Maquette pédagogique MAM
MAM5 ALTERNANCE - Semestre S9 - Mineure INUM
| Unité d'enseignement obligatoire | Intervenant | |||
| HUMANITES FISA S9 | ||||
| Innovation et entreprenariat | ||||
| Conférences métiers Ce cours consiste à créer ou reprendre une entreprise de l'APCE (Agence pour la Création d'Entreprises). Compétences visées: Savoir mettre en uvre le processus de création dentreprise depuis lidée de projet jusquau démarrage de lactivité. Processus innovation en entreprise : Technique créativité, comment favoriser idées entreprise. Définir projet création. Rédiger Business plan détaillé. Incubateurs, Start-ups et partenariat. Aspects financiers. Choisir sa structure juridique. Démarches création entreprise. |
| Unité d'enseignement obligatoire | Intervenant | |||
| Acquis en entreprise S9 | ||||
| Acquis en entreprise S9 Suivi des acquis pendant les périodes en entreprise | ||||
| Réunion de régulation apprentis |
| Unité d'enseignement obligatoire | Intervenant | |||
| Modélisation et optimisation | ||||
| Commande optimale Ce cours constitute une introduction à la commande optimale en dimension finie et aux algorithmes associés. Une ouverture sur le machine learning et l'apprentissage par renforcement est également proposée. Le cours alterne avec les travaux pratiques (langages Julia et Python). Plan du cours : 1. Introduction 2. Méthodes directes 3. Principe du maximum de Pontrjagin 4. Méthode de tir 5. Model predictive control 6. Reinforcement learning. Plan des TP : 1. Navigation 2. Tir simple 3. MPC 4. Hexapawn 5. OpenAI Gym: taxi! | J.-B. Caillau | |||
| Optimisation avancée Optimisation paramétrique en dimension finie (méthode du gradient, algorithmes évolutionnaires), prise en compte des contraintes. calcul des variations, contrôle optimal, optimisation de forme. La formation inclut des travaux pratiques encadres au cours desquels sont traites des problèmes simplifies d'optimisation en aérodynamique et en calcul des structures. | R. Duvigneau | |||
| Réduction de modèle & Digital Twin La simulation numérique joue un rôle important dans lindustrie. Elle permet par exemple daider à la conception ou lexploitation de systèmes industriels complexes. Souvent basés sur des équations différentielles, ces modèles peuvent être parfois coûteux en temps de calcul. Par conséquent, lindustrie a de plus en plus recours aux méthodes de réduction de modèles. Ces méthodes consistent à construire un modèle simplifié à partir de modèles complexes. Le modèle réduit obtenu, bien que moins précis, devra garder une bonne représentativité du modèle initial. Différentes méthodes de réductions de modèles seront présentées dans ce cours. Un des enjeux de lindustrie est de construire des jumeaux numériques (digital twin) capables de reproduire le fonctionnement complet dun objet, dun processus (ex chaine de production dénergie). Ce cours a pour objectif dintroduire ces outils numériques qui ont recours à la fois à la simulation numérique, à de lanalyse de données et de lapprentissage automatique. | B. Iooss |
| Unité d'enseignement obligatoire | Intervenant | |||
| Calcul scientifique et apprentissage | ||||
| Eléments finis L'objectif de ce cours est de se familiariser avec différentes librairies de calcul scientifique pour la mise en oeuvre de méthodes d'éléments finis. Formulation mixte du problème de Stokes, Compatibilité vitesse-pression, Convergence. Application à l'élasticité linéaire | B. Nkonga | |||
| Volumes finis Introduction des conditions aux limites, mise en uvre pratique dans le cas de l'écoulement d'un liquide dans une chambre de refroidissement d'un générateur de gaz. Loi de pression pour le changement de phase. Application à l'écoulement d'un liquide avec changement de phase. | R. 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. | L. Fillatre | |||
| Machine learning en calcul scientifique L'apprentissage automatique, en particulier l'apprentissage profond ou Deep Learning (DL), est de plus en plus utilisé pour effectuer, améliorer et accélérer des simulations numériques en calcul scientifique. Ce cours vise à présenter une sélection de sujets de recherche actuels dans le domaine général de DL pour le calcul scientifique avec une application aux systèmes, modélisés par les equations aux dérivées partielle. L'accent sera mis sur la conception et la mise en uvre d'algorithmes ainsi que sur la théorie sous-jacente qui garantit la fiabilité des algorithmes. | V. Dolean |
| Unité d'enseignement obligatoire | Intervenant | |||
| Numérique et Informatique | ||||
| Calcul Haute Performance Rappels Unix, Optimisation des algorithmes en Fortran 90, Introduction à la programmation parallèles, Programmation par échange de messages (MPI). Domaines de dépendance des algorithmes numériques. Partitionnements de domaine et structures de communication. | S. Lanteri | |||
| Logiciels industriels (SAS + Abaqus) Introduction au logiciel Abaqus et au logiciel de statistiques SAS | C. 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. | T. Dargent | |||
| Modélisation en biologie Dans ce cours, nous illustrerons la puissance de la modélisation systémique sur de nombreux exemples : la modélisation des réseaux de réactions métaboliques, des voies de signalisations intracellulaires, des réseaux de régulation génétique seront évoquées, quelques outils danalyse des modèles seront présentés et des applications thérapeutiques (en cancérologie notamment) seront mentionnées. | S. Benito | |||
| Modélisation géométrique Ce cours est une introduction à la modélisation géométrique, c'est-à-dire aux outils mathématiques, numériques et informatiques qui permettent la création d'objets 3D numériques dans le but de concevoir, simuler et valider 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. | P. Alliez |
| Bloc optionnel | Intervenant | |||
| Anglais S9 | ||||
| Anglais S9 |
| 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 |