GB
0 suggestions are available, use up and down arrow to navigate them
FR

POST-DOC Quantification d'incertitudes et Machine Learning pour l'optimisation des réseaux d H/F job in Le Bourget-du-Lac at CEA

Create Job Alert.

Get similar jobs sent to your email

List of Jobs and Events

Apply to this job.
Think you're the perfect candidate?
Apply on company site
POST-DOC Quantification d'incertitudes et Machine Learning pour l'optimisation des réseaux d H/F at CEA

POST-DOC Quantification d'incertitudes et Machine Learning pour l'optimisation des réseaux d H/F

CEA Le Bourget-du-Lac, Auvergne-Rhône-Alpes Full-Time
Apply on company site
INFORMATIONS GENERALES
ORGANISATION
Le Commissariat à l'énergie atomique et aux énergies alternatives (CEA) est un organisme public de recherche.

Acteur majeur de la recherche, du développement et de l'innovation, le CEA intervient dans le cadre de ses quatre missions :

. la défense et la sécurité

. l'énergie nucléaire (fission et fusion)

. la recherche technologique pour l'industrie

. la recherche fondamentale (sciences de la matière et sciences de la vie).

Avec ses 16000 salariés -techniciens, ingénieurs, chercheurs, et personnel en soutien à la recherche- le CEA participe à de nombreux projets de collaboration aux côtés de ses partenaires académiques et industriels.

REFERENCE
2022-22213

DATE DE PARUTION
20220617

DESCRIPTION DU POSTE
SPECIALITE / EMPLOI
CEA
Mécanique et thermique

INTITULE DE POSTE
POST-DOC Quantification d'incertitudes et Machine Learning pour l'optimisation des réseaux d H/F

DESCRIPTION DE LA MISSION
Intégré(e) dans une équipe d'une vingtaine d'experts (modélisation de systèmes énergétiques, recherche opérationnelle, Machine Learning, programmation informatique), vous évoluerez dans le cadre d’un projet commun à plusieurs directions du CEA portant sur la modélisation et l’optimisation des réseaux d’énergie.
 Dans ce contexte très riche, vos missions consisteront à :
• Prendre connaissance des problématiques (différentes échelles de modélisation, traitement de séries temporelles, données disponibles et données à augmenter/synthétiser) ainsi que des méthodes de modélisation et analyse d’incertitudes actuellement mises en œuvre dans les laboratoires membres du projet
• Réaliser une étude bibliographie sur les modèles de substitutions adaptés à ce domaine, et aux méthodes de quantification d’incertitudes pour ces modèles.
• Concevoir et évaluer une preuve de concept démontrant la pertinence de l’approche sur un cas d’étude déjà défini par une modélisation physique « classique ». En particulier, on s’intéressera à la capacité du modèle de substitution à quantifier les incertitudes associées à ses prédictions.
• Contribuer à la publication des résultats obtenus, ainsi qu’à la coopération avec des acteurs académiques nationaux et internationaux sur ces sujets.
Le laboratoire est situé au Bourget du Lac ainsi qu'à Grenoble. Des déplacements entre les sites, notamment des échanges nourris avec le site de Saclay en région parisienne sont à prévoir. Le poste sera basé sur le site du Bourget du Lac.

[1]         G. Mavromatidis et al., ‘Ten questions concerning modeling of distributed multi-energy systems’, Building and Environment, vol. 165, p. 106372, Nov. 2019, doi: 10.1016/j.buildenv.2019.106372.
[2]         J. Fitó, M. Vallée, A. Ruby, and E. Cuisinier, ‘Robustness of district heating versus electricity-driven energy system at district level: A multi-objective optimization study’, Smart Energy, vol. 6, p. 100073, May 2022, doi: 10.1016/j.segy.2022.100073.
[3]         E. Thrampoulidis, G. Mavromatidis, A. Lucchi, and K. Orehounig, ‘A machine learning-based surrogate model to approximate optimal building retrofit solutions’, Applied Energy, vol. 281, p. 116024, Jan. 2021, doi: 10.1016/j.apenergy.2020.116024.
[4]         P. Westermann, M. Welzel, and R. Evins, ‘Using a deep temporal convolutional network as a building energy surrogate model that spans multiple climate zones’, Applied Energy, vol. 278, p. 115563, Nov. 2020, doi: 10.1016/j.apenergy.2020.115563.

PROFIL
Docteur en mathématiques appliquées avec un intérêt pour le domaine de l’énergie, vous êtes familier avec au moins un des domaines suivants (et intéressé(e) pour en découvrir d’autres) :
- Quantification d’incertitudes sur des systèmes dynamiques
- Optimisation sous incertitudes (optimisation robuste, stochastique)
- Apprentissage / Machine Learning
 Vos capacités de travail en équipe et de communication sont un atout essentiel pour vous intégrer dans notre environnement de R&D dynamique et innovant.

TYPE DE CONTRAT STANDARD
Post-doctorat





LANGUES
Anglais (Courant)

 

Recommended Skills

  • Balances
  • Biologie
  • Innovation
  • Machine Learning
  • Programmation Informatique
  • Prévision
Apply to this job.
Think you're the perfect candidate?
Apply on company site

Job ID: 2022-22213