Commit d7601bc0 authored by Calcul Bot's avatar Calcul Bot
Browse files

Adding new job offer job_8dcdcd0c99c717a8185af40fec3e4868

parent 9c189af9
Pipeline #13656 passed with stages
in 6 minutes and 57 seconds
Title: Développement d'un code d'apprentissage non supervisé pour la synthèse contrôlée de microstructures de métaux
Date: 2021-06-25 09:22
Slug: job_8dcdcd0c99c717a8185af40fec3e4868
Category: job
Authors: Antoine Falaize
Email: antoine.falaize@univ-lr.fr
Job_Type: CDD
Tags: cdd
Template: job_offer
Job_Location: La Rochelle
Job_Duration: 4 mois (renouvelable)
Job_Website: https://lasie.univ-larochelle.fr/E4-DMPR
Job_Employer: Laboratoire LaSIE UMR 7356 CNRS La Rochelle Université
Expiration_Date: 2021-09-01
Attachment:
L’équipe Durabilité, Microstructure, Protection et Revêtements (DMPR) du LaSIE recrute un ingénieur pour une première mission de 4 mois (éventuellement renouvelable) à compter du mois de Septembre 2021.
La question de l’impact de l’hydrogène sur la durabilité des métaux et alliages est devenue d’importance notable dans nombreux secteurs d’application intégrant des stratégies de conception légères et de réduction de coût et d’énergie. Le LaSIE mène dans ce cadre un certain nombre d’études expérimentales et numériques sur la diffusion et le piégeage de l’hydrogène en interaction avec les défauts cristallins (lacune, dislocation, précipité, joints de grains, surface, interfaces, inter-phases, etc.). En particulier, de nombreux travaux visent à faire le lien entre la diffusion observée de l’hydrogène au sein du matériau et des paramètres statistiques associés à la microstructure (typiquement la distribution des joints de grains et des triples jonctions).
Les outils numériques développés pour répondre à cette problématique reposent d’un côté sur des simulations de type éléments/volumes finis pour prédire la diffusion de l’hydrogène au sein d’une microstructure donnée, et d’un autre côté sur la prédiction statistique de la microstructure pour atteindre des propriétés de diffusion cible via une représentation par des graphes pondérés.
Travail demandé : Dans ce contexte, la personne recrutée sera en charge de développer et d’implémenter des techniques d’apprentissage automatique de type réseaux de neurones profonds couplées à des décompositions de type graph kernels et des méthodes d’interpolation sur les variétés matricielles développées au laboratoire. L’objectif in fine est de développer un code permettant de générer des microstructures physiquement réalistes et dont les propriétés de diffusion de l’hydrogène sont contrôlées.
Profil recherché: De formation mathématiques appliquées, le, la recruté(e) devra avoir de solides connaissances en apprentissage non supervisé (autoencoders, GAN, graph kernels) et sur les méthodes d’optimisation/interpolation sur le variétés. La maîtrise de la programmation orientée objet en Python et de la librairie Pytorch sont nécessaires. De bonnes connaissances en métallurgie physique seront appréciées (défauts cristallin, plasticité, diffusion, phase, etc.).
Durée du CDD: 4 mois (renouvelable).
Contact: envoyez CV + lettre de motivation à
Jamaa Bouhattate: jamaa.bouhattate@univ-lr.fr
Antoine Falaize: antoine.falaize@univ-lr.fr.
\ No newline at end of file
Markdown is supported
0% or .
You are about to add 0 people to the discussion. Proceed with caution.
Finish editing this message first!
Please register or to comment