Cependant ils nécessitent des ressources de calcul importantes. La méta-modélisation, basée sur des approximations statistiques du modèle entraînées à partir d'une base de données de simulations, offre une alternative prometteuse pour préserver les capacités prédictives des modèles tout en réduisant les coûts de calcul, permettant ainsi la propagation des incertitudes et la cartographie des risques. L'objectif de ce projet est d'adapter les méthodes de méta-modélisation existantes aux modèles d'écoulement en couche mince, avec une application au risque d'avalanches de roches et/ou de glaces en contexte alpin, contribuant ainsi à l'évaluation des risques émergents glaciaires et périglaciaires. Nous proposons d'entraîner un méta-modèle pour estimer les résultats de SHALTOP, un code d'écoulement en couche mince développé à l'IPGP et utilisé au BRGM, en utilisant la géométrie initiale de la masse et un ou deux paramètres rhéologiques comme variable d'entrée. Le post-doc testera au moins deux méthodes de méta-modélisation (e.g. processus gaussiens et PINNs) sur un cas synthétique simple (écoulement sur plan incliné) et sur une topographie réelle pour reproduire un événement documenté en contexte alpin. Des méthodes avancées d'échantillonnage adaptatif et de réduction de dimension seront utilisées pour améliorer l'efficacité numérique de la méthode tout en garantissant l'exactitude des estimations. Une attention particulière sera portée à la capacité du méta-modèle à reproduire des comportements non linéaires comme les débordements. Le méta-modèle sera ensuite utilisé pour construire une carte probabiliste d'impact. Les distributions des paramètres d'entrée seront estimées soit par jugement d'expert (par exemple, pour le volume) et/ou de manière empirique (loi déduite de la littérature ou de l'étape de calibration). Vos principales missions sont : - Développement informatique (dépôt gitlab, package python) pour l'adaptation des méthodes de méta-modélisation. - Application des techniques développées à deux cas d'étude (topographie synthétique et topographie réelle). - Rédaction d'au moins un article scientifique présentant les résultats. Date de début souhaitée : 01/09/2025 Formation : Doctorat Expérience : 1 - 5 ans Vous mobiliserez les compétences et qualités suivantes : - Programmation (python/R), connaissances en fortran appréciables mais pas indispensables ; - Modélisation statistique (processus gaussiens), machine-learning (TINNS) ; - Utilisation de modèles d'écoulements en couche mince ; - Anglais ; - Autonomie et prise d'initiative pour le développement de solutions innovantes ; - Capacités d'analyse, de synthèse et de présentation des résultats ; - Capacités de rédaction en anglais et français.