Conception innovante des machines électriques tournantes : analyse basée sur l'optimisation topologique multiphysique et les approches génératives // Innovative Design of Rotating Electrical Machines: Analysis Based on Multiphysics Topology Optimization a

Le secteur des transports, notamment l'aéronautique et l'automobile, connaît une transformation majeure avec l'essor de l'électrification des systèmes de motorisation, motivée par la réduction des émissions de CO₂ et de la consommation énergétique. Cette transition implique une refonte globale des chaînes de conversion d'énergie, de l'alimentation aux actionneurs, en passant par l'électronique de puissance. Pour rendre ces solutions compétitives, il est essentiel d'améliorer les machines électriques, en réduisant leur masse et leur volume, en augmentant leur rendement et en limitant les nuisances vibratoires et acoustiques.

Dans une perspective de durabilité, l'analyse du cycle de vie (ACV) devient un outil clé pour évaluer les impacts environnementaux. Les études montrent que certaines architectures, comme les machines synchrones à réluctance assistée par aimants (PMSynRM), présentent un coût environnemental de production élevé mais offrent de meilleures performances globales en phase d'utilisation. Cela justifie leur étude approfondie, notamment selon des critères de couple, de rendement et de bruit.

L'optimisation de ces machines peut être abordée selon trois niveaux : paramétrique (ajustement de dimensions existantes), géométrique (modification des formes) et topologique (définition libre de la structure). Les progrès récents en fabrication additive métallique et en moulage de matériaux composites (SMC) ouvrent la voie à des géométries innovantes, moins contraintes par les procédés traditionnels. Cela nécessite le développement de méthodes d'optimisation adaptées pour exploiter pleinement ces nouvelles possibilités.

La thèse proposée s'inscrit dans la continuité de travaux antérieurs sur l'optimisation couplée magnéto-mécanique. Elle vise à intégrer des aspects vibratoires et acoustiques dans une approche d'optimisation topologique, ainsi qu'à introduire des méthodes de conception générative. Le travail débutera par la prise en main de modèles éléments finis sous Matlab, suivie de la définition d'objectifs liés au comportement vibro-acoustique. Une réduction du nombre de points de fonctionnement sera réalisée via des techniques de clustering.

Dans un second temps, une approche de conception générative sera développée, s'appuyant sur des modèles d'intelligence artificielle (réseaux de neurones, krigeage) capables de prédire rapidement les performances de différentes géométries. Ces modèles permettront d'explorer efficacement l'espace de conception et de mettre en place des stratégies hybrides combinant génération et optimisation, tout en intégrant les contraintes industrielles et les incertitudes de fabrication.

Le projet prévoit également une validation expérimentale : fabrication des pièces (impression 3D ou moulage), assemblage de la machine, puis tests de performance (rendement, comportement électromagnétique et acoustique). Les résultats seront comparés à ceux de machines conventionnelles afin d'évaluer les gains apportés.

Enfin, une ouverture vers une analyse complète du cycle de vie “du berceau à la tombe” sera menée, intégrant l'extraction des matériaux, la fabrication, l'utilisation et la fin de vie. L'objectif global est de démontrer la pertinence des nouvelles architectures optimisées, tant sur le plan énergétique qu'industriel, et d'évaluer leur potentiel de déploiement à grande échelle.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The transportation sector, particularly the aerospace and automotive industries, is undergoing a major transformation driven by the rise of electrification in propulsion systems, motivated by the need to reduce CO₂ emissions and energy consumption. This transition requires a comprehensive overhaul of energy conversion chains, from power supplies to actuators, including power electronics. To make these solutions competitive, it is essential to improve electric motors by reducing their mass and volume, increasing their efficiency, and minimizing vibration and noise.

From a sustainability perspective, life cycle assessment (LCA) is becoming a key tool for evaluating environmental impacts. Studies show that certain architectures, such as magnet-assisted synchronous reluctance machines (PMSynRM), have a high environmental production cost but offer better overall performance during operation. This justifies their in-depth study, particularly in terms of torque, efficiency, and noise.

The optimization of these machines can be approached at three levels: parametric (adjustment of existing dimensions), geometric (modification of shapes), and topological (free definition of the structure). Recent advances in metal additive manufacturing and sheet molding compound (SMC) molding are paving the way for innovative geometries that are less constrained by traditional processes. This requires the development of tailored optimization methods to fully exploit these new possibilities.

The proposed thesis builds on previous work on coupled magneto-mechanical optimization. It aims to integrate vibrational and acoustic aspects into a topological optimization approach, as well as to introduce generative design methods. The work will begin with an introduction to finite element models in MATLAB, followed by the definition of objectives related to vibro-acoustic behavior. A reduction in the number of operating points will be achieved using clustering techniques.

In a second phase, a generative design approach will be developed, relying on artificial intelligence models (neural networks, kriging) capable of rapidly predicting the performance of different geometries. These models will enable the efficient exploration of the design space and the implementation of hybrid strategies combining generation and optimization, while integrating industrial constraints, and manufacturing uncertainties.

The project also includes experimental validation: manufacturing of parts (3D printing or casting), machine assembly, followed by performance tests (efficiency, electromagnetic and acoustic behavior). The results will be compared to those of conventional machines to evaluate the gains achieved.

Finally, a comprehensive “cradle-to-grave” life cycle analysis will be conducted, incorporating material extraction, manufacturing, use, and end-of-life. The overall objective is to demonstrate the relevance of the new optimized architectures, both from an energy and industrial perspective, and to assess their potential for large-scale deployment.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Contrats ED : Programme blanc GS-SIS

Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes

575 Electrical, Optical, Bio-physics and Engineering

Le/La candidat.e doit idéalement présenter les compétences suivantes : - fortes compétences en modélisation numérique type méthode des éléments-finis et en mathématiques appliquées - bonnes compétences des méthodes d'optimisation - des bases solides en physique (électromagnétique et mécanique) - des bases en Machine learning - des connaissances en commande de machines électriques seraient un plus, mais ne sont pas prioritaires pour ce sujet.
Ideally, the candidate should possess the following skills: - Strong skills in numerical modeling (such as the finite element method) and applied mathematics - Good knowledge of optimization methods - A solid foundation in physics (electromagnetics and mechanics) - A basic understanding of machine learning - Knowledge of the control of electrical machines would be a plus, but is not a priority for this project.