CF202649455
Hybrid Froude-Krylov and machine-learning approach for fast time-domain simulation of floating photovoltaic plants
J-69
Doctorat Doctorat complet
Sciences pour l'Ingénieur
Pays de la Loire
Disciplines
Mécanique des Fluides, Mathématiques appliquées, Autre (Sciences pour l'Ingénieur)
Laboratoire
LABORATOIRE DE RECHERCHE EN HYDRODYNAMIQUE, ENERGÉTIQUE ET ENVIRONNEMENT ATMOSPHÉRIQUE (LHEEA)
Institution d'accueil
ECOLE CENTRALE NANTES
Ecole doctorale
Sciences pour l'ingénieur - ED 70

Description

La transition énergétique repose en partie sur le déploiement massif des énergies renouvelables en mer. Parmi les solutions émergentes, les systèmes photovoltaïques flottants (FPV) en milieu marin (côtier et offshore) offrent un potentiel considérable là où la disponibilité des terres est limitée. Ces centrales sont constituées de structures modulaires interconnectées formant de grandes îles flottantes.

Cependant, le comportement hydrodynamique de ces structures multicorps sous l'action des vagues reste difficile à appréhender, en particulier concernant les interactions complexes entre les modules et l'évaluation fine des efforts mécaniques au niveau des liaisons. Les méthodes numériques actuelles (méthodes d'éléments de frontière) sont extrêmement coûteuses en temps de calcul dès lors qu'il s'agit de simuler des dizaines ou des centaines de modules connectés, ce qui les rend impraticables pour des phases d'optimisation de design.

L'originalité du projet consiste à lever ce verrou en développant un cadre numérique hybride novateur. Il combinera une modélisation physique rapide avec des modèles d'apprentissage automatique entraînés pour prédire le comportement hydrodynamique.

 

Compétences requises

Formation : Titulaire (ou futur diplômé d'ici fin 2026) d'un Master 2 ou diplôme d'ingénieur en hydrodynamique marine, mathématiques appliquées, informatique scientifique ou mécanique des fluides. Compétences techniques : Solides bases en modélisation numérique, calcul scientifique et algorithmique. Une excellente maîtrise de la programmation (Python, Matlab ou équivalent) est indispensable. De l'intérêt ou une première expérience en Machine Learning / science des données est un plus. Aptitudes : Rigueur scientifique, autonomie, aisance pour le travail collaboratif et motivation pour l'innovation dans les énergies marines renouvelables.

Offre financée

Type de financement
Contrat Doctoral

Dates

Date limite de candidature 01/10/26

Durée36 mois

Date de démarrage01/01/27

Date de création20/07/26

Langues

Niveau de français requisAucun

Niveau d'anglais requisC2 (maîtrise)

Possibilité de faire sa thèse en anglais

Divers

Frais de scolarité annuels500 € / an

Site web

Contacts

Vous devez vous connecter pour voir ces informations.

Cliquez ici pour vous connecter ou vous inscrire (c'est gratuit !)