Doctorant en Physique-informed Graph Réseaux neuronaux pour la surveillance de la santé des turbines éoliennes — EPFL
- Lieu
- Lausanne
- Contrat
- full-time
- Publié
- il y a 45 jours
Vue d’ensemble du poste
IMOS Le laboratoire des systèmes intelligents de maintenance et d'exploitation (IMOS) de l'EPFL est à la recherche d'un doctorant motivé et à la mode (100 % à Lausanne, durée déterminée) à partir de septembre ou sur accord.
Description du projet L'objectif de ce projet est de mettre au point de nouvelles méthodologies basées sur des réseaux neuraux de graphes (PI-GNN) éclairés par la physique pour comprendre et modéliser l'impact des charges opérationnelles sur la dégradation des systèmes au niveau de la compenence dans des systèmes d'ingénierie complexes, en mettant l'accent sur les éoliennes.
La recherche sera axée sur l'intégration explicite des lois physiques, de la dynamique de charge et des mécanismes de dégradation dans des modèles basés sur des graphiques, permettant ainsi une compréhension de principe de la façon dont les conditions d'exploitation déterminent l'évolution de la santé du système au fil du temps.
- IMOS Le laboratoire des systèmes intelligents de maintenance et d'exploitation (IMOS) de l'EPFL est à la recherche d'un doctorant motivé et à la mode (100 % à Lausanne, durée déterminée) à partir de septembre ou sur accord.
- Description du projet L'objectif de ce projet est de mettre au point de nouvelles méthodologies basées sur des réseaux neuraux de graphes (PI-GNN) éclairés par la physique pour comprendre et modéliser l'impact des charges opérationnelles sur la dégradation des systèmes au niveau de la compenence dans des systèmes d'ingénierie complexes, en mettant l'accent sur les éoliennes.
Processus de candidature
- Les applications comprendront des systèmes industriels et énergétiques complexes, l'accent étant mis en particulier sur les éoliennes, où les conditions de charge influencent directement la dégradation des composants essentiels tels que les lames, les boîtes de vitesses et les roulements.
- Les méthodes développées contribueront à améliorer la modélisation à vie, l'évaluation de la fiabilité et la maintenance prédictive éclairée par la physique.
- Ce poste de PhD fait partie d'une subvention ERC Consolidator, appuyant la recherche de pointe sur l'IA, la maintenance intelligente et la modélisation des processus de dégradation dans des systèmes complexes.
- Profil Nous sommes à la recherche d'un candidat au doctorat ayant une solide expérience analytique et un diplôme de maîtrise en génie mécanique, mécanique informatique, sciences de l'ingénierie, physique, mathématiques appliquées, ou un domaine étroitement lié.
- Vous devriez avoir une base solide dans l'apprentissage automatique (p. ex., l'apprentissage profond) et la modélisation mathématique, y compris l'expérience avec les systèmes dynamiques ou les équations différentielles.
- On s'attend à un vif intérêt pour la modélisation des systèmes physiques et des processus de dégradation (p. ex. fatigue, accumulation de dommages).
- L'expérience des réseaux neuronaux graphiques ou des modèles spatiotemporels est hautement souhaitable, ainsi que la connaissance des approches fondées sur la physique qui intègrent le biais inductif physique dans les modèles d'apprentissage.
- La connaissance d'un ou de plusieurs des domaines suivants est considérée comme un atout important :
