es
Universidad Estatal, Examinar oportunidades similares
Muchas aplicaciones en IFPEN se basan en simuladores computacionalmente costosos que toman variables escalares como entradas, pero también variables funcionales que representan, por ejemplo, la geometría de piezas mecánicas o condiciones ambientales espacio-temporales (como el viento). En este contexto de simuladores costosos, a menudo es necesario utilizar un modelo sustituto para evaluar eficientemente la salida de interés para una gran cantidad de valores de parámetros de entrada. Este modelo de sustitución generalmente se construye adaptativamente mediante una metodología de aprendizaje activo, a partir de simulaciones asociadas a un diseño inicial de tamaño limitado. Posteriormente, este diseño se enriquece utilizando criterios adaptados al objetivo operativo, como la optimización de las cantidades de interés o la estimación del conjunto de parámetros factibles. En presencia de variables funcionales en las entradas del simulador, es necesario adaptar los enfoques de metamodelado y diseño experimental. Los enfoques convencionales se basan en métodos de reducción de dimensiones o de extracción de características, estando representadas las variables funcionales en el espacio reducido así definido. Este paso previo de reducción de dimensiones induce necesariamente una pérdida de información que debe ser cuantificada e incluso controlada durante el procedimiento.
El objetivo de esta tesis es desarrollar enfoques de aprendizaje activo para la construcción de un modelo de sustitución tomando variables funcionales y escalares como entradas, trabajando directamente en el espacio funcional de las entradas y, por tanto, sin reducción preliminar de dimensiones. Los métodos desarrollados se evaluarán en varias aplicaciones de optimización de forma y para la estimación de dominios factibles en el diseño de turbinas eólicas y procesos de captura de CO2.
Palabras clave : aprendizaje activo, incertidumbres, optimización, diseño de experimentos.
Supervisoras académicas : Clémentine PRIEUR y Céline HELBERT
Escuela de Doctorado : ED 217 MSTII, Université Grenoble Alples
Máster Universitario en Estadística o Machine Learning u Optimización
Lenguajes de programación: R y/o Python
IFP Energies nouvelles es un centro de investigación, innovación y formación del sector público francés. Su misión es desarrollar tecnologías eficientes, económicas, limpias y sostenibles en los campos de la energía, el transporte y el medio ambiente. Para obtener más información, consulte nuestro sitio WEB.
IFPEN ofrece un entorno de investigación estimulante, con acceso a infraestructuras de laboratorio e instalaciones informáticas de primera clase. IFPEN ofrece paquetes competitivos de salarios y beneficios. Todos los estudiantes de doctorado tienen acceso a seminarios y sesiones de formación específicos.
Elige el país al que quieres viajar para estudiar gratis, trabajar o hacer voluntariado