Doctorant (H/F) - Paris e, France - AMVALOR

AMVALOR

Entreprise vérifiée

Paris e, France

il y a 6 jours

Posté par:

Sophie Dupont

beBee Recruiter

Description

La société AMVALOR, Société par Actions Simplifiée, réalise des travaux de recherche et des développements innovants dans les domaines du génie mécanique et du génie industriel principalement et s'appuie depuis 1973 sur les Centres d'Enseignement et de Recherche d'Arts et Métiers dont elle est devenue en juillet 2016 une filiale.

Sa vocation est le développement de relations de recherche contractuelle avec le monde industriel. La structure gère plus de 700 contrats par an avec l'ensemble des acteurs du tissu économique et réalise un chiffre d'affaires annuel de 15 millions d'Euros avec un effectif de 160 collaborateurs.

Ø **Contexte**:
Le Laboratoire Procédés et Ingénierie en Mécanique et Matériaux (PIMM) est une unité mixte de recherche entre l'Ecole Nationale Supérieure d'Arts et Métiers (ENSAM), le Centre National de Recherche Scientifique (CNRS) et le Conservatoire National des Arts et Métiers (CNAM) qui mène des recherches sur les matériaux et leurs procédés de transformations en vue de les optimiser et de répondre, entre autres, aux nouveaux enjeux environnementaux pour les industries de l'énergie, du transport terrestre et aérien, de la santé, de l'emballage alimentaire etc.

Au sein équipe multinationale, et dans le cadre de la chaire SKF, une chaire de recherche collaboratif en SKF et ENSAM, vous serez un doctorant jouant le rôle de relever le défi majeur pour SKF, celui de la modélisation efficace et temps réel de la rectification des anneaux des roulements.

Ø Sujet de thèse/ de recherche:
**Modélisation de la rectification des bagues de roulements à l'aide de la modélisation du contact et de l'intelligence artificielle informée**

Rectification involves soft machining to remove the asperities and improve the final surface aspect of the built part. The rectification process is of high relevance to bearing rings' manufacturing, as it improves performance, reduces friction, and increases bearing life expectancy. Despite high interest in this process, its underlying physical phenomena are not mastered yet. In fact, computationally tractable and accurate modeling is not within reach. Recent works advanced contact modeling with a high-fidelity estimation of the friction force as a function of the normal reaction. State-of-the-art modeling allows the removal of material as a function of the depicted friction and normal forces. However, the microscopic modeling is not generalizable to real rectification processes involving multilayers' removal, heat transfer, coolant fluid flow, etc., at realistic computational time.

The proposed thesis will tackle the rectification problem by including model reduction techniques to accelerate the available physical modeling, and data-driven techniques to augment the physical models and enhance their representability. Multiple experimental results will be available through SKF machinery. The experimental results will be leveraged to: Calibrate the models, validate the reduced-order ones, train Machine Learning algorithms, augment the reduced models.

**Activités**

**A ce titre, la personne aura les activités suivantes**:

- Recherches bibliographiques
- Développement de simulation temps réels
- Construire des modèles réduits
- Entrainer de modèles Machine Learning
- Rédaction et publication/présentation des travaux de recherche lors de conférences internationales et dans des journaux scientifiques.

**Mots clés**:

- Réduction de modèles ; rectification ; augmentation des modèles ; Machine Learning ; friction ; modèles hybrides.

**Profil recherché**:
La personne recherchée devra présenter une appetence pour la recherche scientifique et idéalement une connaissance polyvalente en génie mécanique et en méthodes informatiques. Titulaire d'un Master 2 ou d'une école d'Ingénieur, démontrer de hautes compétences en programmation. Une certaine familiarité avec les algorithmes de Machine Learning est un véritable plus. De plus, une expérience préalable démontrée en modélisation des contacts est requise. Rigoureux (se) et autonome, la personne contribuera aux activités de la Chaire SKF en lien avec ses acteurs et ses partenaires.

**Compétences requises**
- Maitrise en programmation (Pyhton, Julia, Matlab, C++)
- Connaissances en modélisation de friction et du contact
- Compétences en calcul numérique
- Connaissance en machine learning
- Appétence pour la recherche scientifique
- Capacité d'intégration dans une équipe de recherche pluridisciplinaire
- Anglais académique

**Savoir-être**
- Bonnes capacités de communications orales et écrites,
- Capacité d'analyse, de synthèse et de rédaction,
- Être force de proposition, créatif(ve) et rigoureux (se) et avoir avec un fort esprit d'équipe.

**Informations diverses**
- Statut : Non cadre - 37 heures hebdomadaires (25 CP et 12 RTT / an)
- Convention Collective Nationale : SYNTEC
- Salaire brut a