Réduction d'ordre de modèles électromagnétiques non linéaires par apprentissage automatique intégrant la physique — Application aux composants de génie électrique // Model order reduction technique of nonlinear electromagnetic problem using physics-inform

Les objectifs de cette thèse sont de développer de nouvelles méthodes de réduction d'ordre pour la simulation de problèmes électromagnétiques non linéaires, en particulier dans le contexte des composants de génie électrique soumis à des effets complexes tels que les matériaux ferromagnétiques non linéaires et les courants de Foucault.
L'idée principale est d'améliorer les approches classiques de réduction de modèles en y intégrant des techniques d'apprentissage automatique, afin de mieux représenter les phénomènes non linéaires à partir d'un nombre limité de simulations haute fidélité. La thèse vise ainsi à construire des modèles hybrides, combinant connaissances physiques et méthodes data-driven, capables de conserver une bonne précision tout en réduisant fortement les temps de calcul. Ces développements seront appliqués à des systèmes de complexité croissante, allant des capteurs de courant au actionneurs électromagnétiques.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The objectives of this thesis are to develop new model order reduction methods for simulating nonlinear electromagnetic problems, particularly in the context of electrical engineering components subject to complex effects such as nonlinear ferromagnetic materials and eddy currents.
The main idea is to improve classical model reduction approaches by integrating machine learning techniques, in order to better represent nonlinear phenomena using a limited number of high-fidelity simulations. The thesis thus aims to construct hybrid models, combining physical knowledge and data-driven methods, capable of maintaining good accuracy while significantly reducing computation times. These developments will be applied to systems of increasing complexity, ranging from current sensors to electromagnetic actuators.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Public funding alone (i.e. government, region, European, international organization research grant)

Concours pour un contrat doctoral

Université Grenoble Alpes

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

Le/la candidat(e) devra posséder des compétences en modélisation numérique, notamment en méthodes des éléments finis, ainsi qu'en programmation scientifique. Une connaissance approfondie de l'électromagnétisme constituera un atout supplémentaire. Le/la candidat(e) devra témoigner d'un intérêt marqué pour le développement d'outils de modélisation et de codes de calcul scientifique. Le/la candidat(e) devra également être motivé(e) par la recherche appliquée menée dans un environnement collaboratif et pluridisciplinaire. Le/la candidat(e) devra être titulaire d'un diplôme de niveau Bac+5 (école d'ingénieur ou master) dans une formation généraliste de haut niveau ou en mathématiques appliquées (méthodes numériques, modélisation).
The candidate must have expertise in numerical modeling, particularly in finite element methods, as well as in scientific programming. A thorough understanding of electromagnetism would be an added asset. The candidate must demonstrate a strong interest in the development of modeling tools and scientific computing codes. The candidate must also be motivated by applied research conducted in a collaborative and multidisciplinary environment. The candidate must hold a master's degree (engineering school or master's program) in a high-level generalist program or in applied mathematics (numerical methods, modeling).