Apprentissage informé par la physique pour l'assimilation de données DAS (Distributed Acoustic Sensing) de dynamiques distribuées dans des domaines complexes // Physics-Informed Machine Learning for DAS (Distributed Acoustic Sensing) data assimilation of

Cette thèse est consacrée à l'assimilation de données DAS (Distributed Acoustic Sensing) basée sur l'utilisation de la fibre optique déployée pour l'Internet afin de réaliser l'estimation d'état ou de paramètres de dynamiques spatio-temporelles complexes en milieu urbain dans le contexte de la gestion d'une crise. On s'intéressera tout particulièrement à l'estimation de dynamique de groupes d'individus. Grâce à la fibre optique aujourd'hui largement déployée au milieu urbain, il est possible de détecter des signaux de contraintes de déformation de manière distribuée. L'introduction du DAS incite cependant à repenser l'algorithmique d'assimilation de données. On cherchera à développer et évaluer des approches d'apprentissage basé sur la physique (PINN) en établissant des liens avec les approches traditionnelles de l'assimilation de données.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This thesis is devoted to the assimilation of Distributed Acoustic Sensing (DAS) data based on the use of fiber optics deployed for the Internet in order to perform state or parameter estimation of complex spatio-temporal dynamics in an urban environment in the context of crisis management. Particular attention will be paid to estimating the dynamics of groups of individuals. With fiber optics now widely deployed in urban environments, it is possible to detect deformation stress signals in a distributed manner. However, the introduction of DAS calls for a rethink of data assimilation algorithms. The aim is to develop and evaluate physics-based learning approaches (PINN), establishing links with traditional data assimilation approaches.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Other public funding

ANR Financement d'Agences de financement de la recherche

Université Grenoble Alpes

220 EEATS - Electronique, Electrotechnique, Automatique, Traitement du Signal

Grade de master français ou équivalent étranger en Mathématiques Appliquées ou Automatique - Profil automatique ou mathématiques appliquées, avec un goût pour les modèles physiques et les méthodes numériques - Analyse des équations aux dérivées partielles, approche variationnelle, estimation bayésienne, machine Learning (PINN, apprentissage supervisé) - Programmation Python/PyTorch - Autonomie, curiosité et capacité d'adaptation - Qualité rédactionnelle
French Master's degree or foreign equivalent in Applied Mathematics or Control Profile in control or applied mathematics, with a taste for physical models and numerical methods - Partial differential equation analysis, variational approach, Bayesian estimation, machine learning (PINN, supervised learning) - Python/PyTorch programming - Autonomy, curiosity and adaptability - Good writing skills