Ingénieur conception réacteur, études sûreté neutroniques F/H

Framatome, filiale d'EDF, conçoit, entretient et installe des composants et des combustibles ainsi que des systèmes de contrôle-commande pour les centrales nucléaires. Ses plus de 22 000 salariés permettent chaque jour aux clients de produire un mix énergétique bas-carbone toujours plus propre, plus sûr et plus économique. Ils développent aussi des solutions pour les secteurs de la défense, de la médecine nucléaire et du spatial.

Implantée dans une vingtaine de pays, Framatome rassemble les expertises d'hommes et de femmes passionnés et convaincus que le nucléaire est une énergie d'avenir. Entreprise responsable, Framatome déploie des actions pour former et accompagner les premières expériences professionnelles (label Happy Trainees), intégrer tous les talents, dont les personnes en situation de handicap, oeuvrer pour l'égalité professionnelle et la mixité de nos métiers (94/100 à l'index de l'égalité hommes-femmes) et concilier les temps de vie.

Rejoignez-nous et suivez notre actualité sur LinkedIn ou bien Instagram.

Introduction du machine learning dans le dimensionnement de la perte de représentativité des collectrons sur EPR.

Contexte :
L'instrumentation in-core de l'EPR (collectrons) mesure le flux neutronique en temps réel afin d'assurer le respect des critères de sûreté. Ces détecteurs sont régulièrement calibrés afin de représenter fidèlement l'évolution du flux dans le coeur.
À la suite d'un calibrage, la situation du coeur évolue, ce qui entraîne une perte de représentativité, ou « Loss of Representativeness » (LOR), des mesures issues des collectrons. La LOR constitue une composante de l'incertitude intégrée aux chaînes de surveillance et de protection de l'EPR.
Mission :
L'objectif du stage est de contribuer à l'introduction de modèles de machine learning au sein d'une méthode statistique permettant de déterminer l'incertitude liée à la LOR pour l'EPR, dans un contexte français.
Cette méthode statistique permet de modéliser des centaines de configurations de coeur, à la fois en conditions de fonctionnement normal et en conditions accidentelles. Elle repose sur le tirage aléatoire de configurations de coeur, correspondant à un ensemble de paramètres de fonctionnement, qui sont ensuite soumises à un code de calcul neutronique.
L'introduction de modèles de machine learning permettra de générer de nouvelles configurations de coeur pertinentes à partir des résultats des calculs neutroniques.

Vous êtes en dernière année d'école d'ingénieurs ou préparez une formation universitaire équivalente, avec une spécialisation dans le domaine du nucléaire.
Vous disposez :
d'une première expérience avec les codes de calcul et la simulation numérique ;
d'un esprit de synthèse et de bonnes capacités rédactionnelles ;
d'une connaissance de l'environnement Linux et du langage de programmation Python.
Vous faites preuve de rigueur, d'esprit d'équipe et d'écoute, et avez un goût prononcé pour la physique et la technique.

Rejoignez-nous pour contribuer à un sujet innovant, à la croisée de la physique nucléaire, de la simulation numérique et du machine learning, et participez au développement des outils de sûreté des réacteurs nucléaires de demain.