Cerfacs Enter the world of high performance ...

Réduction de la dimension des champs des variables hydrologiques pour une méta-modélisation robuste et fiable dans le contexte de la prévision des crues et des inondations.

 , , , , ,

Required Education : M2 ou école ingénieur
Start date : 1 March 2021
Mission duration : 6 mois
Deadline for applications : 15 December 2020
Salary : 640 euros

Contacts :

 

Sophie Ricci (Cerfacs, Toulouse), ricci@cerfacs.fr
Siham El Garroussi (Cerfacs, Toulouse), garroussi@cerfacs.fr
Pour candidater, merci de nous envoyer avant le 15 décembre 2020 votre CV accompagné d’une lettre de motivation.

 

Sujet de stage :

L'utilisation des modèles hydrauliques pour la prévision des crues a déjà été adoptée par de nombreux Services de Prévision des Crues sur les principaux fleuves français. Les variables hydrauliques simulées sont utilisées par les organismes en charge de la vigilance et de l'alerte, tant dans un contexte de ré-analyse que de prévision temps-réel. Afin de prendre en compte les incertitudes liées aux entrées et aux équations des modèles, une approche ensembliste est souvent favorisée. La génération des ensembles va de pair avec un coût de calcul élevé et un volume conséquent de données générées.  Afin de réduire le coût de calcul, un méta-modèle peut être utilisé en lieu et place du modèle numérique. La construction du méta-modèle est plus aisée lorsque la dimension des variables physiques en entrée et en sortie est réduite. Cette étape de réduction a un objectif double :

·      Éliminer les données redondantes,

·      Faciliter les traitements postérieurs et donc l'interprétation des données.

L'approche standard est l'Analyse en Composantes Principales (ACP) basée sur la projection des données de grandes dimensions sur des sous-espaces propres. Or, cette méthode a des limitations dans le cas où la variable à réduire présente des effets locaux, traduisant notamment des non linéarités ou des discontinuités. Dans ce projet, il s'agit d'explorer des méthodes de réduction de dimension avancées telles que l'ACP à noyaux ou l'Auto-encodeur, puis de comparer ces méthodes. L'étude sera réalisée sur une base de données simulées avec le code d'hydrodynamique à surface libre Telemac, appliqué à la résolution de l'écoulement en hautes eaux sur un tronçon de la Garonne. Les algorithmes de réduction de dimension disponibles au sein des librairies Python OpenTURNS, Scikit learn et Kéras seront utilisés.

Ces travaux seront étendus d'une configuration de test à une configuration instationnaire représentant un épisode de crue significatif sur la Garonne.

Missions du stage :

·      Produire une analyse qualitative des différentes méthodes de réduction d'espace existantes dans la littérature,

·      Comprendre et appliquer des méthodes (linéaires et non linéaires) de réduction de dimension de champs de variables hydrauliques,

·      Inter-comparer ces différentes méthodes sur un cas applicatif,

·      Construire un méta-modèle réduit optimal en se basant sur les résultats de l'inter-comparaison et sur les outils du machine learning.

Déroulement du stage :

Le stage se déroulera au CERFACS, il débutera au premier trimestre 2021 selon la disponibilité du candidat ou de la candidate. L'encadrement du stage sera assuré par Sophie Ricci (chercheure Senior) et Siham El Garroussi (PhD).  Des échanges fréquents avec Matthias De Lozzo (chercheur IRT) sont prévus. Un rapport écrit est attendu à l'issu du stage.

Qualifications :

Le (ou la) candidat(e) devra suivre un cursus de Master 2 et/ou d’école d’ingénieur. De solides connaissances en statistiques et programmation (Python) sont souhaitées. Une connaissance de l'hydraulique ou un goût pour les disciplines environnementales est préférable. Des capacités d’analyse, d’autonomie et de travail en équipe seront appréciées pour mener à bien ces travaux. Un bon niveau en anglais sera aussi un plus pour s’approprier l’état de l’art et communiquer tant à l’écrit qu’à l’oral sur les résultats scientifiques.

 

Références bibliographies :

 

·       Benner, P., Gugercin, S., Willcox, K. (2015) A Survey of Projection-Based Model Reduction Methods for Parametric Dynamical Systems, SIAM Review. 57. 483-531.

·       El Garroussi, S., Ricci, S., De Lozzo, M., Goutal, N. and Lucor, D. (2019) Mixture of polynomial chaos expansions for uncertainty propagation, Telemac User Conférence, Toulouse, France, 15-17 Oct. 2019.

·       El Garroussi, S., De Lozzo, M., Ricci, S., Lucor, D., Goutal, N., Goeury, C. and Boyaval, S. (2019) Uncertainty quantification in a two-dimensional river hydraulic model, UNCECOMP 2019, Crete, Greece, 24-26 June. 2019

·       Ricci, S.. Quantification et réduction des incertitudes par assimilation de données en géosciences – Application à l’hydraulique à surface libre.. HDR. CECI, Université de Toulouse, CNRS, CERFACS. (2019)

·       Roy, P., Elmocayd, N., Ricci, S., Jouhaud, J. -C., Goutal, N., De Lozzo, M. and Rochoux, M. (2018) Comparison of Polynomial Chaos and Gaussian Process surrogates for uncertainty quantification and correlation estimation of spatially distributed open-channel steady flows, Stochastic Environmental Research and Risk Assessment, 32 (6), pp. 1723-1741, doi:10.1007/s00477-017-1470-4

·       Elmocayd, N., Ricci, S., Goutal, N., Rochoux, M., Boyaval, S., Goeury, C., Lucor, D. and Thual, O. (2018) Polynomial Surrogates for Open-Channel Flows in Random Steady State, Environmental Modeling and Assessment, 23 (3), pp. 309–331, doi:10.1007/s10666-017-9582-2