Position de doctorant: Développement de la technique de mesure de la rugosité du rail et analyse de Big Data

La vitesse croissante des trains, atteignant maintenant jusqu’à 250 km / h, crée une quantité importante de bruit. Il est principalement généré par l’aérodynamique et l’interaction rail-roue. En raison de cette interaction, le bruit dit de roulement est émis, contribuant de manière significative à la pollution acoustique globale. Les résultats de l’étude sonRAIL ont montré une corrélation directe entre le développement du bruit et la qualité de la surface des rails et des roues, créant ainsi la volonté de mesurer précisément cette quantité. Malheureusement, les méthodes existantes ne permettent pas une évaluation rapide et précise de la rugosité du rail, ce qui rend impossible le suivi de l’état de surface du rail. La grande vitesse du train n’est qu’un défi parmi tant d’autres qu’un tel appareil de mesure doit surmonter. Par exemple, un autre problème majeur serait le traitement des données. L’intelligence artificielle sera peut-être utilisée pour extraire des fonctionnalités de l’énorme quantité de données. La technologie de pointe de broyage à sec des chemins de fer induit une augmentation du bruit après le processus de broyage. Le bruit ne diminue qu’après un certain dépassement de train, ce qui lisse la surface des rails. Un système en boucle fermée avec Machine Learning intégré pour la détection des paramètres de processus optimaux pour le broyage ferroviaire doit être développé, afin d’améliorer le processus lui-même ainsi que l’entretien général de la voie.

Pour ce projet de recherche lié à l’industrie, nous recherchons un nouveau doctorant. Vous travaillerez au développement d’une méthodologie et d’algorithmes pour mesurer avec précision la rugosité de surface à des vitesses élevées à l’aide de capteurs sans contact. Par conséquent, le produit développé devra être testé et évalué en laboratoire, ainsi que dans le monde réel, sur des trains en marche. La réflexion théorique et la modélisation seront ensuite associées à des tâches expérimentales. Dans une deuxième étape, le candidat devra établir une méthode pour traiter une telle quantité de données et la rendre utilisable pour les clients. Cela ouvrira des portes pour plonger dans le Machine Learning et l’analyse Big Data, également liés à la maintenance prédictive du réseau ferroviaire ou à l’optimisation du processus de rectification.

Il est attendu du doctorant qu’il accomplisse également diverses tâches en dehors de ses sujets de recherche, tels que la supervision d’étudiants et de cours.

Nous recherchons un candidat très motivé, auto-organisé et désireux d’apprendre des titulaires d’un Master en ingénierie ou physique. Les candidats qualifiés doivent avoir les capacités suivantes:

• Bonne connaissance de l’analyse des données et du traitement du signal
• Intérêt pour la métrologie et les techniques de mesure
• Expérience en programmation, de préférence en Python et LabView
• Compétences en technologie de l’information
• Langues: maîtrise de l’allemand et de l’anglais

L’ETH Zurich est l’une des principales universités mondiales spécialisées dans les sciences et les technologies. Nous sommes réputés pour notre excellente éducation, notre recherche fondamentale de pointe et notre transfert direct de nouvelles connaissances dans la société. Plus de 30 000 personnes de plus de 120 pays trouvent que notre université est un lieu qui promeut la pensée indépendante et un environnement qui inspire l’excellence. Situés au cœur de l’Europe, tout en forgeant des connexions dans le monde entier, nous travaillons ensemble pour développer des solutions aux défis mondiaux d’aujourd’hui et de demain.

Nous nous réjouissons de recevoir votre candidature en ligne avec les documents suivants:

• Curriculum vitae
• Lettre de motivation
• Trascript des enregistrements
• Ev. lettres de référence

Veuillez noter que nous acceptons exclusivement les candidatures soumises via notre portail de candidature en ligne. Les candidatures par courrier électronique ou postal ne seront pas prises en compte.

De plus amples informations sur D-MAVT et IWF sont disponibles sur les sites Web suivants:

• D-MAVT:  www.mavt.ethz.ch
• IWF:  www.iwf.mavt.ethz.ch

Pour toute autre question concernant ce poste, veuillez vous adresser à Davide Frey (frey@iwf.mavt.ethz.ch) ou au Dr Michal Kuffa (kuffa@iwf.mavt.ethz.ch).