Optimisation de l'efficacité énergétique des machines électriques par application des technologies d'apprentissage automatique // Efficiency optimization of electrical machines through the application of machine learning technologies

L'efficacité énergétique doit être prise en compte dans l'optimisation multi-objectif des machines électriques, malgré l'importance des ressources de calcul et le temps de calcul requis. L'apprentissage automatique (AA) peut accélérer ce processus d'optimisation grâce à des modèles numériques alternatifs (réseaux de neurones, machines d'apprentissage extrême, réseaux à fonction de base radiale, régresseurs à vecteurs de support, forêts aléatoires, régresseurs à gradient boosté, etc.) du moteur, intégrés au processus d'optimisation [1-3]. Les techniques d'apprentissage profond, telles que les réseaux antagonistes génératifs (GAN) [4] et les auto-encodeurs [5], permettent également à l'algorithme d'optimisation d'opérer dans un espace de variables latentes de dimensionnalité réduite. Les auto-encodeurs variationnels rendent même possible la conception inverse de la machine [6], évitant ainsi l'optimisation itérative.
Le/la candidat(e) étudiera les technologies mentionnées ci-dessus afin d'optimiser l'efficacité et les performances de nouveaux types de machines synchrones (comme les moteurs à circuit imprimé) ainsi que de types plus établis (comme les moteurs synchrones à aimants permanents). Après la mise en place de l'entraînement du modèle de substitution et de l'optimisation automatique, quelques études de cas représentatives d'applications réelles (voir la première section) seront sélectionnées pour valider les méthodologies développées. Enfin, un ou plusieurs prototypes seront réalisés et testés expérimentalement dans les installations du LSEE.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Power efficiency must be included in the multi-objective optimization of the electrical machines, although the process is computationally-intensive and highly time demanding. Machine Learning (ML) can accelerate the multi-objective optimization process by means of alternative digital models (Neural Networks, Extreme Learning Machines, Radial Basis Function Networks, Support Vector Regressors, Random Forests, Gradient Boosting Regressors, etc.) of the motor to be embedded into the optimization process [1-3]. Deep learning techniques like Generative Adversarial Networks [4] and Autoencoders [5] can also enable the optimization algorithm to operate in a latent variable space with reduced dimensionality. Variational Auto-Encoders make even possible the inverse design [6] of the machine thus avoiding the iterative optimization.
The candidate will study the technologies mentioned above with the goal of optimizing the efficiency and the performance of new kinds of synchronous machines (like PCB motors) as well as more established types (like SynRMs). After setting up the surrogate model training and the machine optimization work-flows, a few case-studies representative of real-world applications will be chosen to validate the developed methodologies. Finally, one or more prototypes will be realized and experimentally tested in the facilities of LSEE.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/09/2026
WEB : http://www.lsee.fr

Financement d'un établissement public Français

Université d'Artois

585 Sciences, Technologie, Santé

• Master en génie électrique (ou domaine connexe). • Excellentes compétences en communication écrite et orale en anglais. • Expérience en analyse par éléments finis électromagnétiques (JMAG et MotorCAD de préférence). • MATLAB.
• Master degree in Electrical Engineering (or related field). • Effective written and oral communication in English. • Experience with electromagnetic FEA (JMAG and Motor-CAD preferred). • MATLAB.