Stage - Optimiser Calculs Éléments Finis Élasto-Viscoplastique d'Un Rotor de Turbine Basse Pression H/F - Safran

Safran est un groupe international de haute technologie opérant dans les domaines de l'aéronautique (propulsion, équipements et intérieurs), de l'espace et de la défense. Sa mission : contribuer durablement à un monde plus sûr, où le transport aérien devient toujours plus respectueux de l'environnement, plus confortable et plus accessible. Implanté sur tous les continents, le Groupe emploie 100 000 collaborateurs pour un chiffre d'affaires de 27,3 milliards d'euros en 2024, et occupe, seul ou en partenariat, des positions de premier plan mondial ou européen sur ses marchés.
Safran est la 2ème entreprise du secteur aéronautique et défense du classement « World's Best Companies 2024 » du magazine TIME.

Safran Aircraft Engines conçoit, produit et commercialise, seul ou en coopération, des moteurs aéronautiques civils et militaires aux meilleurs niveaux de performance, fiabilité et respect de l'environnement. La société est notamment, à travers CFM International*, le leader mondial de la propulsion d'avions commerciaux courts et moyen-courriers.
* CFM International est une société commune 50/50 de Safran Aircraft Engines et GE Aerospace.

Parce que nous sommes persuadés que chaque talent compte, nous valorisons et encourageons les candidatures de personnes en situation de handicap pour nos opportunités d'emploi.Safran Aircraft Engines conçoit, développe, produit, et commercialise, seul ou en coopération, des moteurs pour avions civils et militaires.
Au sein du département bureau d'études Turbine Recherche et Développement de la Direction Technique, vous rejoignez le service Turbine Basse Pression (TuBP).

Les différentes pièces du rotor de la turbine basse pression sont soumises à des chargements thermomécaniques sévères. Ces chargements peuvent déclencher un phénomène de fluage qui sera susceptible de modifier la tenue de ces pièces. Pour mieux comprendre la durabilité de ces pièces, des calculs cycliques non linéaires avec des lois de comportement élasto-viscoplastique sont parfois nécessaires. Toutefois, ces calculs demeurent aujourd'hui très coûteux et extrêmement complexes à réaliser et analyser. Afin d'accélérer ce type de calcul, différentes approches de simplification seront étudiées durant ce stage.

L'objectif du stage est d'étendre les travaux récemment menés sur les calculs cycliques non linéaires. Il s'agira d'appliquer et d'évaluer différentes approches de simplification visant à réduire le temps de calcul, notamment par la réduction spatiale et/ou temporelle du modèle ainsi que par le déploiement de lois de comportement accélérées.

Par ailleurs, le stage se situera également à l'interface entre les méthodes de Deep Learning et les méthodes d'extrapolation, afin de développer une méthodologie prédictive permettant d'estimer des variables d'intérêts sur un grand nombre de cycles à partir d'un nombre réduit de cycle.

Le stage s'articulera autour des axes de travail suivants :
- État de l'art et veille technologique : réaliser une étude bibliographique des approches existantes d'optimisation du temps de calcul pour des simulations cycliques non linéaires afin d'identifier les leviers les plus pertinents vis-à-vis de nos cas industriels.
- Réduction du modèle : proposer une stratégie de simplification de la base d'instants de calcul, en s'appuyant sur les paramètres de convergence de la loi de comportement utilisée. L'objectif est de réduire le nombre d'évaluations temporelles sans perte de fidélité sur les grandeurs d'intérêt, puis d'automatiser cette méthode pour un déploiement opérationnel dans les outils du BE.
- Evaluation de lois de comportement accélérées : Réaliser une étude sur l'utilisation d'une loi de comportement accélérée afin de réduire le temps de calcul. Cette étude inclura une comparaison détaillée entre la loi de référence et la loi accélérée sur nos cas industriels, afin d'évaluer sa pertinence d'utilisation.
- Apport des outils de Deep Learning pour la prédiction : étudier l'utilisation de techniques de Deep Learning pour prédire les variables mécaniques d'intérêt sur un grand nombre de cycles, en s'appuyant sur des calculs réalisés sur un nombre réduit de cycles. L'objectif est d'évaluer les conditions d'intégration de cette approche comme outil d'aide au dimensionnement au sein du BE.

Bac +5 (Master 2 ou 3ème année école d'ingénieur à dominance mécanique ou aéronautique)
- Spécialité : Mécanique du solide, Mécanique des matériaux, Mécanique numérique
- Qualités requises : autonomie, esprit de synthèse, capacités de travail en équipe, être force
de proposition, une expérience sur Workbench/ANSYS et la maitrise de la programmation en Python représente un
plus.