Reconstruction tridimensionnelle de la densité de courant par magnétométrie pour le diagnostic non invasif de systèmes électrochimiques // Three-dimensional reconstruction of current density using magnetometry for the non-invasive diagnosis of electrochem

Cette thèse vise à reconstruire en 3D la densité de courant dans des systèmes électrochimiques (batteries lithium-ion et piles à combustible) à partir de mesures de champ magnétique. L'objectif est de développer une méthode de diagnostic non invasive basée sur la résolution d'un problème inverse, intégrant des contraintes physiques et des techniques de régularisation. L'approche combinera modélisation électromagnétique et méthodes d'apprentissage. Les travaux s'appuieront sur des données simulées et expérimentales, acquises notamment via des matrices de capteurs AMR/TMR. Un prototype de mesure pour piles à combustible est en cours de développement et servira à la validation. Les applications concernent la détection de défauts et l'analyse du fonctionnement interne. Le sujet se situe à l'interface entre physique, calcul scientifique et apprentissage automatique.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This thesis aims to reconstruct the three-dimensional current density in electrochemical systems (lithium-ion batteries and fuel cells) from magnetic field measurements. The objective is to develop a non-invasive diagnostic method based on solving an inverse problem, incorporating physical constraints and regularization techniques. The approach will combine electromagnetic modeling and machine learning methods. The work will rely on both simulated and experimental data, obtained in particular using AMR/TMR sensor arrays. A measurement prototype for fuel cells is currently under development and will be used for validation. Applications include fault detection and analysis of internal operation. The topic lies at the interface between physics, scientific computing, and machine learning.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Programmes gouvernementaux hors France et Union Européenne

Université Grenoble Alpes

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

Le candidat devra être titulaire d'un diplôme de niveau Master (ou équivalent) en mathématiques appliquées ou ingénierie, avec des compétences en : - Automatique, traitement de signal, méthodes numériques - Physique (électromagnétisme), modélisation - Programmation scientifique, machine learning Un intérêt pour les problèmes inverses et l'apprentissage automatique constituera un atout.
The candidate should hold a Master's degree (or equivalent) in applied mathematics or engineering, with skills in: - Control systems, signal processing, numerical methods - Physics (electromagnetism), modeling of dynamical systems - Scientific programming and machine learning An interest in inverse problems and machine learning will be considered an asset.