Approches centrées sur les données et informées par la physique et calcul scientifique pour les matériaux granulaires // Physics-informed, data-driven modelling and scientific computing for granular materials

Les matériaux granulaires jouent un rôle central aussi bien dans de nombreux procédés industriels que dans les aléas naturels gravitaires, tels que les glissements de terrain ou encore les avalanches rocheuses. Leur comportement collectif est particulièrement complexe : les interactions entre grains donnent naissance à des chaînes de forces intermittentes, des impacts non-lisses, des contacts avec frottement, ainsi qu'à des échelles spatiales et temporelles émergentes couvrant plusieurs ordres de grandeur. Les modèles continus traditionnels reposent sur des rhéologies empiriques calibrées \emph{a posteriori}, tandis que les simulations entièrement discrètes (à l'échelle du grain) demeurent hors de portée pour des scénarios réalistes à l'échelle du terrain.

Cette thèse développe un cadre intégratif qui combine mathématiques appliquées et apprentissage automatique scientifique pour faire progresser la compréhension fondamentale et la capacité prédictive des écoulements granulaires sur la base de développements fondamentaux en apprentissage et mécanique non-lisse. Reposant sur des simulations haute fidélité à l'échelle du grain (DEM/NSCD) et sur les principes de la physique statistique et de la thermodynamique hors équilibre, elle vise à concevoir des approches hybrides — guidés à la fois par les données et la physique — qui soient interprétables, cohérents, efficients et directement opérationnels pour l'évaluation des risques à grande échelle

L'hypothèse centrale est que l'intégration de contraintes physiques strictes et de descripteurs microstructuraux au sein des architectures d'apprentissage permet une prédiction robuste, tout en assurant un gain de performance par rapport aux approches multi-échelles classiques, sans compromettre la précision.

Le projet propose ainsi de développer une nouvelle génération de \emph{jumeaux numériques hybrides}, capables de prédire le déclenchement, la propagation et les impacts d'écoulements granulaires sous dérèglement climatique, apportant ainsi un soutien aux stratégies de mitigation des risques, tout en contribuant aux avancées de l'apprentissage automatique scientifique et de l'intelligence artificielle informée par la physique.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Granular materials lie at the heart of both industrial processes and natural gravitational hazards such as landslides, debris flows, and rock avalanches. Their collective behaviour is complex: grain–grain interactions generate intermittent force chains, non‑smooth impacts, history‑dependent frictional contacts, and emergent length and time scales spanning many orders of magnitude. Traditional continuum models rely on empirical rheologies calibrated \emph{a posteriori}, whereas fully discrete simulations remain computationally prohibitive for field‑scale scenarios.

This thesis proposes a \emph{holistic} framework that tightly couples applied mathematics and scientific machine learning to advance the fundamental understanding and predictive capability of granular flows. By integrating high‑fidelity grain‑scale simulations (Discrete Element/Non‑Smooth Contact Dynamics), principles of statistical physics and non‑equilibrium thermodynamics, and available multimodal laboratory experiments, the objective is to develop physics‑ and data‑driven models that are mechanistically interpretable and coherent, computationally tractable, and deployable for hazard assessment at large scales. The central hypothesis is that embedding hard physical constraints and microstructural descriptors into learning architectures yields robust predictions, allowing computational speed‑ups compared with classical multiscale approaches while preserving accuracy.

The project aims to deliver a new generation of \emph{hybrid digital twins} capable of forecasting the onset, propagation, and impact of granular flows under climate‑driven forcing -- thereby supporting risk‑mitigation strategies and contributing to the broader fields of scientific machine learning and physics‑informed AI.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Concours allocations

Université Grenoble Alpes

217 MSTII - Mathématiques, Sciences et technologies de l'information, Informatique

Le candidat retenu devra faire preuve de solides compétences scientifiques et d'une grande motivation. Une maîtrise de l'anglais est obligatoire. Le candidat mènera des recherches, développera des outils et rédigera des articles scientifiques en étroite collaboration avec l'équipe d'encadrement et les membres des équipes-projet. Le candidat doit posséder : (i) un master (ou équivalent) en mathématiques appliquées ou une formation connexe achevée, (ii) une bonne maîtrise de la programmation (par ex. Python, C++), (iii) des connaissances en apprentissage automatique. Sont particulièrement appréciées : (iv) une expertise en dynamique et mécanique, (v) une passion pour l'ingénierie logicielle, (vi) de solides aptitudes au travail en équipe et la capacité à s'épanouir dans un environnement pluridisciplinaire.
Successful candidates should demonstrate strong scientific capabilities and high motivation. Fluency in spoken and written English is mandatory. The candidates will carry out research, develop tools, and write scientific articles in close collaboration with the supervisory and project teams. The candidate is expected to have: (i) MSc (or equivalent) in Applied Mathematics or completed related coursework, (ii) proficiency in programming (e.g., Python, C++), and (iii) knowledge of Machine Learning. Highly appreciated qualifications include: (iv) expertise in dynamics and mechanics, (v) passion for software engineering, (vi) strong team-working skills and the ability to thrive in a multidisciplinary environment.