Direction scientifique
Transfert de connaissances vers l'industrie

Nos Thèses par thème

Toutes les offres [+]

Convertisseur DC/DC sans inductance

Département Systèmes (LETI)

Laboratoire Electronique Energie et Puissance

Ingénieur, BAC+5, Electronique, Electrotechnique, Automatique

01-10-2020

SL-DRT-21-0277

ghislain.despesse@cea.fr

Efficacité énergétique pour bâtiments intelligents, mobilité électrique et procédés industriels (.pdf)

La réduction des dimensions des convertisseurs de puissance actuels est essentiellement liée à la montée en fréquence de fonctionnement. Cependant, aujourd'hui, nous atteignons plusieurs limites dont celles relevant des composants magnétiques. Pour cause, l'énergie, qui peut être stockée par cycle dans une inductance, diminue drastiquement avec l'augmentation de la fréquence. Pour remédier à cette limitation, nous avons étudié une alternative au stockage magnétique : le stockage transitoire d'énergie sous forme mécanique par la mise en mouvement d'un résonateur piézoélectrique. Nos premiers travaux, qui sont des premières mondiales, nous ont permis de valider le principe pour des puissances allant de 1 à 100W. L'objectif de la thèse sera d'étendre le principe de conversion à d'autres variantes topologiques et notamment à une version isolée galvaniquement. Une grande partie du travail vise la mise au point du cycle électrique de commande qui doit permettre à la fois d'entretenir la résonance de la structure mécanique et d'effectuer des transferts de puissance électrique sans pertes. La mise en ?uvre de ce cycle nécessitera, en outre, la mise au point d'une électronique très basse consommation qui intègrera plusieurs mécanismes de synchronisation et de régulation pour assurer des commutations à zéro de tension, assurer l'entretien des oscillations et réguler la tension de sortie. Le candidat pourra s'appuyer sur l'expertise du laboratoire d'accueil dans le domaine de la conversion et de la piézoélectricité. La thèse se déroulera au CEA/LETI situé à Grenoble (laboratoire orienté microélectronique et microsystème), elle sera dirigée par Mr Ghislain DESPESSE du CEA et par Mr François COSTA du SATIE (laboratoire de physique appliqué et génie électrique rattaché à l'ENS Paris-Saclay).

Télécharger l'offre (.zip)

Robustesse et performances d'électrodes optimisées de cellules à oxyde solide

Département Thermique Biomasse et Hydrogène (LITEN)

Laboratoire Production d'Hydrogène

The student will have transversal competences in materials and/or mechanic of solids. Skills in modelling will be also appreciated.

01-10-2021

SL-DRT-21-0289

maxime.hubert@cea.fr

Solutions avancées pour l?hydrogène et les piles à combustible pour la transition énergétique (.pdf)

Les cellules à oxyde solide (SOCs) sont des convertisseurs électrochimiques fonctionnant à hautes températures qui peuvent être utilisés pour produire soit de l'électricité en mode pile à combustibles (SOFC) ou de l'hydrogène en mode d'électrolyse (SOEC). Grâce à un large éventail de cas d'application, cette technologie est susceptible d'offrir de nombreuses solutions innovantes pour assurer la transition vers l'utilisation massive d'énergies renouvelables. Néanmoins, la durée de vie de cette technologie reste à ce jour insuffisante pour envisager son dépoilement industriel. En effet, la durabilité des SOCs est limitée par de nombreux phénomènes physiques dont notamment l'endommagement mécanique des électrodes. Par exemple, la formation de microfissures dans l'électrode dite à hydrogène est une des sources majeures de dégradation. Les mécanismes mis en jeu ainsi que l'impact des microfissures sur les performances restent cependant mal connus à ce jour. Par une approche de modélisation multi-physique, il est proposé dans cette thèse d'établir le lien entre la baisse des performances de l'électrode à hydrogène et son endommagement mécanique. Une fois le modèle validé sur des expériences originales, une analyse de sensibilité sera conduite et des recommandations seront émises pour des électrodes optimisées. Une ou deux solutions seront retenues et fabriquées pour une validation finale.

Télécharger l'offre (.zip)

Réseau de capteurs et edge AI basse consommation pour la maintenance prédictive

Département Systèmes (LETI)

Laboratoire Autonomie et Intégration des Capteurs

ingénieur ou master 2 Traitement du Signal, Machine learning, Programmation Embarquée

01-10-2021

SL-DRT-21-0312

vincent.heiries@cea.fr

Data intelligence dont Intelligence Artificielle (.pdf)

La maintenance prédictive est un enjeu majeur pour l'industrie du futur (industrie 4.0), permettant de maximiser les temps d'utilisation des pièces, d'augmenter la durée de vie des machines, de réduire les pannes ainsi que les temps d'immobilisation des équipements; avec à la clé, des gains économiques et environnementaux pour l'entreprise. La maintenance prédictive s'appuie sur des réseaux de capteurs placés sur les équipements à monitorer et sur des mécanismes d'apprentissages mettant en ?uvre de l'intelligence artificielle (Machine Learning). Ces capteurs sont aujourd'hui essentiellement filaires, ce qui rend leur installation complexe : passage de câbles, passage de murs, environnements tournants,? La solution idéale serait de disposer de capteurs communicants sans fil; se pose alors la question de leur autonomie énergétique, ce qui est l'enjeu de cette thèse. Ce sujet de thèse, qui s'inscrit dans la roadmap "Systèmes Cyber-Physiques" du Département Systèmes du CEA-LETI (Grenoble), aura pour objectif de développer un réseau de capteurs basse consommation sans fil permettant de surveiller les équipements industriels et d'anticiper leur défaillance. La thèse s'appuiera sur des solutions technologiques avancées mettant en ?uvre de l'intelligence artificielle embarquée (edge AI), du traitement de données provenant de différents capteurs (audio, vibrations) ainsi que de l'électronique basse consommation (hardware et firmware) notamment pour les aspects traitement de l'information et communication. L'intelligence artificielle est en plein essor avec des enjeux majeurs pour la santé, le transport, la protection de l'environnement ou encore l'industrie. Actuellement, les calculs sont majoritairement déportés sur des serveurs (couramment nommés cloud), ce qui nécessite la transmission complète des données mesurées par les capteurs (par ex. signal audio pour un microphone, ou vibrations pour un accéléromètre). Cette architecture est simple à déployer mais peu efficace du point de vue énergétique avec des serveurs de calcul surdimensionnés pour la plupart, et peu résiliente en cas de défaut de transmission des données. La tendance est donc à l'implémentation des algorithmes de traitement au plus proche des capteurs pour réduire les taux d'utilisation des systèmes de communication, décharger les serveurs de calcul en réduisant leur consommation énergétique et améliorer la résilience de ces réseaux de capteurs. Partant de ce constat, il reste à comprendre comment une tâche de traitement de données initialement réalisée par des serveurs sans contraintes d'alimentation et de puissance de calcul peut être déportée sur un réseau de capteurs à énergie disponible limitée et à puissance de calcul réduite (par ex. microcontrôleurs faible consommation). A cette fin, on pourra entre autre, mettre en ?uvre des méthodes utilisées dans le domaine du compressive sensing, et appliquer des algorithmes de machine learning dans un espace compressé. Le c?ur de la thèse portera donc sur la minimisation de la consommation énergétique hardware et firmware des systèmes électroniques embarqués implémentant de l'intelligence artificielle et visant l'application "maintenance prédictive pour l'industrie". Les questions de recherche et les innovations associées cibleront: (i) le développement d'architectures électroniques basse consommation (fonctions de réveil, ajustement de la fréquence de mesure,?), (ii) le développement et l'implémentation sur microcontrôleurs d'algorithmes de Machine Learning pour les fonctions capteurs (audio, vibrations, températures) et (iii) le développement et l'implémentation sur microcontrôleurs d'algorithmes de Machine Learning pour l'optimisation de l'énergie et de l'autonomie. Un dispositif électronique complet (hardware + firmware) mettant en ?uvre ces innovations et déployé en situation réelle est attendu pour la fin de la thèse.

Télécharger l'offre (.zip)

Etude de diodes SOI verticales pour la détection LWIR

Département d'Optronique (LETI)

Laboratoire d'Imagerie thermique et THz

Physique des semiconducteurs

01-09-2021

SL-DRT-21-0313

patrick.leduc@cea.fr

Photonique, imageurs et écrans (.pdf)

Les détecteurs thermiques non refroidis absorbent le flux infrarouge pour des longueurs d'onde de 7µm à 14µm. Cette bande spectrale correspond à une fenêtre de transmission atmosphérique et au maximum d'émission d'un corps noir à 300K, ce qui permet de mesurer des variations de température inférieures à 100mK dans la scène imagée. Le principe de fonctionnement des microbolomètres repose sur la mesure de température d'une membrane suspendue absorbant le flux infrarouge. Le transducteur thermique est l'élément sensible du microbolomètre qui détermine son rapport signal sur bruit et donc la performance du pixel bolométrique. La majorité des microbolomètres commerciaux utilisent une thermistance à base de silicium amorphe ou d'oxyde de vanadium pour son coefficient de température élevé (TCR=2-4%/K) et son faible bruit basse fréquence (bruit 1/f). L'objet de la thèse est l'étude d'une technologie en rupture pour la fabrication des microbolomètres. Contrairement aux filières classiques à thermistances, on se propose d'évaluer un transducteur thermique à base de diodes SOI verticales, qui permettra d'améliorer significativement la qualité d'image des détecteurs LWIR. Le sujet portera sur la caractérisation et la modélisation des performances d'un tel dispositif.

Télécharger l'offre (.zip)

Conception et fabrication de composants à base d'alliage de GeSn pour la détection de gaz

Département d'Optronique (LETI)

Laboratoire des Capteurs Optiques

école d'ingénieur ou master en physique fondamentale, physique du solide, optique, optoélectronique ou photonique.

01-10-2020

SL-DRT-21-0315

vincent.reboud@cea.fr

Photonique, imageurs et écrans (.pdf)

L'un des principaux défis actuels de la photonique sur silicium est d'obtenir un laser intégré technologiquement compatible avec les fonderies de la microélectronique. Les lasers à semi-conducteurs traditionnels utilisent des semi-conducteurs III-V qui ne sont pas acceptés dans les fonderies de silicium, contrairement aux semi-conducteurs du groupe IV. Le CEA Grenoble fait partie des rares laboratoires à avoir déjà fait la démonstration du laser à pompage optique dans l'infrarouge moyen dans les semi-conducteurs du groupe IV, à la fois en Ge et GeSn. Avec des hétérostructures en GeSn relaxé ou sous contraintes en tension et des puits quantiques en alliages silicium-germanium-étain (Si) GeSn, nous ciblons aujourd'hui le laser continu à température ambiante et la réalisation de s photodétecteurs moyen infrarouge en 200 mm. Pour atteindre l'effet laser à température ambiante, il faut améliorer le gain optique et optimiser le confinement des porteurs. Les améliorations nécessiteront de nouvelles configurations de puits quantiques et de hétérojonctions en germanium étain, en jouant sur les compositions atomiques et la déformation mécanique à l'échelle microscopique. Comme pour les lasers que nous avons déjà obtenus, les nouvelles couches de GeSn (Si) seront épitaxiées en 200 mm au CEA Leti, puis traitées par le candidat au doctorat dans des salles blanches de plus petite échelle. Les développements réalisés pour les sources lasers seront utilisés pour la réalisation des photodétecteurs. La thèse se déroulera au sein du Département Optique et Photonique dans le Laboratoire de Capteur Optique, qui est un leader mondial dans le développement et la fabrication de composants photoniques Silicium (ou CMOS) pour la détection de gaz dans l'infra-rouge. Les objectifs de la recherche consisteront : (i) A réduire le nombre de défauts cristallins dans les régions de gain GeSn, (ii) à concevoir des empilements de GeSn (Si) efficaces qui confinent à la fois les électrons et les trous, tout en offrant un fort gain optique (iii) à appliquer et contrôler la contrainte en tension dans les couches d'étain au germanium (iv) à évaluer le gain optique sous pompage optique et injection électrique, à différentes contraintes et niveaux de dopage (v) à concevoir et fabriquer des cavités laser à fort confinement optique (vi) à obtenir des lasers du groupe IV à base de germanium qui soient accordables et qui lase en continu. (vii) à tester les composants fabriqués (sources et photodétecteurs) dans des cellules de détection de gaz À plus long terme, ces lasers seront largement utilisés dans les dispositifs miniaturisés omniprésents de faible puissance pour la détection optique de gaz et la surveillance de l'environnement. Ce travail impliquera des contacts avec des laboratoires étrangers travaillant sur le même sujet dynamique.

Télécharger l'offre (.zip)

Outils de diagnostic et de pronostic des onduleurs et modules PV par des approches machine-learning économes en moyens de calcul

Département des Technologies Solaires (LITEN)

Laboratoire Systèmes PV

mathématiques ou science de l'ingénieur

01-09-2021

SL-DRT-21-0347

sylvain.lespinats@cea.fr

Energie solaire pour la transition énergétique (.pdf)

Contexte : Dans le contexte actuel de dérèglement climatique, la question de l'énergie est centrale aussi bien d'un point de vue sociétal que d'un point de vue politique ou économique. La production solaire, qui est une alternative renouvelable aux énergies carbonées, croit exponentiellement et il extrêmement probable que cette montée en puissance se poursuive dans les années qui viennent. Un des meilleurs moyens de faire baisser le coût financier et environnemental des centrales solaires est le diagnostic automatique qui permet de détecter et corriger les défaillances des centrales et ainsi augmenter leur rendement. Schématiquement, les centrales photovoltaïques sont constituées d'un assemblage de modules reliés à un onduleur. Les modules produisent du courant continu qui est transformé en courant alternatif par l'onduleur pour être transporté sur le réseau de distribution. Les défaillances et le vieillissement de ces deux équipements forment la principale source de défaillances non triviales. Par exemple, la durée de vie d'une centrale est généralement estimée à 20 ou 30 ans, alors que la durée de vie des onduleurs est approximativement de 10 ans. Il est très classique que le courant et la tension en amont et en aval de l'onduleur soient mesurées et suivies. Ces données sont en général complétées par des mesures météorologiques (irradiance et température en particulier). L'ensemble de ces données est cependant bien souvent sous-exploité. Dans le cas du comportement des modules, c'est entre autre lié au fait que les performances dépendent de différents facteurs très fortement corrélés (phénomènes journalier et saisonniers, conditions météos, position relative du soleil, interactions non-linéaires entre les différents modules, vieillissement continue, casse, etc). Dans le cas des onduleurs les difficultés sont majoritairement dues à la forte dépendance aux des conditions de fonctionnement et au niveau de bruit de la mesure largement supérieur au signal recherché (à l'image des problématiques rencontrées dans le cadre de la détection des ondes gravitationnelles par le projet LIGO). Objectif : Nous souhaitons prendre appuis sur ces données pour assurer un suivi plus fin des centrales photovoltaïques, diagnostiquer les défaillances et les anticiper. Pour cela, nous souhaitons nous appuyer sur, d'une part la très grande quantité de données, ce qui peut contrer le problème de signal sur bruit, et sur le machine-learning d'autre part pour isoler les différentes composantes explicatives. Dans un premier temps, les modules et onduleurs seront considérés séparément. Dans un second temps, nous considèrerons le système dans son ensemble. Par le passé, les laboratoire LSPV (CEA) et LAMA UMR 5127 (Université Savoie Mont Blanc) ont collaboré au développement de méthodes de réduction de dimensions. Ces méthodes (probablement à adapter) permettent d'explorer les jeux de données pour en extraire des comportements qui pourront être reliés aux modes de fonctionnement et des vieillissements variées. Cette étape permettra de définir des classes servant ensuite à la mise en place de méthodes de régression/classification. Ce travail de machine-learning devra permettre de proposer des outils de diagnostic suffisamment légers en coût de calcul pour être déployable sur les centrales. Profil souhaité : Nous cherchons un(e) étudiant(e) en mathématiques intéressé(e) par les applications dans le domaine de l'énergie renouvelable et de l'électronique ou un(e) étudiant(e) en sciences de l'ingénieur passionné(e) par les mathématiques. Une expérience en électronique n'est pas nécessaire, mais le candidat pourra être amené à faire des mesures en laboratoire sous la supervision d'électroniciens et de photovoltaïciens pour produire des données ou confirmer des comportements. Les outils utilisés pourront inclurent les méthodes de réduction de dimension, les statistiques (descriptifs et tests), l'analyse de séries temporelles, les SVM, les réseaux de neurones ou les méthodes tensorielles.

Télécharger l'offre (.zip)

52 (Page 3 sur 9)
first   previous  1 - 2 - 3 - 4 - 5  next   last
-->

Voir toutes nos offres