Machine Learning Pour La Propagation - Brest, France - ENSTA Bretagne

ENSTA Bretagne

Entreprise vérifiée

Brest, France

il y a 3 semaines

Posté par:

Sophie Dupont

beBee Recruiter

Description

**Machine Learning pour la PROPagation troposphérique (MLPROP)**:

- Réf
- **ABG-117067**
- Stage master 2 / Ingénieur- Durée 6 mois- Salaire net mensuel 575 euros- 10/10/2023- ENSTA Bretagne- Lieu de travail- Brest Bretagne France- Champs scientifiques- Numérique
- Physique- 15/01/2024**Établissement recruteur**:
L'ENSTA Bretagne rassemble sur son campus brestois une école d'ingénieurs et un centre de recherche pluridisciplinaires, soit 910 étudiants en cycle ingénieur, formation d'ingénieur par apprentissage, master, mastère spécialisé ou thèse.

Cet établissement public forme des ingénieurs généralistes, capables d'assurer, dans un environnement international, la conception et la réalisation de systèmes de haute technologie pour tous les secteurs de l'industrie : naval, aérospatiale, automobile, télécommunications, énergie, défense, etc. Les domaines de spécialisation proposés sont larges couvrant ainsi les sciences marines (architecture navale, énergies marines renouvelables, hydrographie, systèmes d'observation et robotique autonome) et des défis technologiques pluridisciplinaires (modélisation mécanique, architecture véhicule, pyrotechnie, systèmes numériques et sécurité, management de projets industriels). Les travaux de recherche, menés le plus souvent en fort partenariat industriel, sont conduits au sein de laboratoires multi-établissements : en technologies de l'information et de la communication (Lab-STICC, UMR CNRS 6285), en sciences mécaniques (IRDL, UMR CNRS 6027), et en sciences humaines et sociales (CRF, EA 1410).

**Description**:
**Modéliser** de façon_ rapide_ et _précise_ la** propagation des ondes électromagnétiques** est une étape incontournable pour la conception et le développement de systèmes d'observation (RADAR), satellitaires (imagerie SAR) et /ou de communication (couverture pour les réseaux 4G, et 5G par exemple). Dans ce contexte, il est nécessaire de prendre en compte différent phénomène comme _le relief_, _la composition du sol_ et/ou _la réfraction_ (dû à l'atmosphère).

Dans ce contexte, de nombreuses méthodes ont été développés pour calculer la propagation du champ. Par exemple, dans la méthode SSW permet de calculer la propagation troposphérique en tenant compte de nombreux phénomènes, comme la réfraction, le relief et la composition du sol. Néanmoins, ces méthodes sont souvent très gourmandes en temps de de calculs et taille mémoire pour le passage à la 3D.

Depuis quelques années, les méthodes de **Machine Learning** notamment de **Deep Learning** (en particulier les réseaux Auto-encodeurs (AE) et ses variants, les U-Net ou LSTM-Long-Short-Term-Memory-) ont prouvé leurs performances dans plusieurs domaines, et sont très étudiées dans le contexte de ce présent projet dans le but d'obtenir des solutions efficaces avec des capacités de généralisation** temps réels**. Cependant, ces méthodes de Deep learning nécessitent un grand volume de données bien renseignée (labélisé) et un paramétrage bien adapté. Dans ce contexte, des questions se posent:

- _Comment former une base d'apprentissage représentative ?_
- _Quels types de réseaux (modèle et architecture) sont les plus performants et quel paramétrage associé ?_
- _Quels sont les possibilités associées à ces types de méthodes (avantages et inconvénients) ?_

Dans ce sens, une première solution a été développé et améliorée lors de différents projets de 3ième année d'étudiant.e.s de l'ENSTA Bretagne. Ainsi, une idée originale pour créer une base de données (BDD) représentative a été proposée, et un réseau U-Net à 5 niveaux a été implémenté.

Nous souhaitons via ce stage de fin d'étude compléter le travail précédent qui traitait seulement du relief (comme paramètre physique) pour calculer la propagation à la hauteur de l'antenne émettrice. Selon les besoins, une base de données et un ensemble de scripts (code) peut être fourni. Le développement sous** python** avec les bibliothèques dédiées (tensorflow, pytorch) sont recommandées.

Le but de ce projet est ainsi de continuer les travaux entamés en généralisant ce qui a été fait. On pourra par exemple continuer de travailler sur le cas 1D pour prendre en compte la composition du sol et différentes hauteurs d'antennes émettrices. On pourra aussi passer à l'étude dans le cas 2D, en utilisant toutes l'information fournie par la méthode SSW (image du champ). Ainsi, l'étudiant.e construira la nouvelle BDD (« image » de champs) et continuera l'amélioration du réseau U-Net introduit lors du projet précédent. De plus, l'étudiant.e pourra aussi développer une nouvelle métrique permettant de caractériser la fiabilité de la prédiction (moyenne et variance) ou développer un modèle basé sur d'autres types de réseaux (LSTM, AE variationnel, etc.).

Plus en détails, les différents objectifs s