Stage Analyse Biomécanique en Crash Détection d'Anomalies et Explicabilité en Machine Learning H/F - 95

Le stage proposé se déroule dans le département de R&D en charge des méthodes numériques avancées. Notre service est plus particulièrement dédié à la mise en place de méthodes exploitant les outils d'intelligence artificielle, d'optimisation, de modélisation stochastique, ..., au bénéfice de l'ingénierie des projets automobiles. Le stage se déroule au sein d'une équipe internationale (un niveau suffisant en anglais est ainsi requis), intégrant les multiples compétences nécessaires à la réussite de ces projets stratégiques basés sur l'IA.
Lors d'un essai de crash automobile (choc frontal, latéral, ...) on cherche à qualifier et quantifier le comportement des « occupants », à savoir les mannequins positionnés sur les sièges de l'automobile. Cela permet de valider la conception du véhicule vis-à-vis de la protection des occupants lors d'un choc.
Pour cela, les mannequins sont très largement instrumentés : ce sont en réalité des outils de mesure complexes et couteux qui disposent de multiples voies d'acquisition à haute cadence, en déplacements, vitesses, accélérations, efforts et moments ... en de nombreux endroits du mannequin. Parallèlement le véhicule est lui aussi fortement instrumenté. On dispose ainsi d'une grande quantité de données à l'issue d'un essai de choc et tous ces enregistrements alimentent une base de données depuis de nombreuses années.
Le travail du stage consistera à compléter des travaux de type « exploratory data analytics » pour exhiber les corrélations physiques dans ces données, détecter des données anormales (erreurs de mesure ou phénomène physique inhabituel), etc... afin de supporter les analyses de scénario de choc.
Au-delà des techniques EDA, l'objectif sera aussi de mettre en place des techniques de machine learning afin de reconstruire par exemple une mesure à partir d'un groupe d'autres mesures. On peut alors valider des donnés incertaines, reconstruire des données manquantes et préparer le terrain à des stratégies d'hybrid twins (qui mêleront des données issues du calcul aux mesures physiques).