Jumeaux numériques et Deep Learning pour la conception optimisée et décarbonée des fours verriers industriels // .

La thèse propose de développer un cadre numérique intelligent permettant de concevoir, simuler et optimiser les environnements des fours verriers en fonction d'un cahier des charges exigeant incluant notamment la réduction de l'empreinte carbone, l'amélioration de la performance énergétique et le maintien de la qualité produit.

L'enjeu principal réside dans la capacité à intégrer un agent d'apprentissage profond au
cœur d'une simulation physique complexe, tout en assurant la robustesse, la rapidité d'entraînement, et la généricité du modèle. Là où les approches classiques (comme les méthodes adjointes) nécessitent des ajustements coûteux pour chaque situation, le recours au Deep Learning (RL, GNN,…) permettra d'envisager une solution globale, adaptative, et scalable à grande échelle industrielle.

Le travail s'articulera autour de plusieurs axes : le développement d'environnements d'apprentissage simulés et couplés à la physique, la mise en œuvre d'agents intelligents (type PPO, PBO, ou DDPG) capables d'optimiser l'architecture et la régulation des fours selon des métriques physiques et énergétique, et l'intégration de méthodes de meta-learning pour permettre la transférabilité des solutions à d'autres géométries ou régimes. Le tout sera validé à partir de cas d'usage industriels concrets fournis par les partenaires, incluant données historiques, contraintes réelles d'exploitation, et bancs d'essais numériques.

Le projet bénéficie du soutien de plateformes de calcul haute performance (HPC), d'outils logiciels de pointe et d'un encadrement scientifique au centre de recherche CEMEF UMR CNRS, Mines Paris PSL, basé à SophiaAntipolis, avec une immersion prévue sur différents sites industriels français.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025
WEB : https://www.cemef.minesparis.psl.eu/wp-content/uploads/2025/04/Thesis-ChaireTwinheat.pdf

Autre financement public

ANR Financement d'Agences de financement de la recherche

Mines Paris-PSL

364 SFA - Sciences Fondamentales et Appliquées

Master en Mathématiques Appliquées ou Master/Ingénieur en Mécanique Numérique. Les candidats souhaités doivent posséder une expérience démontrable de la modélisation et de la simulation numériques des phénomènes de transport de flux, une connaissance pratique de l'analyse par éléments finis , une capacité de programmation numérique utilisant C++ et python, une maîtrise professionnelle de l'anglais , de bonnes compétences en matière de présentation, ainsi que la capacité et la volonté de travailler en collaboration au sein d'une équipe pluridisciplinaire
..