Site emploiBienvenue

Ce recrutement se déroule dans le cadre d’une collaboration entre le Laboratoire Jean Kuntzmann (LJK), laboratoire de mathématiques appliquées et d’informatique de l’Université Grenoble Alpes, et l’entreprise 3E-Performance, spécialisée dans la mesure et l’analyse de performance énergétique. Le LJK est un laboratoire de 300 personnes, chercheurs, enseignant-chercheurs, ingénieurs. 

Sous la responsabilité d'Adeline Leclercq Samson, professeur à l’Université Grenoble Alpes en statistique et Jérôme Lelong, professeur à Grenoble INP – UGA, Ensimag, en probabilités numériques, vous intégrerez le département DATA dont les membres sont spécialistes de statistique et probabilité.

Ce projet ambitionne d’améliorer les analyses de performance énergétique d’installations industrielles afin d’optimiser leur consommation énergétique. Les analyses de performance énergétique, les plans d’actions qui en découlent ainsi que les gains/dérives reposent sur des compteurs qui mesurent des grandeurs physiques (index de compteurs, mesure de température, de pression, de débit, d’humidité). L’enjeu est de d’optimiser la consommation énergétique en fonction d’une consigne prédéfinie dépendant du problème industriel, mais aussi de contraintes externes comme la météo. Mathématiquement, il s’agit d’un problème de contrôle prédictif.

Ce problème est vu comme un contrôle stochastique, où le contrôle dépend du temps et des données observées jusqu'à une date donnée. Les équations de programmation dynamique (à temps discret) et les équations aux dérivées partielles de type Hamilton-Jacobi-Bellman (à temps continu) sont des formulations théoriques bien connues. La résolution numérique de ces problèmes reste un défi, notamment en ce qui concerne le choix des espaces d'approximation pour trouver les contrôles optimaux.

Concernant la prévision de la demande énergétique, il est essentiel de modéliser de manière réaliste les différentes consommations énergétiques, telles que la production de chaud, de froid, la régulation d'humidité et la production d'air comprimé. Un modèle stochastique d'évolution temporelle sera développé, soit à temps discret (modèles autorégressifs) soit à temps continu (Equations Différentielles Stochastiques) en fonction des fréquences d’observation des données. La calibration de ces modèles utilisera des techniques d'inférence pour les processus stochastiques.

La prévision de la demande énergétique permettra de détecter les phénomènes de dérive lente dans les mesures, qui peuvent être dus à une défaillance des capteurs ou à une détérioration des outils de production. Anticiper ces dérives permettra de mettre en œuvre une maintenance préventive, évitant ainsi des défaillances plus graves.

A partir des modèles développés et des données observées en temps réel, l'objectif est d'ajuster la production des différentes sources énergétiques pour minimiser la consommation. Ce problème de contrôle stochastique sera abordé sur des horizons temporels variés (quelques heures ou jours) pour assurer la cohérence et la régularité temporelle du contrôle. Des réseaux de neurones de petite taille seront utilisés comme brique interne d’approximation pour représenter les contrôles. La structure des solutions sera étudiée pour déterminer la meilleure géométrie de réseaux de neurones à utiliser et ainsi limiter le coût de la phase d’apprentissage.

Les méthodes développées, en Python, dans le cadre de ce projet devront pouvoir être déployées sur des architectures légères, directement sur site, de manière à limiter au maximum le transfert de données. Leur développement sera donc placé sous le signe de la frugalité.

Enfin, vous serez amené à la rédaction et publication d'articles scientifiques.

• Expérience de recherche en mathématiques appliquées, savoir réaliser une bibliographie
• Expertise en contrôle stochastique et processus à temps continu
• Expertise en méthodes numériques pour les processus à temps continu et le contrôle stochastique
• Savoir développer une nouvelle méthodologie adaptée à des données complexes
• Expertise en Python
• Curiosité scientifique, rigueur et sens de la discrétion
• Goût pour l’interdisciplinaire et les applications industrielles
• Savoir lire des documents scientifiques en anglais
• Savoir réaliser des présentations et interagir avec l’entreprise partenaire du projet
• Savoir travailler en autonomie et interagir avec les membres du projet
• Savoir rédiger un document scientifique
• Savoir rendre compte à ses encadrants

Formation, diplôme, expérience souhaitée :

Doctorat en mathématiques ou mathématique appliquées.