Thèse Jumeau Numérique Couplant la Réduction de Modèle et les Données pour le Diagnostic et la Maintenance Prédictive des Systèmes Électroniques de Puissance H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes École doctorale : Sciences Mécaniques et Energétiques, Matériaux et Géosciences Laboratoire de recherche : LMPS - Laboratoire de Mécanique Paris-Saclay Direction de la thèse : Ludovic CHAMOIN ORCID 0000000283610757 Début de la thèse : 2026-09-01 Date limite de candidature : 2026-08-31T23:59:59 Les travaux de recherche portent sur le développement d'outils numériques performants, à base de techniques de réduction de modèle, pour mener des activités de diagnostic de santé et de maintenance prédictive ciblées sur les modules électroniques de puissance. Ce travail s'inscrit dans un projet ANR récemment commencé, dont l'objectif global est de construire un jumeau numérique capable de simuler de façon efficace le vieillissement de modules de puissance soumis à des profils de mission variés dans différents systèmes (voitures électriques, avions, etc.). La stratégie vise à intégrer des modèles physiques et des approches data-driven au sein du jumeau numérique (jumeau dit hybride). Dans la thèse, on se focalisera sur l'efficacité numérique en développant des techniques de réduction de modèle (ROM) dans un cadre multi-matériaux, multi-échelles et multi-physiques, avec de fortes non-linéarités et interaction entre les mécanismes de dégradation. Ces techniques permettront de résoudre efficacement les problèmes liés à l'assimilation de données ou l'optimisation structurale des modules, avec un bon compromis entre précision et coût de calcul. Le travail de thèse se basera sur des développements préliminaires effectués dans une précédente thèse, en intégrant les non-linéarités. Ce travail sera intégralement méthodologique et numérique, avec des applications académiques. Le laboratoire LMPS de l'ENS Paris-Saclay, en collaboration avec les partenaires SATIE et SAFRAN Tech, propose une thèse sous la direction de Ludovic Chamoin. Le projet doctoral vise à développer un jumeau numérique performant, à base de techniques de réduction de modèle, pour le diagnostic et la maintenance prédictive des systèmes électroniques de puissance.La thèse s'inscrit dans le projet ANR POWER-TWIN (2026-2030) porté par les laboratoires SATIE, LMPS, FEMTO-ST et SAFRAN. L'objectif global du projet est de développer un jumeau numérique capable de simuler de façon efficace le vieillissement de modules de puissance soumis à des profils de mission aéronautique, en intégrant à la fois des modèles physiques et des approches data-driven. La stratégie vise à réduire les coûts des campagnes expérimentales, à améliorer la prédiction de la durée de vie des composants, et à faire de la conception optimale pour étendre la durabilité de ces composants. Le projet dans son ensemble repose sur 3 axes majeurs : (1) développement de modèles numériques réduits ; (2) intégration de modèles hybrides physico-statistiques ; (3) définition d'indicateurs pour sélectionner les algorithmes selon leurs performances et leur coût énergétique. L'objectif spécifique de la thèse est de contribuer à l'architecture globale d'un jumeau numérique de système électronique de puissance, en ciblant l'efficacité numérique pour mener les tâches de diagnostic, pronostic, et maintenance prédictive. Pour cela, le travail de thèse consiste à développer des outils numériques robustes, fidèles, et abordables en termes de temps de calcul pour garantir leur utilisation pratique. Les techniques privilégiées pour cet objectif sont liées à la réduction de modèle (ROM) ; elles seront ici analysées dans un cadre multi-matériaux, multi-échelles et multi-physiques, avec de fortes non-linéarités et interactions entre les mécanismes qui caractérisent les modules électroniques de puissance. Le développement de telles techniques ROM permettra : (i) d'une part de résoudre efficacement les problèmes paramétriques multi-requêtes liés à l'assimilation de données ou l'optimisation structurale des modules, en prenant en compte les mécanismes de vieillissement et leurs interactions, avec un bon compromis entre précision et coût de calcul ; (ii) d'autre part d'optimiser les algorithmes envisagés dans le projet ANR et basés sur une vision mixte de type « physique-augmentée » qui combine les modèles physiques et les approches data-driven de type physics of failure pour modéliser fidèlement les interactions complexes entre les mécanismes de dégradation des modules. Dans la thèse, la technique ROM de type PGD (Proper Generalized Decomposition) sera particulièrement regardée, en exploitant des travaux préliminaires menés dans une thèse précédente et qui ont montré le potentiel de cette technique. Une nouvelle avancée consistera à intégrer les non-linéarités dues aux mécanismes de dégradation locale. Une autre avancée scientifique portera sur la mise en place d'indicateurs d'erreur permettant de certifier la qualité des simulations et d'adapter les paramètres du calcul dans une vision multi-fidélité. Il s'agit de calculer juste au juste coût. Enfin, un dernier axe de recherche portera sur la validation du modèle par comparaison à des données réelles, et recalage des paramètres de modèle (par inférence bayesienne) pour faire du pronostic de durabilité avec estimation fiable de durée de vie restante sur une gamme de modules. Le modèle ROM (issu d'une modélisation physique) sera donc nourri par les données recueillies dans le projet, et potentiellement enrichi ultérieurement par des techniques d'apprentissage augmenté par la physique.

Les candidats doivent être titulaires d'un master en mathématiques appliquées ou mécanique numérique.Compétences recherchées en mathématiques appliquées, mécanique des structures, physique, ou sciences informatiques.Des compétences en apprentissage automatique et en programmation (Python, C++) seront appréciées.