Toolchain from the creation of the mesh to the CFD simulations

[TheChamp-Sharing]
This work will take place within two research teams of the Institute Pprime, HydEE of the FTC department and TriboLub of the GMSC department.The trainee sought is a student in the final year of an engineering school or Master 2, with good fluid mechanicsskills and a strong taste for Digital image processing and CFD simulations.The student will be rewarded according to the legal provisions throughout the duration of his internship.If the student gives full satisfaction, he will be recruited for a thesis, funded by the SOFITT project...
Anthony Beaudoin - 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