From
Horaires à
Lieu Amphi Dorothy Hodgkin
De la physique dans les neurones : enrichir les modèles de données par la physique
Cette thèse s’inscrit dans le cadre d’un enjeu industriel majeur pour Safran : réduire le temps de dimensionnement de structures mécaniques complexes, telles que les sièges d’avion, malgré la forte variabilité de leurs géométries et topologies. Les méthodes classiques de réduction de modèles (ROM) restent limitées à des configurations faiblement variables et ne permettent pas de généraliser à des structures très différentes. Pour dépasser ces limites, une approche hybride IA–ROM a été développée, conciliant modélisation physique et apprentissage automatique. Elle s’appuie sur un réseau de neurones sur graphes (GNN) capable de prédire une base réduite à partir de maillages non structurés, puis sur la résolution projetée des équations dynamiques enrichie de manière adaptative pour garantir la cohérence physique. Des développements complémentaires, basés également sur des réseaux de neurones, ont également permis d’accélérer des solveurs non linéaires industriels. Validée sur deux bases de données originales inspirées des cas d’usage de Safran, la méthodologie permet jusqu’à 70 % de gain de temps sans perte notable de précision, ouvrant la voie à une intégration fiable et raisonnée de l’IA dans les chaînes de simulation industrielle.
Composition du jury :
- Mme Stéphanie CHAILLAT-LOSEILLE, Directrice de recherche CNRS, Laboratoire POems (UMR 7231 CNRS-INRIA-ENSTA), rapporteuse
- M. Elías CUETO, Professeur des universités, Universidad de Zaragoz, rapporteur
- M. Francisco CHINESTA, Professeur des universités, PIMM LABORATORY (CNRS - UMR 8006, ENSAM), examinateur
- M. Daniel RIXEN, Professeur des universités, Technische Universität München (TUM), examinateur
