[Thèse de doctorat] Méthodologie d’évaluation de la fidélité des modèles de simulation 0D/1D, de leur hybridation et de leur assemblage

Contexte de la thèse

Au sein de l’Institut de Recherche Technologique SystemX, situé au cœur du campus scientifique d’excellence mondiale de Paris-Saclay, vous prendrez une part active au développement d’un centre de recherche technologique de niveau international dans le domaine de l’ingénierie numérique des systèmes. Adossé aux meilleurs organismes de recherche français du domaine et constitué par des équipes mixtes d’industriels et d’académiques, ce centre a pour mission de générer de nouvelles connaissances et solutions technologiques en s’appuyant sur les percées de l’ingénierie numérique et de diffuser ses compétences dans tous les secteurs économiques.

Plus particulièrement au sein de l’IRT SystemX, le doctorant sera rattaché à l’axe scientifique « Sciences des données et Interation ». Le sujet de thèse a été initié par le consortium réuni dans le cadre du projet « Agilité Fidélité Simulation » (AFS) du programme « Intelligence Artificielle et Ingénierie Augmentée » (IA2) de l’IRT SystemX. Ce projet vise à développer de nouvelles méthodologies pour améliorer la performance des cycles de conception des systèmes physiques complexes à l’aide de la simulation numérique. Il s’articule autour de deux axes principaux : l’amélioration de l’agilité des processus de simulation dans la conception des systèmes complexes et la maîtrise de la fidélité des modèles de simulation à travers la mise en place de nouvelles métriques pour une meilleure prise de décision.

La direction de la thèse sera assurée par Francisco Chinesta du laboratoire procédés et ingénierie en mécanique et matériaux (PIMM), UMR 8006 de l’École Nationale Supérieure d’Arts et Métiers (ENSAM) et la thèse sera inscrite à l’école doctorale Sciences des Métiers de l’Ingénieur (SMI, #432). Le doctorant bénéficiera également d’un encadrement scientifique à l’IRT par un ingénieur-chercheur de l’équipe Calcul Scientifique et Optimisation.

Le poste est basé sur le site de l’IRT SystemX à Paris-Saclay, avec des déplacements réguliers au PIMM à Paris. Hormis les déplacements en conférences internationales, un séjour de longue durée dans un laboratoire à l’étranger est envisagé.

La date souhaitée de démarrage de la thèse est le 01/10/2023. La rémunération de la thèse est de 2700€ brut mensuel sur 3 ans.

Sujet de thèse

Contexte

L’accompagnement des produits tout au long de leur cycle de vie, conduit à penser les systèmes techniques avec l’aide d’approche de type « jumeau numérique » ayant la performance au cœur. Au-delà des outils de la conception réglée, l’ingénierie du XXI^ème siècle nécessite maintenant d’allier les notions de fidélité et d’agilité pour rendre pertinents ces jumeaux numériques.

Fidélité intrinsèque

La prise en charge de systèmes de plus en plus larges, incertains, fluctuants et complexes (non-linéarités, multi-échelle en espace et en temps, couplages, …) impliquent d’aller au-delà des modèles basés sur les connaissances physiques existantes et d’y intégrer les modèles basés sur les données. Par rapport aux précisions attendues, la problématique de la fidélité est nécessaire pour avoir des prédictions précises et ainsi permettre l’optimisation des conceptions, du contrôle et des décisions (ingénierie prescriptive, maintenance prédictive, …) tout au long des opérations, ainsi que de garantir les avancées vers la certification. Ici la fidélité est évoquée dans un sens épistémique, avec une démarche de modélisation incluant la prise en compte d’une réalité physique extérieure : dans quel sens notre modélisation exprime-t-elle correctement la réalité extérieure, avec ses variabilités et fluctuations intrinsèques, nécessitant une description adéquate au-delà de l’approche déterministe ?

Cette fidélité épistémique est complétée par la fidélité numérique où intervient la complexité des modèles (modèles non linéaires, couplés, multi-échelles, définis sur des domaines de géométrie complexe et aux conditions limites et initiales souvent mal connues), l’ajustement des techniques de discrétisation (résolution spatiale et temporelles) et les schémas employés (consistance, ordre de convergence et stabilité).

Agilité et fidélité

L’agilité devient incontournable pour aborder les grands systèmes de l’ingénierie, en général des systèmes de systèmes complexes, qui doivent être manipulés souvent en temps-réel, et toujours de façon agile pour assurer une ingénierie efficace. C’est pour cette qualité d’agilité recherchée que les modèles 3D ont été, soit réduits (techniques de réduction de modèles -intrusives- ou de meta-modélisation non-intrusives vers des méta-modèles surrogates), soit simplifiés (représentations fonctionnelles simplifiés 0D ou 1D). Tant la réduction que la simplification ont un impact non négligeable sur la fidélité et la précision des prédictions. Ainsi un troisième volet concerne la fidélité des modèles réduits et/ou simplifiés.

Données et fidélité

La fidélité opérationnelle est toujours quantifiée en comparant prédiction et mesures, ces dernières étant obtenues par des capteurs adéquats, capables de collecter la bonne donnée, à la bonne échelle, au bon endroit et au bon instant. Ces questions ouvrent le domaine de la fidélité de la donnée, à évaluer, quantifier, estimer et intégrer dans toutes les démarches de modélisation, et d’opération.

Fidélité systèmique

La modélisation système ajoute une nouvelle dimension, celle de l’émergence d’un comportement global absent dans les composantes. La fidélité système n’est pas une somme directe de la fidélité des composants, car les erreurs se propagent, évoluent, s’amplifient, … dans un système complexe, tout comme les incertitudes. Un système est loin d’être la simple juxtaposition de ses composantes.

Modélisation inverse

Les données (mesures) sont en général collectées à l’échelle du système, loin des composants individuels, et la fidélité étant impactée par la fidélité de chacune des composantes en fonction des connexions et architectures, une question simple se pose : quelle mesure prendre pour augmenter la fidélité à l’échelle du système ? Cette question ouvre le large domaine de la fidélité inversée.

Travaux attendus de la thèse

La thèse proposée, intitulée « méthodologie d’évaluation de la fidélité des modèles de simulation 0D/1D, de leur hybridation et de leur assemblage », couvrira tous les aspects préalablement cités :

• Fidélité du modèle physique,
• Fidélité de la simulation numérique,
• Fidélité du modèle réduit / simplifié,
• Fidélité de la donnée,
• Fidélité du modèle système,
• Fidélité inversée.

Elle concernera des aspects fondamentaux, numériques et appliqués et visera à illustrer les résultats sur un cas d’usage automobile autour d’un sujet majeur : la gestion thermique.

Le calendrier prévisionnel de la thèse est le suivant :

• Les 6 premiers mois de la thèse seront consacrés à une étude bibliographique portant sur les principaux axes mentionnés dans le sujet, visant à préciser les premières directions des travaux ;
• De premières expérimentations de compréhension du contexte et de prise en main des questions appliquées et industrielles sur des données provenant des cas d’usages identifiés par le projet AFS seront aussi effectuées en cette période de début de thèse ;
• Ensuite, les directions envisagées à la suite de l’étude bibliographique seront approfondies, développées, implémentées et appliquées aux données du projet AFS ainsi que sur les données de la communauté ;
• Les travaux effectués seront diffusés sous la forme de publications scientifiques dans les grandes conférences et revues du domaine des sciences de données et de l’IA et/ou du calcul scientifique, mais aussi sous la forme d’outils et de démonstrateurs logiciels dans le contexte du projet AFS.

Profil recherché

De formation bac +5 (Master Recherche ou Ingénieur avec un intérêt avéré pour la recherche) en Informatique,  Mathématiques appliquées, Science des données, Apprentissage Automatique, ou équivalent.

Connaissances et savoir-faire essentiels :

• Bonnes connaissancesen calcul numérique, et modèles physiques;
• Maîtrise des concepts, méthodes et algorithmes de Machine Learning ;
• Maîtrise des environnements logiciels pour l’analyse de systèmes complexes (simulation, résolution, réduction, hybridation, etc) et pour le Machine Learning, bonne maîtrise de Python ;

Qualités professionnelles :

• Capacité d’analyse, autonomie, esprit d’équipe ;
• Aptitude à communiquer à l’oral et à l’écrit en français et en anglais ;
• Intérêt avéré pour la recherche partenariale et appliquée

Pour postuler, merci de renvoyer les éléments suivants : un CV incluant les coordonnées d’une ou deux référence.s académique.s , une lettre de motivation, les relevés de notes des deux années du Master (ou des deux dernières années du cycle ingénieur) , et au moins une lettre de recommandation