Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

17 janvier 2020

Thèse - Reconfiguration dynamique d’un réseau de stations sol optique assistée par machine learning


Catégorie : Doctorant


L’enjeu de cette thèse est de proposer une méthode de prévision de la disponibilité d’un lien optique haut débit basée sur du machine learning, et dont on évaluera la précision en fonction de l’horizon temporel de prévision.

 

Entreprise : ONERA, centre de Palaiseau - collaboration Airbus

Mission :

Les liens optiques atmosphériques font figure de game-changer pour le futur des communications satellite/sol, que ce soit pour le rapatriement des données engrangées par les capteurs embarqués (télémesure) sur des satellites LEO ou pour le développement de l’internet globalisé et de l’internet des objets (IOT) en exploitant les satellites GEO comme relais.

L’influence de l’atmosphère (occultations nuageuses, aérosols, turbulence atmosphérique) reste un verrou essentiel qu’il convient de forcer pour pouvoir garantir la disponibilité très élevée attendue de systèmes de communication (99,9%). La fiabilité de son évaluation conditionne les marges utilisées pour le dimensionnement des futurs systèmes, notamment dans le choix des emplacements des futures stations sols. Une capacité de prédiction permettrait d’optimiser le fonctionnement du réseau en adaptant en temps réel les mécanismes de correction d’erreur.

L’enjeu de cette thèse est de proposer une méthode de prévision de la disponibilité d’un lien optique haut débit dont on évaluera la précision en fonction de l’horizon temporel de prévision.

L’approche proposée s’appuiera sur l’agrégation de données locales (cartographie nuageuse locale, paramètres turbulents intégrés) produites par des instruments de caractérisation des propriétés optiques de l’atmosphère et de données issues de modèles multiphysiques exploitant la dynamique atmosphérique (exploitation de modèles météo). La capacité à estimer des disponibilités élevées (queues de distributions) sera apportée par l’utilisation d’un métamodèle défini par une étude de sensibilité et mis à jour par le recours à un apprentissage adaptatif. Pour ce faire on adaptera à la problématique des liens optiques les méthodes d’optimisation et d’échantillonnage développées à l’ONERA depuis une quinzaine d’années pour l’estimation d’évènements rares.

Démarche :

La démarche proposée s’appuiera en premier lieu sur la mise en place d’un modèle d’évaluation de performance de lien optique exploitant les données fournies par les modèles physiques et le calcul de paramètres locaux obtenus à partir de ces mêmes modèles.

On s’attachera à la compréhension fine des inter-corrélations entres les paramètres atmosphériques macroscopiques, les grandeurs mesurées par les instruments de mesures existants et les critères de performances des liens optiques.

Une approche machine learning sera ensuite utilisée pour construire un modèle de substitution mathématique (ou métamodèle) reliant à la fois les paramètres atmosphériques, les paramètres locaux pertinents pour les liens optiques et le critère de qualité du lien optique considéré. Une analyse de sensibilité sera menée pour identifier les variables d'entrée les plus influentes sur la performance du lien. Des méthodes d’apprentissage adaptatif seront utilisées pour affiner la pertinence du métamodèle en particulier concernant les probabilités faibles.

Cette approche une fois mise en place, la capacité de prévision ainsi conférée sera évaluée en exploitant l’historique des données existantes : données de caractérisation des observatoires (VLT/Tenerife/Paranal), réanalyses de modèles météorologiques, nouvelles fonctionnalités de MATISSE, code de transfert radiatif développé par l’ONERA, intégrant le couplage aux résultats du modèle régional à maille très fine AROME de Météofrance. En fonction de l’avancement des travaux, une validation expérimentale de la capacité de prédiction de la performance de lien pourrait être envisagée en exploitant les données fournies par la station sol ONERA FEELINGS devant voir le jour courant 2022.

 

Profil recherché : Master 2 ou école d’ingénieur en mathématiques appliquées, physique ou en optique

Candidature : CV + notes - date limite : juillet 2020

Contact : Sidonie Lefebvre - sidonie.lefebvre@onera.fr

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2020.