Maquette pédagogique MAM
MAM5 ALTERNANCE - Semestre S9 - Mineure INUM
| Unité d'enseignement obligatoire | Intervenant | |||
| Acquis en entreprise S9 | ||||
| Acquis en entreprise S9 | ||||
| Réunion de régulation apprentis | ||||
| Conférences métiers |
| Unité d'enseignement obligatoire | Intervenant | |||
| Modélisation et optimisation | ||||
| Commande optimale Introduction à la théorie et à l'algorithmique du contrôle optimal des systèmes gouvernés par des EDO (dimension finie) | Jean Baptiste Caillau | |||
| Optimisation avancée Ce cours constitue une introduction aux méthodes de conception optimale utilisées dans l'industrie pour l'optimisation des systèmes complexes reposant sur des simulations numériques ( souvent régis par équations aux dérivées partielles). On considère à la fois les approches de type descente, nécessitant un calcul de gradient par la résolution d'un problème adjoint, et les approches de type boite noire (déterministes ou stochastiques), pour lesquelles l'optimisation s'appuie uniquement sur des observations de la performance. On traite les problématiques de prise en compte de contraintes non-linéaires, d'optimisation locale / globale et la prise en compte d'incertitudes. La construction de modèles de substitution pour l'optimisation ou la propagation d'incertitude est abordée. | Régis Duvigneau | |||
| Réduction de modèle & Digital Twin La simulation numérique joue un rôle essentiel dans l'industrie. Elle permet par exemple de quantifier l'incertitude d'un procédé, d'aider à la conception de systèmes complexes ou de quantifier les risques liés à l'exploitation d'une installation. Basés sur des équations différentielles liées aux physiques considérées, les modèles numériques utilisés sont souvent coûteux en temps de calcul. Par conséquent, l'industrie a de plus en plus recours aux méthodes d'expérimentation numérique et de réduction de modèles. Ces méthodes consistent à construire un modèle simplifié du modèle étudié à partir de quelques simulations numériques bien choisies. Le modèle réduit obtenu, bien que moins précis, devra garder une bonne représentativité du modèle initial, lobjectif étant de déterminer un compromis entre le coût en temps de calcul et la précision souhaitée pour la simulation. Différentes méthodes de réduction de modèles seront présentées dans ce cours et feront lien avec des notions et des concepts abordés dans dautres enseignements. Lun des enjeux de l'industrie est de construire des jumeaux numériques (digital twins) capables de reproduire le fonctionnement complet d'un objet ou d'un processus (par exemple, une chaîne de production d'énergie ou encore la thermique dun satellite). Ce cours a pour objectif d'introduire ces outils mathématiques et statistiques qui ont recours à la fois à la simulation numérique, à l'analyse de données et à l'apprentissage automatique. | Bertrand Iooss |
| Unité d'enseignement obligatoire | Intervenant | |||
| Calcul scientifique et apprentissage | ||||
| Eléments finis "Ce cours est consacré à la mise en uvre de la méthode des éléments finis (MEF). | Boniface Nkonga | |||
| Volumes finis Le cours constitue une introduction à la méthode volume fini pour la discrétisation des Equations aux Dérivées Partielles (EDPs). On traitera le cas des EDPs elliptiques du second ordre, des équations paraboliques et des équations hyperboliques scalaires. La méthode volume fini sera décrite dans un premier temps en dimension 1 puis généralisée au cas de la dimension 2 ou 3. Plusieurs concepts clés seront abordés tels que les notions de flux numérique, de consistance, de conservativité, de coercivité, de monotonicité, de convergence et de principe du maximum discret. Le cours mettera l'accent sur la mise en oeuvre en TPs des schémas volume fini sur des exemples pratiques sous python. | Roland Masson | |||
| Deep Learning Ce cours présentera les fondements théoriques de lapprentissage profond (« Deep Learning ») et mettra en oeuvre des Réseaux de Neurones Profonds (RNP) avec Python. Il sagira notamment de: comprendre les limites des algorithmes doptimisation pour lentrainement des RNP, cerner les capacités dapproximation mathématiques des RNP, découvrir les avantages des RNP pour modéliser une sous-variété dun espace euclidien, savoir utiliser les outils informatiques appropriés pour manipuler les RNP. | Lionel Fillatre | |||
| Machine learning en calcul scientifique "L'apprentissage automatique scientifique (SciML) est un domaine | Stéphane Descombes |
| Unité d'enseignement obligatoire | Intervenant | |||
| Numérique et Informatique | ||||
| Calcul Haute Performance Ce cours est une introduction au calcul haute performance pour le du calcul scientifique sur architectures distribuées. Il aborde loptimisation monoprocesseur, les architectures HPC, la programmation parallèle et MPI, ainsi que la conception dalgorithmes numériques efficaces et scalables. L'ensemble des travaux dirigés est réalisé au mésocentre AZZURRA. | Stéphane Abide | |||
| Logiciels industriels (SAS + Abaqus) Introduction au logiciel Abaqus et au logiciel de statistiques SAS | Christine Malot |
| Unité d'enseignement obligatoire | Intervenant | |||
| Maths et applications | ||||
| Systèmes satellitaires Problématique de la dynamique du vol en attitude etposition des satellites artificiels, technique de contrôle boucle ouverte/boucle fermée associé. Analyse de mission / control d'orbite : principe de mise à poste, optimisation de manoeuvre en dynamique képlérienne avec analyse des perturbations orbitales et impacts sur le contrôle d'orbite.Contrôle d'attitude : Modélisation de la dynamique d'attitude d'un satellite, description des perturbations environnementales, technique de stabilisation active et passive, senseurs et actionneurs, lois de contrôle et performances. | Thierry Dargent | |||
| Modélisation numérique pour la physique La modélisation numérique est plus que jamais un outil de premier plan au service de la compréhension de la physique qui nous entoure. En effet, quil sagisse de la recherche de prédictions quantitatives au service de de la maitrise dun mécanisme physique à lélaboration de jumeaux numériques à des fins de rétro-ingénierie pour comprendre et mettre en équation un phénomène physique, la modélisation numérique est devenue un outil indispensable à lingénieur contemporain. Ce cours aura pour vocation de présenter un panel des principales méthodes de létat de lart (FEM, DEM, FFT, approches multi-échelles ) en illustrant le propos avec des applications concrètes en mécanique du solide, métallurgie et mécanique des fluides. Lapport récent de lintelligence artificielle à cette thématique sera également abordé. | Marc Bernacki | |||
| Modélisation géométrique Ce cours est une introduction à la modélisation géométrique, c'est-à-dire aux modèles et aux outils mathématiques, numériques et algorithmiques qui permettent la création et la manipulation d'objets 3D. Ces modèles sont très largement utilisés pour la conception, la simulation et la validation de nouveaux produits et processus industriels. La représentation d'une géométrie 3D au moyen de courbes et surfaces NURBS découpées (trimmed) sera au centre de ce cours. | Laurent Busé |
| Bloc optionnel | Intervenant | |||
| Développement personnel (1 UE complémentaire au choix : 0 UE min - 1 UE max) | ||||
| Activités sportives | ||||
| Activités culturelles | ||||
| Langue vivante 2 | ||||
| Engagement étudiant |