Différences

Ci-dessous, les différences entre deux révisions de la page.

--- projet [2024/08/26 10:26] – Magali Tournus
+++ projet [2025/09/16 09:07] (Version actuelle) – Magali Tournus
@@ Ligne 2: / Ligne 2: @@
-======  Modèles de datascience pour la prévision de la pollution atmosphérique à Marseille ======
+======  Super-résolution basée sur l’IA pour la simulation numérique ======
 __Contact__:[[gchiavassa@centrale-marseille.fr|Guillaume Chiavassa]]
-La mise en place de restriction d’accès pour les automobiles dans les hyper-centres est basée sur la prévision de la pollution atmosphérique. L’objectif de ce projet sera de construire différents modèles de prédiction basés sur des algorithmes d’apprentissage et de tester leur robustesse vis-vis des données de pollution réelles. Les étapes principales de ce projet pourront etre:
+La simulation numérique de phénomènes complexes à partir de méthodes numériques classiques (différences finies, élément finis, etc…) peut s’avérer extrèmement couteuse en ressources informatiques et en temps de calcul.  Généralement, augmenter d’un facteur 2 la précision spatiale demande 4 fois fois plus de temps de calcul en dimension 1, 8 fois en dimension 3  et 16 fois plus en dimension 3.
-  * récupération de données de pollution et de relevés de stations meteorologiques,
+L’idée de ce projet est d’étudier et de mettre en oeuvre une méthode de super-résolution. Ce type de méthodes permet à partir d’un calcul sur une grille grossière de reproduire du mieux possible les résultats qui auraient été obtenus sur une grille plus fine. De nombreuses méthodes existent, souvent issues  des techniques de traitement d’images à base ou non de machine Learning.
-  *   nettoyage et analyse de ces données et determination des paramètres physiques influents
+Ce qui est proposé ici est d’utiliser les méthodes de réduction de modèles de type auto-encoder qui permettent de réduire la dimension du problème initial en le transportant dans un espace (dit latent) de plus petite dimension. Le travail d’apprentissage permettant d’augmenter la résolution sera fait dans cet espace réduit en utilisant un réseau de neurones classique.
-  * Liste à puce
+Une fois les outils d’auto-encoder maîtrisés (en utilisant les librairies existantes de type scikitlearn, tensorflows, etc..) on commencera par  construire une méthode de super-résolution pour des simulations de propagation d’ondes  en dimension 1. Les simulations seront issues d’un code différences finies existant. En fonction de l’avancée du projet et des résultats obtenus, on pourra essayer d’étendre la méthode à la dimension 2.
-  * choix des grandeurs à prédire
+Le choix de ce projet requiert une motivation certaine pour le calcul scientifique, l’IA et l’utilisation de l’informatique (Python, bases de données).
-  * utilisation d’algorithmes d’apprentissage (décision trees, random forest, réseaux de neurones, etc…), tests, optimisation des hyperparametres, etc…
-  *comparaison avec les observations.
-======   Éolienne off-shore ======
+======   Modélisation de la production Eolienne dans un parc éolien   ======
 __Contact__:[[mfouladirad@centrale-marseille.fr|Mitra Fouladirad]]
-L’objectif est de mieux comprendre les avantages et les inconvénients de la production d’énergie par les éoliennes off-shore. Pour ce faire, il est essentiel d’étudier les points suivants.
-  - Recherche bibliographique sur les matériaux de constitution et le fonctionnement d’une éolienne off-shore.
-  - Recherche bibliographique sur la durée de vie prévue d’une éolienne.off-shore (avec et sans maintenance).
-  - Analyse de l’énergie nécessaire à la fabrication d’une éolienne.
-  - Viabilité de l’énergie éolienne dans les conditions météorologiques extrêmes et en considérant les scénarios du réchauffement climatique. Ce travail nécessite :la modélisation statistique des données temporelles du vent, l’identification des scénarios extrêmes, simulation des données de vent pour ces scénarios et l’analyse de la production dans le cadre des données simulées
-Les données de production peuvent être issues du calcul via les formules existantes ou l'utilisation des logiciels libre. De nombreuses données de vents sont disponibles sur le web, par exemple voir :
-https://public.opendatasoft.com/explore/dataset/donnees-synop-essentielles-omm/table/?flg=fr&sort=date&q=
-====== Réacteur solaire ======
+° Etude bibliographique
+° Analyse de données de vent
+° Simulation de la production avec Pywake
+° Analyse de la production suivant des différents scenarii de changement climatique
+======  Sujet 2: Modélisation de la pollution dans la ville de Marseille    ======
 __Contact__:[[mfouladirad@centrale-marseille.fr|Mitra Fouladirad]]
-L’objectif est de comprendre le fonctionnement d’un réacteur solaire qui produit de l’hydrogène à partir de l’eau et grâce à l’énergie solaire. Le but est d’analyser les limites et les avantages de la méthode de production. Pour ce faire, il est essentiel d’étudier les points suivants.
-===== Partie I =====
+° Etude bibliographique
-  - Recherche bibliographique sur les matériaux de constitution et le fonctionnement d’un réacteur solaire.
+° Extraction des données de pollution :  https://map.purpleair.com/1/mAQI/a10/p604800/cC0?select=142770#12.77/43.34208/5.36219
-  - Recherche bibliographique sur la durée de vie prévue d’un réacteur solaire (avec et sans maintenance)
-  - Analyse de l’énergie nécessaire à la fabrication d’un réacteur solaire
-  - Étude de l’efficacité énergétique d’un réacteur solaire
-===== Partie II =====
+° Analyse de données suivant les différentes localisations et période de l'année
- Analyse de sensibilité de la production aux conditions environnementales et géographiques via une modélisation statistique du rayonnement solaire sur différentes zones géographique:
-  - Modélisation statistique des données temporelles du rayonnement solaire par un processus stochastique
-  - Simulation du rayonnement solaire pour générer des données relatives à différentes conditions environnementales et géographiques
-  - Analyse de la production pour chacune des bases de données simulées
-==== Liens utiles ====
-  * https://www.imeche.org/news/news-article/solar-reactor-provides-heat-oxygen-and-renewable-hydrogen
+==========Modeling, Simulation, and Optimization of Rigid Particles in Stokes Fluid=====================
-  * https://www.data.gouv.fr/fr/datasets/rayonnement-solaire-global-et-vitesse-du-vent-a-100-metres-tri-horaires-regionaux-depuis-janvier-2016/#/resources
+__Contact__:[[laetitia.giraldi@inria.fr|Laetitia Giraldi]]
-  * https://joint-research-centre.ec.europa.eu/photovoltaic-geographical-information-system-pvgis/pvgis-data-download/nsrdb-solar-radiation_en
-  * https://www.earthdata.nasa.gov/topics/atmosphere/atmospheric-radiation/solar-irradiance
+{{ :giraldi.pdf |}}
-====== Bilan carbone de l'école ======
+======  Méthode des bases réduites, application pour la résolution d'EDP avec coefficients incertains  ======
-__Contact__: [[thibaut.le-gouic@centrale-marseille.fr| Thibaut Le Gouic]]
-Ce projet fait suite au projet de l'an dernier consistant à calculer le bilan carbone de l'école.
+__Contact__:[[marie.billaud_friess@centrale-marseille.fr|Marie Billaud Friess]]
-Il s'agira d'étendre les domaines du calcul du bilan carbone à l'école et de pérenniser son calcul afin qu'il puisse être fait chaque année.
+Dans ce projet, nous souhaitons résoudre une  équation aux dérivées partielles elliptique avec des coefficients dépendants d’un paramètre. Ce type de problème est considéré par exemple lorsque le coefficient de diffusion (ou perméabilité) d’une équation de diffusion est incertain et est modélisé par une variable aléatoire de loi donnée. Calculer la solution approchée d’une telle équation par une méthode numérique standard (différences finies, éléments finis ...) pour un grand nombre de paramètres peut s’avérer trop coûteux d'un point de vue computationel. Il est donc nécessaire de réduire ce coût. Nous proposons ici une méthode des bases réduites qui s’appuie sur une résolution en deux étapes. Premièrement, on résout le problème initial pour un nombre raisonnable de valeurs du paramètre. Différentes approches pour calculer la base réduite  pourront être envisagées : via une décomposition en valeurs singulières ou encore un algorithme greedy. Deuxièmement, les solutions obtenues sont utilisées pour engendrer un espace vectoriel de dimension réduite dans lequel on cherche une approximation de la solution moins couteuse à calculer.
-====== Variations de températures à la surface de la Terre explicables par le rayonnement ======
+Le but de ce projet est de comprendre cette méthode de présenter des éléments d'analyse (erreur a posterori, optimalité des espaces réduits...), puis de la mettre en oeuvre (Python et Freefem++) pour la résolution de problèmes en en une et deux dimensions de l’espace.
-__Contact__: [[frederic.schwander@centrale-marseille.fr| Frédéric Schwander]]
-La détermination de la température en tout point de la surface du globe est
+Le but de ce projet est  de comprendre cette méthode, puis de la mettre en oeuvre pour la résolution de problèmes en en une et deux dimension de l’espace. Il y aura une partie théorique mais aussi des développements numériques en Python et Freefem++ (éléments finis, bases réduites).
-un problème complexe, mettant en jeu des échanges entre le Soleil, l’atmosphère,
-les océans et la terre. L’acteur principal est cependant l’exposition au Soleil.
-Le sujet porte sur une modélisation déterministe réduite et locale des variations quotidiennes et annuelles de la temp ́erature à la surface terrestre pouvant être expliquées par le rayonnement. On supposera dans ce modèle une atmosphère simple transparente au rayonnement solaire, la surface terrestre
-comme un corps gris d'albédo différencié sur terre ou en mer, et prenant en
-compte les différences de capacité thermique. Au-delà de la modélisation, le
-projet s’appliquera à proposer une visualisation des résultats à tout instant sur
-l’ensemble du globe terrestre.
-====== Prédictabilité en météorologie ======
-__Contact__: [[chiheb.daaloul@centrale-marseille.fr| Chiheb Daaloul]]
-{{ :chiheb_sujet_climaths.pdf |Sujet}}
+====== Bilan carbone du CIRM  ======
+__Contact__: [[pierre.guillon@univ-amu.fr| Pierre Guillon]]
+Le Centre International de Rencontres Mathématiques (Cirm) est né en 1981, créé par la communauté mathématique française. Il est devenu depuis l’une des destinations les plus populaires pour les participants de rencontres en mathématiques. Le centre fournit les infrastructures et l’équipement nécessaires aux organisateurs et participants, afin de leur permettre de se focaliser sur le travail de collaboration en sciences mathématiques et autres sciences.
+ Le gros du travail serait de faire une extraction de base
+de données sur les missions (avec possibles questionnements RGPD), puis
+branchement sur une base qui sortirait des émissions à partir d'un trajet,
+représenté par deux villes.
+Inlcus dans ce projet: une visite du CIRM
+======  Variations de température à la surface de la Terre ======
+__Contact__: [[frederic.schwander@centrale-med.fr| Frédéric Schwander]]
+La détermination de la température en tout point de la surface du globe met en jeu les échanges entre le Soleil, l’atmosphère, les océans et la terre.
+L’acteur principal est l’exposition au Soleil, et un première approximation de la température
+de la surface de la Terre peut être donnée en ne considérant que les flux radiatifs reçus et
+émis par la Terre.
+Une étude analytico-numérique de la température de la surface de la Terre a été réalisée
+par un groupe précédent en prenant en compte les flux radiatifs, ainsi que la conduction dans le sol
+ou les océans. Comme attendu, ce modèle donne une bonne première approximation de
+la surface de la Terre, mais la sous-estime significativement et prédit des variations de
+température très marquées entre le jour et la nuit et les différentes saisons, ces défauts
+étant grandement liées à l’absence de modélisation de l’atmosphère et du fameux effet de serre.
+Le sujet porte sur une modélisation réduite et locale des variations quotidiennes et annuelles de la temp érature à la surface terrestre, enrichie à travers la prise
+en compte de 2 éléments majeurs :
+  - des variations spatiales de la nature de la surface de la Terre (terre, forêt, océans) en surface et en profondeur
+  - des échanges de chaleur entre la surface de la Terre et de son atmosphère (effet de serre, de l'altitude,... )
+Le sujet porte en particulier sur les choix des méthodes analytiques et numériques les plus
+appropriées pour prendre en compte ces mécanismes. Pour la motivation, c.f. hypothèse de Zimov.
 ====== Extinctions d’espèces dues au changement climatique ======
 __Contact__: [[arnaud.sentis@inrae.fr| Arnaud Sentis]]
@@ Ligne 99: / Ligne 113: @@
 Les politiques climatiques peuvent se diviser en deux grandes catégories : l'atténuation du changement climatique et l'adaptation du changement climatique
 La première d'entre elles correspond à limiter les causes du changement climatique (éviter l'ingérable) en diminuant drastiquement les émissions de gaz à effets de serre.
-L'adaptation quant à elle correspond à limiter les effets du changement climatique (gérer l'inévitable) sur les écosystèmes et les sociétés humaines. /Donner un exemple ?/ En effet, le changement climatique va en particulier modifier les extrêmes dans des proportions variables ainsi que les aléas associés (en intensité, en fréquence, en durée, en saisonnalité, en vitesse d'apparition, en extension spatiale).
+L'adaptation quant à elle correspond à limiter les effets du changement climatique (gérer l'inévitable) sur les écosystèmes et les sociétés humaines. En effet, le changement climatique va en particulier modifier les extrêmes dans des proportions variables ainsi que les aléas associés (en intensité, en fréquence, en durée, en saisonnalité, en vitesse d'apparition, en extension spatiale).
 Depuis 2023, une trajectoire de référence pour l'adaptation au changement climatique a été élaborée par les services de l'Etat et permet pour les territoires et les secteurs économiques de se projeter dans un climat futur suivant le scénario /ci-dessous /:
@@ Ligne 110: / Ligne 124: @@
-Or, du fait de la variabilité interne du climat qui rend impossible de prédire le climat sur des temps _inférieurs_ à 30 ans, la projection dans le futur est souvent difficile pour les acteurs des territoires et de la gestion de crise et peut donc freiner la prise de décision.
+Or, du fait de la variabilité interne du climat qui rend impossible de prédire le climat sur des temps **inférieurs à 30 ans,** la projection dans le futur est souvent difficile pour les acteurs des territoires et de la gestion de crise et peut donc freiner la prise de décision.
 L'objectif de ce projet est, à partir de la littérature scientifique (dont une partie sera fournie (GREC Sud, GIEC, articles scientifiques), d'imaginer quelques scénarios climatiques (aussi appelés trame de climat physique ou climate storylines dans le GIEC) pour le climat de la Région Provence-Alpes-Côte d'Azur.
 Quelques exemples de ce sur quoi les travaux pourraient porter :
+  *  L'identification des grandes causes de la variabilité interne de la région Sud, leurs évolutions possibles avec le changement climatique et leurs impacts sur la météo du futur
-* L'identification des grandes causes de la variabilité interne de la région Sud, leurs évolutions possibles avec le changement climatique et leurs impacts sur la météo du futur
+  *  Imaginer ce que serait une année type avec de fortes précipitations  avec des propositions de quantifications dans le futur:  Une vague de chaleur type en 2050, une année particulièrement sèche en 2060, autre (en fonction des besoins des acteurs)...
-* Imaginer ce que serait une année type avec de fortes précipitations  avec des propositions de quantifications dans le futur
-* Une vague de chaleur type en 2050.
-* Une année particulièrement sèche en 2060
-* autre ? --> en fonction des besoins des acteurs
 Des contacts pourraient être envisagés avec le monde académique et les instituts de recherche associés (projet PEPR TRACCS)
 Une attention particulière sera portée à :
+  * La compréhension des différents types d'incertitude (liés aux modélisations climatiques, liés à la variabilité interne du climat)
+  * La capacité à se projeter et la plausabilité des projections (plus que leur probabilité)
-* La compréhension des différents types d'incertitude (liés aux modélisations climatiques, liés à la variabilité interne du climat)
-* La capacité à se projeter et la plausabilité des projections (plus que leur probabilité)
 Des travaux de modélisation en utilisant les projections climatiques pourront être utilisés (Données du portail DRIAS par exemple DRIAS, Les futurs du climat - Accueil (drias-climat.fr) <https://drias-climat.fr/>, utilisation de logiciel de cartographie type qgis)