Scientific Computing Engineer (ID227)

Titre du Poste: 

Scientific Computing Engineer (6 mois)

Titre du Projet:  

Développement de modèles d’IA guidés par la physique pour les chocs et vibrations des outils de fond de puits

À propos de SLB: 

Nous sommes une entreprise technologique mondiale, moteur de l'innovation énergétique pour un équilibre planétaire. 

Chez SLB, nous créons des technologies incroyables qui ouvrent l'accès à l'énergie au bénéfice de tous. C'est notre raison d'être. En tant qu'innovateurs, c'est notre mission depuis 100 ans. Nous faisons face au plus grand défi d'équilibre au monde : réduire simultanément les émissions tout en répondant à la demande croissante en énergie. Nous travaillons chaque jour pour trouver des solutions, un pas après l'autre. 

Notre avenir collectif dépend de la décarbonisation de l'industrie des énergies fossiles, tout en innovant dans un nouveau paysage énergétique. C'est ce qui nous motive. Assurer le progrès pour les personnes et la planète, dans un cheminement vers la neutralité carbone et au-delà. Pour un équilibre planétaire. 

Notre mission : Ensemble, nous créons des technologies incroyables qui ouvrent l'accès à l'énergie au bénéfice de tous. Vous pouvez en savoir plus sur nous via ce lien: https://www.slb.com/who-we-are. 

Localisation:  

Clamart, Paris 

Description et Périmètre: 

L’objectif de ce stage est de développer des modèles à ordre réduit (Reduced Order Models - ROM) utilisant des méthodes de Machine Learning pour prédire la réponse dynamique des outils de fond de puits et des assemblages de fond (BHA - Bottom Hole Assembly).

Les modèles ROM seront créés à partir de simulations 3D par éléments finis (FEA) à l’aide de méthodes de réduction de dimension basées sur des projections telles que POD (Proper Orthogonal Decomposition), SVD (Singular Value Decomposition) et DMD (Dynamic Mode Decomposition). Des techniques de régression issues du Machine Learning seront ensuite utilisées pour la prédiction temporelle.

Le modèle physique à ordre réduit sera enrichi à l’aide de données expérimentales issues d’essais de chocs, dans l’objectif d’une utilisation en temps réel lors des opérations. Ce cadre méthodologique a déjà été développé et validé au niveau électronique et doit désormais être étendu à des outils et assemblages de forage plus complexes.

Responsabilités: 

• Réaliser une étude bibliographique sur les modèles à ordre réduit transitoires appliqués à la dynamique des structures.
• Développer et valider des modèles ROM basés sur des techniques de Machine Learning.
• Combiner les modèles physiques ROM avec des données expérimentales afin d’améliorer les capacités de prédiction.

Qualifications: 

• Master en physique, mécanique, science des données ou discipline connexe.
• Formation en génie mécanique ou ingénierie générale.
• Expérience en programmation scientifique avec Python, FORTRAN, C ou C++.
• Connaissances en science des données, analyse statistique, apprentissage automatique (Machine Learning) et calcul dans le cloud.
• Communication orale et écrite en anglais 

SLB est un employeur offrant l'égalité des chances en matière d'emploi. Les candidats qualifiés sont considérés sans distinction de race, de couleur, de religion, de sexe, d'orientation sexuelle, d'identité de genre, d'origine nationale, d'âge, de handicap ou d'autres caractéristiques protégées par la loi. 

Le processus de recrutement et le poste peuvent être adaptés pour répondre à la plupart des handicaps. N'hésitez pas à le mentionner lors de votre candidature.