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.
Participez à notre projet de recherche novateur sur l'éolien, une énergie renouvelable en plein essor ! La couche limite atmosphérique, avec ses turbulences et sa stabilité changeante, joue un rôle crucial dans les performances des éoliennes.
Notre mission ? Développer un modèle efficace qui remplace les simulations LES traditionnelles, coûteuses en temps et en ressources. Ce modèle innovant vise à prédire avec précision les caractéristiques du vent, offrant ainsi une compréhension approfondie des interactions complexes entre la couche limite atmosphérique et les parcs éoliens. Cette avancée promet d'optimiser la conception et l'exploitation des installations éoliennes en fonction des conditions météorologiques, ouvrant la voie à une production d'énergie renouvelable plus efficace et durable.
Le modèle atmosphérique complet s'appuie sur un ensemble de paramètres d'entrée, incluant la rugosité de surface, la vitesse du vent géostrophique, la latitude et le profil initial de température potentielle. Ces variables clés permettent de générer des sorties caractérisant les variations spatio-temporelles des vitesses d'écoulement.
La quête d'efficacité computationnelle nous conduit à explorer la réduction de ce modèle complexe, en cherchant à rationaliser l'espace des paramètres d'entrée et en évaluant la possibilité de réduire leur nombre sans compromettre la qualité des prédictions. Parallèlement, nous explorerons des algorithmes d'échantillonnage avancés pour une exploration optimale de cet espace paramétrique. Une fois cette optimisation effectuée, nous nous appuierons sur des techniques éprouvées de réduction de base, telles que la Décomposition Orthogonale aux valeurs Propres (POD), pour construire un modèle réduit.
L'efficacité de ce modèle sera évaluée selon des critères de performance stricts, notamment sa capacité d'extrapolation à des paramètres non explorés et le respect des contraintes physiques inhérentes au système. En fonction des résultats obtenus et de l'effort computationnel requis, nous envisagerons l'application de techniques de réduction plus récentes et innovantes, ouvrant ainsi la voie à des avancées significatives dans la modélisation atmosphérique pour l'énergie éolienne.
Master 2 en mathématiques appliquées, analyse numérique et calcul scientifique, avec une solide expérience en programmation.
Stage | Data / Mathématiques Appliquées | Hauts-de-Seine (92)
Stage | Data / Mathématiques Appliquées | Hauts-de-Seine (92)
Stage | Data / Mathématiques Appliquées | Hauts-de-Seine (92)
Stage | Data / Mathématiques Appliquées | Hauts-de-Seine (92)