Modélisation de l’écoulement anisotrope des calottes polaires boostée par le machine learning h/f

Modélisation de l’écoulement anisotrope des calottes polaires boostée par le machine learning H/F

Veuillez partager sur Facebook, Twitter et LinkedIn.

* Fonction publique : Fonction publique de l'État
* Employeur : Centre national de la recherche scientifique (CNRS)
* Nature de l’emploi : Emploi ouvert uniquement aux contractuels
* Nature du contrat : Non renseigné
* Expérience souhaitée : Non renseigné
Rémunération : (fourchette indicative pour les contractuels) entre 3 081€ et 4 756€ selon expérience.€ brut/an Afficher la rémunération pour les fonctionnaires.
Missions :
L’écoulement de la glace dans les calottes polaires et les glaciers de montagne est en grande partie dû à sa déformation plastique, qui peut être extrêmement lente. La rhéologie des glaces polaires présente une forte anisotropie viscoplastique, liée à sa microstructure (orientation privilégiée des cristaux) qui évolue avec la déformation plastique. Un tel comportement fortement anisotrope devrait avoir une influence marquée sur la dynamique de l'écoulement des calottes glaciaires, et notamment leur réponse aux transitions climatiques, mais il n'a jamais été entièrement pris en compte dans les modèles. La relation entre la rhéologie et la microstructure est très bien captée par les méthodes d'homogénéisation en champ moyen, qui tiennent compte des mécanismes de déformation de la glace à l'échelle fine (micromètre) pour estimer le comportement effectif à l’échelle du décimètre, en fonction de la microstructure du matériau. Ces méthodes, bien que très puissantes, restent cependant bien trop coûteuses en temps de calcul pour pouvoir être introduites en tant que loi de comportement dans un code Éléments Finis d’écoulement de calottes polaires (échelle : 1000km). Nous proposons donc d’entraîner un réseau de neurones sur un modèle d’homogénéisation non-linéaire, afin de reproduire la rhéologie anisotrope non linéaire et évolutive de la glace, puis d’introduire ce réseau de neurones dans un modèle d'écoulement à grande échelle. Nos premiers travaux dans ce domaine ont montré la précision et l’extraordinaire efficacité numérique de l’IA entraînée sur le modèle d’homogénéisation. Nous pourrons donc étudier ainsi l'impact de l'anisotropie de la glace sur la dynamique de l'écoulement à grande échelle et sur l'évolution des calottes glaciaires en relation avec le réchauffement climatique (ex. appliqué au Groenland).
Activités :
Concrètement, le travail de post-doctorat consistera en :
1. Décrire les différentes microstructures des glaces naturelles au moyen d’un petit nombre de paramètres, ex. à l’aide d’harmoniques sphériques généralisées,
2. Identifier la résistance des systèmes de glissement des dislocations dans la glace à partir d’essais mécaniques publiés dans la littérature,
3. Élaborer une b


Profil recherché

Compétences :
Le/la candidat(e), qui doit avoir obtenu une thèse, doit avoir montré de solides compétences en calculs numériques, machine learning, et mécanique des matériaux ou des structures. Des connaissances concernant les méthodes d’homogénéisation, les microstructures des matériaux polycristallins, la géophysique, seront également appréciées. Il/elle devra avoir des aptitudes à la rédaction d’articles scientifiques, et être motivée par le travail en équipe sur un sujet à l’interface entre plusieurs disciplines.
Contraintes et risques :
Aucun.


Niveau d'études minimum requis

* Niveau : Niveau 8 Doctorat/diplômes équivalents

C’est l’une des plus importantes institutions publiques au monde : 33 000 femmes et hommes (dont plus de 16 000 chercheurs et plus de 16 000 ingénieurs et techniciens), en partenariat avec les universités et les grandes écoles, y font progresser les connaissances en explorant le vivant, la matière, l’Univers et le fonctionnement des sociétés humaines.

#J-18808-Ljbffr