Stage Niveau de diplôme

le département « gestion des actifs » de la r&d de rte a la charge de développer les algorithmes avancés qui traiteront les données historiques et temps-réel en vue de présenter des indicateurs d'aide à la décision aux opérateurs. pour cela, la r&d poursuit une approche decision-driven pour chaque équipement en s'appuyant sur leur modélisation hybride, basée sur la connaissance physique, complétée par le machine learning. l'objectif du stage est d'implémenter, pour un équipement donné, une méthode basée sur l'analyse topologique des données et/ou sur machine learning, pour identifier les variables explicatives et utiles à la surveillance du matériel. on pense ainsi identifier des défauts sur la base de signaux faibles non-observés à ce jour. la pertinence de la méthode retenue sera évaluée selon sa capacité à réduire le risque de défaillance pour le système électrique. pour mener à bien cette estimation, le travail sera divisé comme suit : une phase de conception d'une ou plusieurs méthodes à partir de la littérature scientifique existante et des données à disposition, une phase d'implémentation (python, r ou autre) de la ou des méthode(s) proposée(s) sur les données fournies, dans l'environnement de conception de jumeau numérique rte une phase de qualification à partir d'une base de données de référence évaluer et comparer les différentes approches et le cas échéant retenir les plus précises. le stagiaire intègrera l'équipe de data-scientists du département gestion des actifs de la r&d pilote de la feuille de route « supervision des matériels ». des interactions régulières avec le monde académique seront prévues qui accompagne rte dans le développement du jumeau numérique de son réseau.

profil recherché : niveau d'études : stage de fin d'études ou césure (bac+5) type d'école : ecole d'ingénieur/master 2 ou césure, spécialité : énergie, mécanique, data science , maths appli  compétences recherchées : bonnes compétences en statistiques et en programmation (r ou python), des connaissances en apprentissage statistique, ia, machine learning, maitrise de l'anglais, curiosité et appétence pour la recherche, autonomie et prise d'initiatives, intérêt pour le secteur de l'énergie.