Développement de jumeaux numériques des procédés de mise en forme à chaud d'alliages de Zr par apprentissage profond // Development of digital twins of Zr alloys hot forming processes by deep learning
ABG-131916
ADUM-65381 |
Sujet de Thèse | |
14/05/2025 | Cifre |
Mines Paris-PSL
Sophia Antipolis - Ile-de-France - France
Développement de jumeaux numériques des procédés de mise en forme à chaud d'alliages de Zr par apprentissage profond // Development of digital twins of Zr alloys hot forming processes by deep learning
- Mathématiques
Apprentissage profond, auto-encodeur, graph neural network, point clouds
Deep Learning, Graph Neural Network, Autoencoder, Point Cloud
Deep Learning, Graph Neural Network, Autoencoder, Point Cloud
Description du sujet
Développer les jumeaux numériques des procédés de mise en forme à chaud
d'alliages de Zr, en déployant de l'apprentissage profond à l'état de l'art, sur la
base de simulations éléments finis, de modèles analytiques et de données
industrielles.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Developing digital twins of the hot forming processes of Zr alloys with
state-of-the-art deep learning, based on finite element simulations,
analytical models and industrial data.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Début de la thèse : 01/10/2025
WEB : https://www.cemef.minesparis.psl.eu/wp-content/uploads/2025/04/Phd_framatome_IA.pdf
d'alliages de Zr, en déployant de l'apprentissage profond à l'état de l'art, sur la
base de simulations éléments finis, de modèles analytiques et de données
industrielles.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Developing digital twins of the hot forming processes of Zr alloys with
state-of-the-art deep learning, based on finite element simulations,
analytical models and industrial data.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Début de la thèse : 01/10/2025
WEB : https://www.cemef.minesparis.psl.eu/wp-content/uploads/2025/04/Phd_framatome_IA.pdf
Nature du financement
Cifre
Précisions sur le financement
CIFRE ANRT
Présentation établissement et labo d'accueil
Mines Paris-PSL
Etablissement délivrant le doctorat
Mines Paris-PSL
Ecole doctorale
364 SFA - Sciences Fondamentales et Appliquées
Profil du candidat
Master en Mathématiques Appliquées ou Master/Ingénieur en Mécanique
Numérique.
Rigueur et capacité à s'investir pleinement dans un sujet.
Aptitude au travail en équipe.
Maitrise de la langue anglaise (niveau B2 minimum).
Master degree in Applied Mathematics or in Computational Mechanics. Rigor, dedication to a subject, aptitude to teamworking are important Mastering of the English language is necessary (level B2 minimum)
Master degree in Applied Mathematics or in Computational Mechanics. Rigor, dedication to a subject, aptitude to teamworking are important Mastering of the English language is necessary (level B2 minimum)
31/08/2025
Postuler
Fermer
Vous avez déjà un compte ?
Nouvel utilisateur ?
Besoin d'informations sur l'ABG ?
Vous souhaitez recevoir nos infolettres ?
Découvrez nos adhérents
CASDEN
MabDesign
Nokia Bell Labs France
TotalEnergies
SUEZ
Ifremer
ONERA - The French Aerospace Lab
ASNR - Autorité de sûreté nucléaire et de radioprotection - Siège
CESI
Généthon
ADEME
MabDesign
Aérocentre, Pôle d'excellence régional
Institut Sup'biotech de Paris
ANRT
Groupe AFNOR - Association française de normalisation
Tecknowmetrix
Laboratoire National de Métrologie et d'Essais - LNE
PhDOOC