ML Surrogate for Automotive Aeroacoustics & Noise-Aware Design Optimization
ReDX Technologies Projets en calcul haute performance (HPC), intelligence artificielle et simulation numérique
ML Surrogate for Automotive Aeroacoustics & Noise-Aware Design Optimization
ReDX Technologies propose un projet de fin d’études en apprentissage automatique appliqué à l’aéroacoustique automobile, pour prédire rapidement le bruit aérodynamique généré par les pièces extérieures d’un véhicule.
- PFE
- Niveau ouvert
- Présentiel
- Sfax, Tunisie
- 6 mois
- Publié le 3 novembre 2026
Le sujet
ReDX Technologies propose un projet de fin d’études en apprentissage automatique appliqué à l’aéroacoustique automobile, pour prédire rapidement le bruit aérodynamique généré par les pièces extérieures d’un véhicule. Le modèle est ensuite couplé à un modèle de traînée pour optimiser la conception selon le bruit et la traînée.
Missions
- Prétraiter le jeu de données fourni et choisir une représentation de la géométrie
- Entraîner un modèle prédisant l’OASPL et les spectres de bruit sur des géométries inédites (MAE en dB, RMSE, corrélation)
- Ajouter une estimation de l’incertitude et une analyse des modes de défaillance
- Évaluer la prédiction des écarts de bruit (ΔdB) entre pièces de référence et pièces modifiées, par exemple des variantes de rétroviseur
- Identifier les zones qui contribuent le plus au bruit prédit
- Coupler le modèle acoustique au modèle de traînée (Cd) existant et mener une optimisation multi-objectif (front de Pareto traînée/bruit)
- Présenter les résultats dans une galerie de designs silencieux
Livrables attendus :
- Un package de modèle acoustique : scripts de prétraitement, checkpoints, code d’inférence et benchmarks
- Un module d’analyse par pièce : incertitudes, prédictions ΔdB et cartes d’attribution
- Un module d’optimisation Cd + bruit avec front de Pareto et galerie de designs
- Un dépôt reproductible avec README, instructions de passation et rapport final
Profil recherché
- Indispensable : Python et fondamentaux du ML (PyTorch ou TensorFlow)
- Indispensable : bases d’aérodynamique externe (turbulence, décollement, sillages)
- Indispensable : bases d’acoustique (niveau de pression acoustique, dB, spectres/PSD, bandes de fréquence)
- Indispensable : prétraitement des données et suivi d’expériences (train/val/test, métriques, reproductibilité)
- Indispensable : aisance avec les grands jeux de données
- Apprécié : apprentissage 3D (PointNet, GCN, réseaux sur maillage, modèles de type Transolver)
- Apprécié : traitement du signal (FFT, PSD de Welch) et notions d’aéroacoustique
- Apprécié : optimisation multi-objectif et bayésienne (pymoo, BoTorch), incertitude et calibration des modèles
- Apprécié : outils de géométrie (Open3D, trimesh, PyVista, meshio) et entraînement sur HPC/GPU
Conditions du stage
- Durée : 6 mois, PFE à temps plein (période recommandée)
- Gratification : Gratification mensuelle, avec une possible prime de performance en fin de stage et une possible co-signature d’une publication scientifique
- Lieu : Sfax, Tunisie
- Planning indicatif : revue de littérature et prétraitement (mois 1), modèle de référence (mois 2), amélioration du modèle (mois 3), prédiction ΔdB (mois 4), optimisation multi-objectif (mois 5), finalisation et rapport (mois 6)
- Candidature : via le formulaire en ligne de ReDX Technologies, en précisant le sujet visé
Les autres sujets de ReDX Technologies 7
- 01
- 02
- 03
- 04
- 05
- 06
- 07
Ce sujet vous intéresse ?
Postulez dès maintenant.