Dans le cadre du développement d’outils de simulation, il est nécessaire de calibrer des paramètres de modèles physiques sur des données expérimentales en tenant compte des différentes sources d’incertitudes. Une première source d’incertitude vient de l’aspect expérimental des mesures physiques, et une deuxième source d’incertitude provient d’un écart entre le phénomène physique d’intérêt et le modèle physique. Le stage s'intéresse aux stratégies de calibration dites modulaires, où le paramètre à inférer peut être décomposé en deux parties: la première étant calibré sur une première source de données, et la deuxième partie devant être inféré conjointement avec la première sur une deuxième source de données. Le stagiaire devra adapter des algorithmes de l'état de l'art sur ce cas particulier, et de définir des critères en cas de mauvaise spécification de la seconde source de donnée choisi, que l’on appelle alors erreur de modèle. Un modèle physique de loi de comportement élasto-plastique permettra d'illustrer numériquement les résultats obtenus. 

Le profil recherché est celui d’un étudiant ou d’une étudiante ayant un niveau M2 de mathématiques appliquées ou en troisième année d'école d'ingénieurs avec une spécialisation en statistiques/machine learning. Des connaissances en physique seront
appréciées mais non nécessaires.