Simulation hybride et réduction de modèles pour une sidérurgie durable : application au procédé DRI

Le projet de thèse vise à développer une approche hybride multi-couches combinant la simulation physique (CFD) d'un four à réduction avec des techniques d'intelligence artificielle (IA), dans le contexte de la transition énergétique de l'industrie sidérurgique. Il s'inscrit dans une volonté de rendre les procédés de réduction directe du fer (DRI) plus efficaces, flexibles et durables, notamment en intégrant l'hydrogène vert comme vecteur énergétique. L’approche visée reposera sur une architecture hybride structurée en trois couches :

• Modèle physique réduit : Après validation d’un modèle CFD existant dans des régimes stationnaire et dynamique, une étape de réduction de modèles sera réalisée pour réduire le temps de calcul. De nombreuses approches seront envisagées pour construire le modèle réduit. Le formalisme de la décomposition orthogonale propre (POD) permettra d’extraire une base réduite des champs physiques simulés et d’avoir une représentation de l’ignorance associée. Dans la même philosophie, des autoencodeurs seront également utilisés, fournissant des coordonnées dans un espace latent permettant de réduire la dimensionnalité de la représentation physique.
• Modèle de correction adaptatif : Un modèle d'apprentissage automatique sera développé, visant à corriger dynamiquement les écarts entre les prédictions du modèle réduit et le comportement réel extrait des données collectées par ArcelorMittal R&D. Ce modèle, conçu pour s'adapter en ligne, prendra en compte les phénomènes physiques négligés ou mal résolus par le modèle réduit.
• Module d'optimisation : Ce module vise construire une surface de réponse reliant les paramètres d'entrée du procédé aux grandeurs d'intérêt (sorties). Cette surface permet de représenter de manière compacte la relation complexe entre les conditions opératoires et les performances du système. Des techniques d'optimisation seront ensuite mises en œuvre pour identifier les paramètres d'entrée optimaux, ceux permettant d'atteindre les objectifs industriels définis. L'optimisation impliquera d’abord des approches classiques comme la descente de gradient, avant d'explorer des méthodes heuristiques plus avancées dans le but de traiter les éventuelles non-convexités de l'espace de solutions et de vérifier l'existence ou non de minima locaux multiples.

L’architecture multi-couches sera développée de façon itérative, en commençant par une phase exploratoire visant à comparer différentes méthodes (SVD, autoencodeurs profonds, réseaux à convolution, modèles physiques neuronaux), puis en intégrant progressivement des mécanismes temporels pour traiter les régimes dynamiques. Une définition rigoureuse des fonctions objectif et des contraintes industrielles sera mise en place pour guider le processus d'optimisation de manière réaliste.

Les modèles développés dans le cadre du projet permettront de simuler de manière intégrée l'ensemble de l'installation DRI, incluant le four et les boucles de gaz, dans des régimes stationnaires et transitoires. La capacité à capturer les phénomènes dynamiques est cruciale pour analyser les phases critiques du procédé, comme les changements de conditions opérationnelles ou les interruptions de cycle. Les modèles proposés seront utilisés pour évaluer différents scénarios intégrant l’hydrogène vert comme vecteur énergétique. Il sera ainsi possible d'étudier l'impact de différentes stratégies d'intégration d'hydrogène sur la performance du four, l'efficacité énergétique, la cinétique de réduction du minerai, ainsi que sur les contraintes opérationnelles.

la thèse sera réalisée entre le laboratoire LEM3 (Campus Arts et Métiers de Metz), le laboratoire LAMPA (campus Arts et Métiers d’Angers) et ArcelorMittal Global R&D (Campus de Maizières-Lès-metz).

Le candidat devra être titulaire d'un diplome d'Ingénieur, d’un Master (ou diplôme équivalent conférant le grade de Master) en Génie Mécanique, Génie des Procédés ou Mathématiques Appliquées, avec un fort intérêt pour la modélisation numérique avancée et les méthodes d’intelligence artificielle appliquées aux procédés industriels. Il contribuera activement aux travaux de recherche, au développement d’outils numériques innovants et à la rédaction d’articles scientifiques, en étroite collaboration avec l’équipe académique et industrielle du projet. Compétences et aptitudes attendues :

• Solides compétences en modélisation numérique : expérience en simulation par mécanique des fluides numérique (CFD), méthodes numériques de résolution d’équations aux dérivées partielles et/ou réduction de modèles.
• Connaissances en intelligence artificielle et apprentissage automatique : familiarité avec les réseaux de neurones, l’apprentissage supervisé et non supervisé, et si possible avec des méthodes de réduction de dimensionnalité (POD, autoencodeurs).
• Compétences en programmation scientifique : maîtrise de Python et MATLAB indispensable ;
• Qualités personnelles : autonomie, curiosité scientifique, motivation pour la recherche interdisciplinaire et capacité à travailler en équipe dans un environnement collaboratif académique–industriel.