Appel à candidatures | Recherche, Emploi

PhD: Outils d’analyse des données d’écoulements hydrodynamiques

Du 1 septembre 2025 au 31 août 2028

Date limite de réception des candidatures : 10 septembre 2025

Ecole Navale, Lanvéoc (Brest), France
Contact : recrutement@ecole-navale.fr et à patrick.bot@ecole-navale.fr

Caractérisation multi-échelle de processus non-linéaires à partir des données : Application à la turbulence hydrodynamique et à l’acoustique sous-marine. Mots clés : Décompositions pilotées par les données, POD, machine Learning, écoulement Le sujet de cette thèse porte sur les méthodes de décomposition pilotées par les données pour l’analyse de processus physiques multi-échelles et non-stationnaires, issus de systèmes non-linéaires. Cette large classe de signaux regroupe, par exemple, les écoulements transitionnels ou turbulents, les écoulements océaniques, les signaux MAD ou les signaux issus de systèmes DAS1 ou réseaux d’OBS1. Ce besoin d’outils d’analyse de données physiques s’inscrit dans les axes «Analyse et modélisation de la donnée maritime» et «Acquisition de la donnée et compréhensions des phénomènes physique». On vise à classifier et caractériser, voire améliorer, différentes méthodes de décomposition pilotées par les données (e.g. POD2, BOD2, SPOD2, DMD2, ainsi que EMD , EEMD2, MEMD2, et les d



Parmi les verrous scientifiques, on peut citer 
• La classification parmi un foisonnement de méthodes
• L’adaptation à des écoulements à haut nombre de Reynolds
• La turbulence et la transition
• La signification physique des grandeurs extraites
• La modélisation statistique des écoulements
• L’analyse des signaux à non propriété (non stationnaires et issus de systèmes non-linéaires).
• L’extension de certaines de ces méthodes à des processus variant à la fois en temps et en espace (pression pariétale, …). 

Moyens mis en œuvre :
• Plateforme Traitement de l’Information Maritime et moyens de calcul intensif
• Plateforme hydrodynamiques (tunnel et moyens de mesures associés)

Encadrement :
• Patrick Bot, Professeur des Universités (Hydrodynamique), directeur de thèse
• Abdel Boudraa, Professeur des Universités (Traitement du signal), co-directeur
• Guillaume Sérazin, Enseignant-Chercheur (Océanographie), co-encadrant.

Financement :
La thèse est cofinancée par la région Bretagne et l’Ecole Navale, et bénéficiera des moyens de fonctionnement de l’IRENav (essais, calculs, déplacements).

La thèse bénéficiera d’un lien étroit avec le projet ANR MALEAF (MAchine LEArning for Fluid system efficiency) qui regroupe des chercheurs de l'ENSAM, du CNAM, de l'Ecole Navale et de l'ONERA sur un sujet connexe, et de potentielles collaborations avec l’équipe SIAM du Laboratoire d’Océanographie Physique et Spatial à Plouzané et avec le laboratoire de physique de l’ENS de Lyon.

PROFIL SOUHAITÉ
Titulaire d’un master, diplôme d’ingénieur ou équivalent
Physique des fluides avec des compétences en mathématiques appliquées et en informatique
Bonne capacité d’analyse de résultats physiques, aisance avec les méthodes d’analyse courantes
Des compétences ou une appétence pour le machine learning, la réduction de modèle et l’assimilation de données appliquée à la mécanique des fluides, seront particulièrement appréciées.

Bonnes capacités de rédaction scientifique, aisance en anglais, au moins à l’écrit.
Bonnes capacités relationnelles et humaines, dynamisme et autonomie.