Le secteur pétrolier et gazier est une industrie complexe qui repose sur une vaste gamme de processus et d'équipements fonctionnant en continu pour assurer des opérations stables, sûres et fiables. Malgré une surveillance rigoureuse, des anomalies telles que l'encrassement des réacteurs, les fuites dues à une corrosion prolongée et l'encrassement des soufflantes par la poussière peuvent survenir. Ces anomalies peuvent avoir des impacts sévères sur le processus de raffinage et ne sont souvent pas identifiables par les techniques de surveillance classiques.

Grâce à la croissance de la transformation numérique chez TotalEnergies et au développement de modèles avancés d'apprentissage automatique tels que les réseaux neuronaux profonds, les réseaux neuronaux convolutifs (CNN) et les réseaux de mémoire à long terme (LSTM), il est désormais possible de déclencher des alertes à l'avance ou au bon moment pour prendre les mesures nécessaires. Ce stage a pour but de comparer différents algorithmes avec divers cas d'utilisation et de créer une cartographie des applications pertinentes en fonction du type d'anomalie détectée, de leur fréquence d'occurrence et du type d'alertes à déclencher.

En tant que stagiaire Machine Learning pour la détection précoce des anomalies dans le secteur pétrolier et gazier : Évaluation comparative et préparation cartographique H/F, vos missions seront :

• Recherche bibliographique : Mener une revue de littérature complète pour identifier diverses techniques utilisées pour détecter différents types d'anomalies, non seulement dans le secteur pétrolier et gazier mais aussi dans d'autres industries. Cela nous aidera à nous inspirer et à appliquer les meilleures pratiques de divers domaines.
• Évaluation des algorithmes : Évaluer différents algorithmes d'apprentissage automatique, y compris les réseaux neuronaux profonds, les réseaux neuronaux convolutifs (CNN) et les réseaux de mémoire à long terme (LSTM), pour déterminer leur efficacité dans la détection des anomalies.
• Ajustement et transformation des modèles : Adapter et affiner les modèles d'apprentissage automatique pour les appliquer à nos cas d'utilisation spécifiques, en veillant à ce qu'ils soient optimisés pour notre environnement opérationnel.
• Cartographie des applications : Développer une cartographie détaillée de la performance des différents modèles à travers divers cas d'utilisation de détection d'anomalies. Cet exercice fournira des informations approfondies sur les forces et les particularités de chaque modèle, identifiant les applications les plus adaptées en fonction du type d'anomalie, de sa fréquence et de la nature des alertes requises. Réussir cette tâche améliorera considérablement notre compréhension et notre application de l'apprentissage automatique dans la détection des anomalies, contribuant potentiellement à des avancées dans le domaine.
• Collaboration : Travailler en étroite collaboration avec une équipe multidisciplinaire, y compris des data scientists, des ingénieurs de procédé et des opérateurs des équipes centrales et des sites. Cette collaboration garantira que les modèles sont pratiquement applicables et efficaces dans des environnements réels.

Compétences en communication : De bonnes compétences en communication sont nécessaires pour une collaboration efficace, des présentations et la rédaction de rapports. La maîtrise de l'anglais est indispensable.

Esprit d'équipe : Capacité à travailler de manière autonome et en équipe pluridisciplinaire, incluant des data scientists, des ingénieurs de procédés et des opérateurs.

Vous évoluerez au sein d'une équipe de professionnels confirmés et auprès d'un tuteur-coach, le référent de votre futur métier. Un accompagnement individualisé vous permettra de favoriser votre autonomie et de vous mener à votre diplôme !

Actuellement inscrit dans une école d'ingénieurs ou un programme de Master dans le domaine de la data sciences et de la R&D, vous recherchez un stage de fin d'études de 6 mois à partir de mars 2025 ?

Poursuivez-vous votre Master en Data Science ? Nous recherchons des personnes enthousiastes et désireuses d'appliquer leurs compétences dans un environnement réel. Une formation ou des connaissances de base en ingénierie chimique ou des procédés sont appréciées mais non requises.

Compétences techniques : Bonne compréhension des algorithmes de machine learning et de leurs applications. Expérience avec Python et les bibliothèques de machine learning telles que TensorFlow ou PyTorch. Familiarité avec l'exploration de données, le nettoyage de données, l'analyse de données, et le développement, le test et l'optimisation de modèles.

Capacités analytiques : Aimez-vous l'analyse de données et créer des histoires à partir de données opérationnelles ? Êtes-vous passionné par le nettoyage des données et la transformation de données brutes en informations précieuses ? Si oui, nous vous voulons dans notre équipe !

Alors n'attendez plus, postulez pour rejoindre notre équipe !