CNRS 2020 research competition. Position opened at Pprime. Projects on aspects covering « Machine Learning for Fluid Mechanics and Thermal Transfers » (application to section 7)

[TheChamp-Sharing]
Section 7: Information sciences ; Position opened at Pprime-Project on aspects coveringMachine Learning for Fluid Mechanics and Thermal Transfers...
Laurent Cordier - Contacter
Institut PPRIME -(UPR 3346 CNRS –ISAE-ENSMA –Université de Poitiers), Poitiers, France

Autres offres d'emploi

Retour à la liste
12 mois

CHERCHEUR/POST-DOC (H/F) – Investigations expérimentales de stratégies de contrôle en boucle fermée pour la réduction d'impact du sillage d'un corps d'Ahmed

Au CNRS, Laboratoire PPRIME, situé au Futuroscope, ce post-doctorat s'inscrit dans le cadre du projet ANR COWAVE (Contrôle rétroactif du sillage d'un véhicule) entre les laboratoires PRISME à Orléans, Pprime à Poitiers, LHEEA à Nantes et l'industrie automobile PSA. Cette offre concerne la contribution de Pprime au projet COWAVE. Celle-ci consiste à explorer expérimentalement dans un canal hydrodynamique des stratégies de contrôle de sillage en boucle fermée avec des volets mobiles. Les sillages tridimensionnels de corps épais, du type corps d'Ahmed, génèrent une traînée de pression et des forces latérales, contribuant ainsi de manière significative à la consommation de carburant et aux émissions polluantes des véhicules routiers. Malgré les nombreuses tentatives réalisées pour minimiser l'impact des sillages sur l'environnement, on ne sait toujours pas quelle est la stratégie de contrôle la plus efficace ! Dans ce contexte, le projet ANR COWAVE aborde deux aspects fondamentaux du contrôle du sillage : premièrement, quels types d'actionneurs sont les plus efficaces ? Alors que la plupart des stratégies de contrôle en boucle fermée utilisent des effets d'entraînement visqueux pour actionner les couches de cisaillement dans le sillage, l'exploitation des forces de pression produites par des déflecteurs mobiles pourrait être une alternative intéressante à tester. Deuxièmement, pour la mise en œuvre de la commande en boucle fermée, nous voulons tester si les stratégies de commande obtenues par des techniques d'apprentissage automatique (Machine Learning) permettent d'obtenir une meilleure efficacité et une plus grande robustesse que les approches plus classiques basées sur des modèles. Pour postuler suivre ce lien https://bit.ly/3qDG6Ml / Date Limite Candidature : vendredi 12 mars 2021

CNRS 2020 research competition. Project on aspects covering "analysis, modeling and development of control strategies for turbulent flows and heat and mass transfers" (application to section 10)

Section 10: Fluid and reactive media : transport, transfer and transformation processes-Project on aspects coveringanalysis, modeling and development of control strategiesfor turbulent flowsand heatand mass transfers•«Model-based» or «Machine Learning» control strategies•Data assimilation techniques•Couplingof scientificcomputation/experimentation