Mélissa Cassan

Je conçois et déploie une architecture de Deep Learning sur-mesure pour la prévision de production éolienne offshore sur le site de Bạc Liêu au Vietnam. L'objectif est d'optimiser la précision des prévisions à court terme (1h-6h) pour sécuriser l'intégration réseau et minimiser les risques financiers liés à l'intermittence. Dans ce cadre, j'ai développé un modèle GRU optimisé avec Optuna, surpassant les baselines statistiques classiques avec une réduction de 11% de l'erreur absolue moyenne (MAE). Pour atténuer le risque financier, j'ai créé une fonction de coût asymétrique (AsymmetricMSELoss) pénalisant les sous-prédictions critiques afin de sécuriser les engagements de production. J'ai également mis en place un "Routeur Tempête", une architecture hybride basculant automatiquement sur un modèle CNN-1D lors d'événements extrêmes comme les typhons, divisant ainsi l'erreur de prévision par 1.8 en conditions critiques. Mon travail repose sur une ingénierie de données experte, traitant plus de 10 années de séries temporelles climatiques massives (ERA5) avec intégration de variables spatiales "Physics-Informed" liées à la dynamique des moussons. Enfin, j'ai assuré la transition "Data-to-Product" en intégrant ce pipeline complet d'inférence probabiliste dans une application interactive Streamlit destinée à l'aide à la décision.

Dans le cadre de mon alternance, je modélise et analyse le comportement aérothermique complexe des moteurs d'avion. Mon rôle combine simulations numériques avancées, analyse de données multidimensionnelles et approche "Physics-Informed". Concrètement, je développe des modèles numériques haute-fidélité via Ansys Mechanical pour anticiper les gradients thermiques et les contraintes de fluides dans des conditions extrêmes. J'extrais et post-traite ensuite de vastes ensembles de données spatio-temporelles générés par les calculs pour identifier les points de blocage thermiques. L'optimisation algorithmique des paramètres de conception me permet de minimiser les risques structurels. La création de ce pont entre la thermodynamique théorique et l'analyse de données m'a forgé une rigueur scientifique que j'applique aujourd'hui aux architectures d'Intelligence Artificielle.

Stack & Compétences : Ansys Mechanical, Simulation Numérique (FEA), Post-traitement de données, Analyse spatio-temporelle, Thermodynamique.

Lors de ce stage, j'ai mené une étude stratégique et une recherche bibliographique approfondie sur les technologies de stockage d'énergie pour l'éolien offshore. J'ai évalué l'état de l'art des différentes architectures d'éoliennes en mer, qu'elles soient posées ou flottantes, ainsi que leurs contraintes physiques et environnementales. La rédaction de rapports de synthèse techniques m'a permis de structurer les connaissances internes et d'appuyer les futures décisions de développement. Cette première immersion a posé les fondations de mon expertise actuelle dans les énergies marines en m'apportant une vision globale des enjeux de la production énergétique, un atout majeur pour mes missions actuelles en prédiction par Machine Learning.