Développement et optimisation des méthodes d'essais en hautes fréquences pour l'évaluation de la compatibilité électromagnétique des cartes électroniques, avec exploitation des données par intelligence artificielle // Development of models for the predict

La compatibilité électromagnétique (CEM) est un enjeu crucial dans le développement des systèmes électroniques modernes. Avec l'augmentation constante des fréquences de fonctionnement, notamment dans les domaines de la 5G, des objets connectés, des systèmes embarqués ou encore de l'automobile électrique, les dispositifs électroniques sont de plus en plus exposés aux problèmes de perturbations électromagnétiques.
Les méthodes traditionnelles d'essais CEM, développées principalement pour des plages de fréquences inférieures à 1 GHz, deviennent inadaptées aux phénomènes de couplage complexes et aux comportements dynamiques des cartes électroniques fonctionnant à haute fréquence.
Parallèlement, l'explosion du volume de données issues des essais (mesures de champ proche, spectres, réponses transitoires, simulations numériques) pose de nouveaux défis pour leur traitement et leur interprétation. L'intelligence artificielle, et en particulier les techniques de machine learning, ouvre des perspectives prometteuses pour l'exploitation automatisée et intelligente de ces données.
________________________________________
Problématique
Comment adapter et optimiser les méthodes d'essais en compatibilité électromagnétique pour les hautes fréquences, tout en exploitant efficacement les données expérimentales à l'aide de l'intelligence artificielle afin de prédire les comportements électromagnétiques, identifier les sources de perturbation et proposer des actions correctives de conception ?
________________________________________
Objectifs de la thèse
Cette thèse vise à :
1. Étudier les limites des méthodes d'essais CEM actuelles dans le contexte des hautes fréquences (>1 GHz), en particulier pour les cartes électroniques complexes.
2. Développer des protocoles de mesure innovants, en s'appuyant sur des configurations expérimentales telles que les sondes de champ proche, les chambres anéchoïques compactes, ou les cellules GTEM modifiées.
3. Constituer une base de données expérimentale et de simulation issue des mesures sur différentes configurations de cartes (topologies, composants, blindages).
4. Appliquer des méthodes d'intelligence artificielle (machine learning, deep learning, clustering, réduction de dimensionnalité) pour :
o analyser et classifier les données issues des essais ;
o identifier les zones critiques de perturbation électromagnétique sur les cartes ;
o prédire la conformité CEM à partir de caractéristiques géométriques ou de mesures partielles.
5. Valider les méthodes développées sur des cas d'étude concrets (cartes électroniques industrielles ou prototypes) et proposer des recommandations pour leur application dans un cadre industriel.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Electromagnetic compatibility (EMC) is a crucial issue in the development of modern electronic systems. With the constant increase in operating frequencies, particularly in the fields of 5G, connected objects, embedded systems, and electric automobiles, electronic devices are increasingly exposed to electromagnetic interference issues.
Traditional EMC testing methods, developed primarily for frequency ranges below 1 GHz, are becoming unsuitable for the complex coupling phenomena and dynamic behavior of electronic boards operating at high frequencies.
At the same time, the explosion in the volume of test data (near-field measurements, spectra, transient responses, numerical simulations) poses new challenges for their processing and interpretation. Artificial intelligence, and in particular machine learning techniques, opens up promising prospects for the automated and intelligent exploitation of this data.

Challenge
How can electromagnetic compatibility testing methods be adapted and optimized for high frequencies, while effectively exploiting experimental data using artificial intelligence to predict electromagnetic behavior, identify sources of interference, and propose corrective design actions?

Thesis Objectives
This thesis aims to:
1. Investigate the limitations of current EMC testing methods in the context of high frequencies (>1 GHz), particularly for complex electronic boards.
2. Develop innovative measurement protocols, based on experimental configurations such as near-field probes, compact anechoic chambers, or modified GTEM cells.
3. Build an experimental and simulation database based on measurements on different board configurations (topologies, components, shielding).
4. Apply artificial intelligence methods (machine learning, deep learning, clustering, dimensionality reduction) to:
o analyze and classify test data;
o identify critical areas of electromagnetic interference on boards;
o predict EMC compliance based on geometric characteristics or partial measurements.
5. Validate the methods developed on case studies (industrial electronic cards or prototypes) and propose recommendations for their application in an industrial setting.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Partenariat d'entreprises ou d'associations

Université Grenoble Alpes

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

• Électromagnétisme appliqué, compatibilité électromagnétique (CEM) • Traitement du signal et des données • Simulation EM 3D (CST, HFSS, etc.) • Programmation Python/Matlab, machine learning (TensorFlow, scikit-learn) • Expérimentation en laboratoire CEM
• Applied electromagnetism, electromagnetic compatibility (EMC) • Signal and data processing • 3D EM simulation (CST, HFSS, etc.) • Python/Matlab programming, machine learning (TensorFlow, scikit-learn) • EMC laboratory experimentation