Booster votre candidature en enregistrant et partageant votre vidéo de présentation aux recruteurs

J'enregistre ma vidéo
Retour

Offre proposée par

Sncf

Direction centrale Directions Techniques Réseau

STAGE - Machine Learning appliqué à l'analyse de données géoradar H/F

Paris, Île-de-France 6 mois
Postuler maintenant

La Direction Industrielle des Projets de Régénération est une entité dédiée aux travaux de renouvellement. Elle est en charge des principaux chantiers de renouvellement de voie chez SNCF Réseau. Dans le cadre de ces travaux, des investigations des structures d’assise doivent être réalisées afin de fournir les données d’entrée nécessaires aux études et d’identifier les risques géotechniques. Une partie de ces investigations consiste à sonder le sous-sol au moyen de mesure de type Géoradar (radar de surface). Aujourd’hui, ces acquisitions sont exploitées pour la délimitation des interfaces entre les couches (ballast sain, ballast colmaté, couche intermédiaire, sol support…) et pour l’identification qualitative de zones problématiques. L’interprétation des données radar traitées et l’identification des zones problématiques se base aujourd’hui principalement sur une analyse visuelle d’expert et nécessite des moyens humains importants. Des travaux ont été initiés autour de l’utilisation du machine learning afin d’accélérer et de fiabiliser l’analyse des données pour la détection automatique des zones problématiques. L’analyse s’est faite sur des images générées à partir des données géoradar traitées. L’objectif de ce stage est d’améliorer la fiabilité du modèle CNN développé, de construire un modèle dont la donnée d’entrée est le signal brut géoradar.et d’exploiter les modèles développés.

Les missions consistent à :
• Améliorer les algorithmes existantes et développer des algorithmes de détection automatique des zones problématiques par analyse d’image et par analyse de traces issues de données géoradar brutes • Développer un algorithme qui permet la détection exacte (localisation) des zones problématiques.
• Tester la performance des modèles et améliorer la performance en intégrant de nouvelles données d’entrée (résultats de traitement du signal, données de maintenance, informations liées à l’environnement)
• Réaliser des analyses prédictives des données géoradar à l’aide des algorithmes développées appliquées à

La Direction Industrielle des Projets de Régénération est une entité dédiée aux travaux de renouvellement. Elle est en charge des principaux chantiers de renouvellement de voie chez SNCF Réseau. Dans le cadre de ces travaux, des investigations des structures d’assise doivent être réalisées afin de fournir les données d’entrée nécessaires aux études et d’identifier les risques géotechniques. Une partie de ces investigations consiste à sonder le sous-sol au moyen de mesure de type Géoradar (radar de surface). Aujourd’hui, ces acquisitions sont exploitées pour la délimitation des interfaces entre les couches (ballast sain, ballast colmaté, couche intermédiaire, sol support…) et pour l’identification qualitative de zones problématiques. L’interprétation des données radar traitées et l’identification des zones problématiques se base aujourd’hui principalement sur une analyse visuelle d’expert et nécessite des moyens humains importants. Des travaux ont été initiés autour de l’utilisation du machine learning afin d’accélérer et de fiabiliser l’analyse des données pour la détection automatique des zones problématiques. L’analyse s’est faite sur des images générées à partir des données géoradar traitées. L’objectif de ce stage est d’améliorer la fiabilité du modèle CNN développé, de construire un modèle dont la donnée d’entrée est le signal brut géoradar.et d’exploiter les modèles développés.

Les missions consistent à :

• Améliorer les algorithmes existantes et développer des algorithmes de détection automatique des zones problématiques par analyse d’image et par analyse de traces issues de données géoradar brutes • Développer un algorithme qui permet la détection exacte (localisation) des zones problématiques.

• Tester la performance des modèles et améliorer la performance en intégrant de nouvelles données d’entrée (résultats de traitement du signal, données de maintenance, informations liées à l’environnement)

• Réaliser des analyses prédictives des données géoradar à l’aide des algorithmes développées appliquées à