Stage - Reconstruction de signaux de capteurs neutroniques par processus gaussiens F/H

L'offre

Description du poste :

En tant qu'organisateur de forums de recrutement, Talents Handicap accompagne de très nombreuses entreprises & organisations en France dans leurs recrutements de collaborateurs en situation de handicap. Participant actuellement à l'un de nos forums.
L'entreprise Framatome recherche actuellement des profils :
ContexteAu sein de la Direction Technique et Ingénierie, dans le département codes et méthodes de la Division Sûreté et Procédés des Réacteurs, la section codes et méthodes neutronique Lyon (DTIPDN) réalise le développement et la validation des outils et méthodes de calculs neutronique de Framatome en collaboration avec les équipes parisiennes.Le stage sera mené en collaboration avec le pôle Data Science & Applied Mathematics (DSAM), afin de consolider l'application de méthodes statistiques avancées à des problématiques d'instrumentation neutronique.MissionDans les réacteurs de dernière génération type EPR, les détecteurs incore (Self Powered Neutron Detectors - SPND) jouent un rôle essentiel dans les fonctions de surveillance et de protection du cœur. Ils fournissent des mesures du flux neutronique, utilisées pour suivre l'état physique du réacteur et contribuer à son exploitation dans des conditions sûres et performantes. La disponibilité, la qualité et la cohérence de ces mesures constituent donc un enjeu essentiel. Or, certaines informations peuvent ponctuellement être indisponibles, dégradées ou écartées à cause de perturbations de l'état des capteurs, ce qui motive le développement de méthodes de reconstruction robustes pour la restauration de la représentativité de ces capteurs et des performances du réacteur.L'objectif du stage est de contribuer à l'étude et à la validation d'une méthode de reconstruction de signaux SPND en présence de capteurs manquants, en s'appuyant sur des approches statistiques de type krigeage / processus gaussiens. Ces méthodes permettent d'exploiter les corrélations spatiales entre capteurs afin d'estimer les valeurs manquantes, tout en associant une information d'incertitude aux prédictions.Le stage visera à formaliser, évaluer et consolider une démarche de reconstruction applicable à des configurations représentatives, en particulier pour différents scénarios d'indisponibilité de capteurs. Une attention particulière sera portée à l'analyse physique des résultats, à la cohérence des incertitudes estimées et à l'identification des conditions d'application de la méthode.Pour cela, le/la stagiaire sera amené(e) à :Prendre en main le contexte physique associé aux mesures SPND et aux grandeurs neutroniques d'intérêt ainsi que les codes de calculs nécessaires ;Prendre en main les outils Python mis à disposition pour l'apprentissage, la reconstruction et l'évaluation des performances ;Définir et exécuter des campagnes de validation sur différents scénarios de capteurs indisponibles ;Analyser les performances de reconstruction, notamment en termes d'erreur de prédiction et de cohérence des incertitudes estimées ;Comparer les résultats obtenus selon le nombre, la position et la nature des capteurs manquants ;Rédiger une synthèse claire des résultats obtenus et des recommandations pour la poursuite des travaux.Vous êtes étudiant(e) en dernière année d'école d'ingénieurs ou équivalent universitaire, avec une spécialisation en physique nucléaire, génie atomique, mathématiques appliquées, data science ou simulation numérique.Vous recherchez un stage de fin d'études d'une durée de 5 à 6 mois et vous avez un intérêt pour l'application des méthodes statistiques et numériques à des problématiques physiques industrielles.Compétences techniquesDes connaissances générales en physique des réacteurs, neutronique ou instrumentation nucléaire seront appréciées.Vous disposez de bonnes bases en programmation Python et êtes à l'aise avec la manipulation de données, l'analyse numérique et la visualisation de résultats. Une première expérience avec les bibliothèques scientifiques usuelles de Python, telles que NumPy, pandas, scikit-learn ou matplotlib, sera utile.Des connaissances en processus gaussiens, krigeage, apprentissage statistique, validation de modèles ou quantification des incertitudes constitueront un plus, mais ne sont pas indispensables si vous êtes motivé(e) pour les acquérir pendant le stage.Une aisance avec l'environnement Linux et l'utilisation d'outils de calcul scientifique sera également appréciée.