début prez entreprise

This commit is contained in:
Laureηt 2023-08-21 17:08:00 +02:00
parent cca27ba374
commit fc7547c456
Signed by: Laurent
SSH key fingerprint: SHA256:kZEpW8cMJ54PDeCvOhzreNr4FSh6R13CMGH/POoO8DI

View file

@ -28,6 +28,9 @@
\usepackage{caption} \usepackage{caption}
\usepackage{placeins} \usepackage{placeins}
\usepackage{tikz}
\usepackage{pgf-pie}
\usepackage{algorithmicx} \usepackage{algorithmicx}
\usepackage{algorithm} \usepackage{algorithm}
\usepackage{algpseudocode} \usepackage{algpseudocode}
@ -214,11 +217,54 @@
\section{Présentation de l'entreprise} \section{Présentation de l'entreprise}
yoink un truc à Xavier, flemme de réécrire wikipedia Safran est un grand groupe industriel et technologique français, présent au niveau international dans les domaines de l'aéronautique, de l'espace et de la défense. Safran est le fruit de la fusion de Snecma et Sagem en 2005 et de l'acquisition de Zodiac Aerospace en 2018.
Les sociétés du groupe (Safran Aero Boosters, Safran Aerosystems, Safran Aircraft Engines, Safran Cabin, Safran Ceramics, Safran Electrical \& Power, Safran Electronics \& Defense, Safran Filtration System, Safran Helicopter Engines, Safran Landing Systems, Safran Nacelles, Safran Passenger Solutions, Safran Seats et Safran Transmission Systems) se répartissent entre cinq secteurs d'activité, à savoir la propulsion aéronautique et spatiale, les équipements aéronautiques, les intérieurs d'avions, les aérosystèmes et les applications militaires.
Safran est une société anonyme, côté au CAC 40 depuis 2011, l'État Français en possède 11\% et ses 76 800 salariés 7\%. Une grande part de son développement économique repose sur la vente de moteurs pour l'aviation civile. Son chiffre d'affaire s'élève à 15,3 milliards d'euros en 2021.
% \begin{tikzpicture}
% \pie{
% 50/Propulsion,
% 26/Équipements,
% 7/Défense,
% 8/Aérosystèmes,
% 9/Aircraft Interiors
% }
% \end{tikzpicture}
\begin{figure}[h!]
\begin{minipage}{.4\textwidth}
\begin{tikzpicture}
\pie{
82/Flottant,
11/État,
7/Salariés
}
\end{tikzpicture}
\end{minipage}
\begin{minipage}{.4\textwidth}
\begin{tikzpicture}
\pie{
52/Propulsion,
37/Équipements \& Défense,
11/Aircraft Interiors
}
\end{tikzpicture}
\end{minipage}
\caption{Gauche: Structure du capital en 2023. Droite: Répartition du chiffre d'affaires en 2023.}
\end{figure}
On peut ainsi identifier des cycles de recherche, production, et vente axés sur le développement des moteurs. Une fois le moteur conçu à la fin du cycle de recherche, il est mis en production et le groupe oriente ses efforts sur la rationalisation et la mise à l'échelle des processus de productions. Les ventes commencent alors à faire rentrer de l'argent dans l'entreprise qui commence à développer le moteur suivant.
Ainsi, le CFM56, achevé en 1978 est le moteur civil le plus vendu au monde et Safran vit de ses ventes encore aujourd'hui. Le LEAP, qui a été annoncé en 2008 a été commercialisé en 2014 et équipe la nouvelle génération d'avion, les Boeing 737 max et les Airbus A320 neo. La création de Safran Tech en 2015 répond au besoin de préserver l'expertise technique malgré l'alternance des cycles développement/production. Ainsi on y prépare déjà les technologies pour 2025-2030.
Safran Tech est le centre Recherche \& Technologie du groupe et il n'a donc pas de marché à proprement parler. Il accueille environ 500 chercheurs et ingénieurs répartis entre plusieurs pôles, au nombre desquels on peut compter entre autres « Modélisation \& Simulation », « Matériaux \& Procédés », « Énergie \& Propulsion », Systèmes Électriques et Électroniques », « Technologies des Capteurs \& Applications ». Son rôle est d'innover sur des problématiques affectant l'ensemble des filiales du groupe. Les équipes de recherches ne sont pas directement assujetties aux contraintes liées à des grands projets industriels, et peuvent donc mener des projets de recherche tout en collaborant avec des laboratoires de recherche comme l'ONERA ou le Centre des Matériaux des Mines ou les équipes des autres sociétés.
Ce stage a été réalisé au sein de l'équipe « Computational Applied Mathematics » du pôle « Modélisation \& Simulations ». L'équipe compte une quinzaine de personnes. Une moitié sont titulaires et l'autre se compose des doctorants et stagiaires. Le pôle compte une soixantaine de collaborateurs. Les membres permanents sont tous au moins docteurs et viennent pour beaucoup directement de la recherche (ONERA, Centre des Matériaux, Cachan, etc.).
\section{Contexte du stage} \section{Contexte du stage}
\begin{figure}[h] \begin{figure}[h!]
\centering \centering
\includegraphics[width=16cm]{aube.jpg} \includegraphics[width=16cm]{aube.jpg}
\caption{Aubes du moteur Leap-1A} \caption{Aubes du moteur Leap-1A}
@ -622,7 +668,7 @@ En subsituant l'équation \ref{eq:166} dans l'équation ci-dessus, on obtient:
Cette approche présente divers avantages. Premièrement, elle s'appuie sur un unique réseau de neurones, contrairement à la méthode guidée par classificateur qui en utilise deux. Deuxièmement, l'entraînement ne devient pas significativement plus complexe ; nous procédons de la même manière qu'auparavant, en ajoutant simplement les embeddings de classe et en parfois excluant aléatoirement ces embeddings (selon une loi uniforme) pour apprendre en conditionnement non contraint. Troisièmement, les données telles que le texte se prêtent difficilement à une classification en classes, et cette approche permet l'utilisation de vecteurs scalaires pour le conditionnement. Cette approche présente divers avantages. Premièrement, elle s'appuie sur un unique réseau de neurones, contrairement à la méthode guidée par classificateur qui en utilise deux. Deuxièmement, l'entraînement ne devient pas significativement plus complexe ; nous procédons de la même manière qu'auparavant, en ajoutant simplement les embeddings de classe et en parfois excluant aléatoirement ces embeddings (selon une loi uniforme) pour apprendre en conditionnement non contraint. Troisièmement, les données telles que le texte se prêtent difficilement à une classification en classes, et cette approche permet l'utilisation de vecteurs scalaires pour le conditionnement.
\begin{algorithm} \begin{algorithm}
\caption{Joint training a diffusion model with classifier-free guidance} \caption{DDPM training with classifier-free guidance}
\begin{algorithmic}[1] \begin{algorithmic}[1]
\Require $p_\text{uncond}$: probability of unconditional training \Require $p_\text{uncond}$: probability of unconditional training
\Repeat \Repeat