Analyse de sensibilité et incertitudes des modèles d'émissions routières

IFP Energies nouvelles - Lyon

---

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. Depuis les concepts scientifiques en recherche fondamentale jusqu’aux solutions technologiques en recherche appliquée, l’innovation est au cœur de son action, articulée autour de quatre orientations stratégiques : climat, environnement et économie circulaire ; énergies renouvelables ; mobilité durable ; hydrocarbures responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur l’apport de solutions aux défis sociétaux et industriels de l’énergie et du climat, au service de la transition écologique. Partie intégrante d’IFPEN, IFP School, son école d’ingénieurs, prépare les générations futures à relever ces défis.

Analyse de sensibilité et incertitudes des modèles d’émissions routières

Parce qu’une transition écologique exige avant tout une mesure précise des émissions issues de nos déplacements, IFPEN développe puis affine en continu des modèles capables de transformer les flux de trafic en indicateurs environnementaux fiables et actionnables : d’une simple heure de pointe, ils restituent les rejets d’oxydes d’azote, de particules (échappement et usure), d’hydrocarbures imbrûlés, de monoxyde de carbone et de CO₂.

Ces modèles se déclinent en deux familles internes :

• Microscopiques – haute résolution (profils vitesse–accélération) pour le temps réel ;
• Mésoscopiques – agrégés par tronçon/vitesse pour le territoire étendu.

Face à eux, les références européennes HBEFA et COPERT dominent les inventaires réglementaires. Le stage vise à comparer ces quatre outils (HBEFA, COPERT, modèles IFPEN), analyser leur sensibilité aux paramètres clés (moteur froid/chaud, âge véhicule, profil vitesse), quantifier leurs incertitudes et traduire les résultats en recommandations opérationnelles pour le pilotage des politiques publiques. Une partie du travail sera consacré à la réalisation d’un prototype de web-service Python pour capitaliser les développements et faciliter leur diffusion.

Objectifs

1. Inventaire et harmonisation des modèles
   Vous commencerez par inventorier les hypothèses, les formats d’entrée et les niveaux de sortie de chacun des quatre modèles. L’objectif est de bâtir un socle commun de scénarios (types de véhicules, vitesses, thermique moteur, ancienneté) afin de garantir une comparaison équitable.
2. Analyse de sensibilité
   À partir de plans d’expériences orienté analyse de sensibilité et d’incertitude, vous identifierez les paramètres les plus influents sur les émissions. Cette étape vise à comprendre quels leviers (vitesse, température moteur, technologie) pèsent le plus lourd dans le résultat final.
3. Quantification des incertitudes
   En vous appuyant sur des distributions d’entrée réalistes (statistiques de parc, littérature, mesures terrain), vous propagerez les incertitudes tout au long de la chaîne de calcul pour produire des intervalles de confiance sur chaque polluant.
4. Validation croisée avec les données terrain
   Les sorties des modèles seront confrontées à des mesures réelles (PEMS, capteurs fixes, bases open-data). Il s’agira de détecter d’éventuels biais systématiques et, si nécessaire, de proposer des ajustements.
5. Cas d’application
   Enfin, vous appliquerez les développements sur un cas d’usage à déterminer (par ex. vitesse limite sur le périphérique/autoroute).

Profil recherché

Étudiant(e) en Master 1 ou 2ème année d'école d’ingénieur (data science, géomatique, transport, …)

• Des connaissances en APIs et en manipulation de données structurées seraient un plus apprécié
• Maîtrise de Python (pandas, numpy, scipy) et des bonnes pratiques de développement (tests unitaires, Git).
• Appétence pour le traitement de données expérimentales et la confrontation modèle-réalité.
• Autonomie, rigueur scientifique et bonne communication écrite/orale.

---

---

Annonces similaires