellente netw