Le LSPS propose un contrat postdoc pour développer un algorithme prenant en compte les incertitudes des données de la base d'apprentissage d'un réseau de neurones. Ce travail s'inscrit dans le cadre d'un projet d'estimation d'état d'un procédé d'extraction liquide-liquide. En utilisant un simulateur qualifié du procédé et des mesures de suivi lors de son exploitation, il est possible d'estimer les paramètres opératoires et connaitre l'état du procédé. Cependant ces mesures sont entachées d'incertitudes et il est nécessaire de les réconcilier pour obtenir le meilleur jeu de données à fournir au simulateur. Un réseau de neurone convolutifs (CNN) permettant d'inverser le simulateur est en développement (estimer les entrées du simulateur à partir des sorties mesurées). Il s’agira ici d'évaluer l'impact des incertitudes de mesure sur la construction du réseau de neurones. La première étape sera de propager les incertitudes des mesures d'entrée à travers le simulateur à l'aide de la plateforme URANIE développée par le CEA. Cette connaissance sera alors intégrée dans la boucle d'apprentissage du réseau de neurones. L'impact de ces incertitudes sur les résultats du CNN doit être évalué pour fiabiliser l'estimation de l'état du procédé par le CNN.

The LSPS offers a postdoc contract to develop an algorithm able to take into account the uncertainty in the learning database of neural networks. The project fits into the context of the state estimation of liquid-liquid extraction and benefits of its knowledge-based simulator as well as industrial data. An industrial chemical process state is accessible through operating parameters and available monitoring measures. However, the measures being inherently associated with uncertainty, it is necessary to make the data consistent with process knowledge- i.e. to find the best data set of operational parameters to provide to the simulator. A convolutional neural network (CNN) is being developed to find the best inputs thanks to the measured outputs. Here, the first step is to evaluate the impact of the operational parameter uncertainty on the simulator outputs thanks to CEA platform URANIE. This knowledge should be taken into account in the CNN learning loop. The impact of these uncertainties on the CNN computed results must be assessed in order to trust the ability of the CNN to estimate the process state.

Ces nouvelles méthodes combinant réseau de neurones et connaissance du procédé apportent une information synthétique et cohérente au contrôle de systèmes complexes. Le postdoc sera épaulé par trois équipes du CEA expertes du procédé, du CNN et de la plateforme Uranie.

These new methods mixing neural network and process knowledge provide synthetic and consistent information to complex system control. Process, CNN and Uranie experts within three CEA teams will support the postdoc.

Vous intègrerez les équipes de l'ISEC

Formation initiale : Bac+8

Diplôme requis : Doctorat

Expérience : Sans expérience

Compétences techniques et/ou spécifiques : Méthodes numériques, incertitudes, réseau de neurones, CNN

Outils utilisés : Python, Uranie