Les écoulements turbulents issus de simulations CFD haute-fidélité (DNS/LES) 
sont extrêmement coûteux à produire et à exploiter, en particulier pour des 
phénomènes complexes comme les instabilités hydrodynamiques (ex. Rayleigh 
Taylor) ou les écoulements à surface libre. À ces difficultés s’ajoute une 
contrainte fréquente en pratique : le solveur CFD peut être considéré comme une 
boîte noire (black-box ). Autrement dit, on ne dispose pas 
nécessairement d’un accès au code, aux opérateurs numériques internes ou à la 
chaîne de calcul complète , on a principalement accès aux données générées 
(snapshots spatio-temporels) et éventuellement aux paramètres et conditions aux 
limites.
Dans ce contexte non intrusif, l’objectif est de développer des approches basées 
sur  l’intelligence  artificielle  capables d’exploiter uniquement les données 
pour :
— reconstruire des champs d’écoulement haute-fidélité à partir d’informations 
partielles ou de résolution plus faible (super-résolution, inpainting, 
compression/décompression),
— prédire l’évolution temporelle de ces champs à coût réduit via des modèles 
dynamiques appris (dans l’espace original ou dans un espace latent).Les réseaux 
de neurones (CNN,  autoencodeurs, modèles séquentiels) offrent un cadre 
particulièrement adapté à  cette approche data-driven : ils permettent 
d’apprendre une représentation compacte des écoulements turbulents et d’en 
capturer la dynamique, tout en visant des gains importants en coût de calcul par 
rapport aux simulations  directes.

Profil du stagiaire :
Le candidat idéal recherche un stage de 5 ou 6 mois dans un laboratoire de 
recherche pour compléter son master ou son diplôme d’ingénieur dans l’une des 
spécialités suivantes : apprentissageautomatique (ML), calcul scientifique, 
mathématiques appliquées, génie mécanique.

Compétences requises
— Bases solides en apprentissage automatique et deep learning : 
entraînement/validation,
overfitting, régularisation, métriques
— Traitement de données scientifiques : Python (NumPy/SciPy), manipulation de 
champs (3D/temps), pipelines reproductibles.

Un plus
— Connaissances CFD / mécanique des fluides : turbulence, instationnarité, 
lecture/interprétation
de champs (vitesse, pression, densité, etc.)
— HPC / Linux : utilisation de la ligne de commande, exécution sur cluster, 
gestion de jobs avec Slurm (soumission, allocation de ressources, suivi des 
jobs), notions de calcul GPU appréciées