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

Topic description

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/

Funding category

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

Funding further details

Concours pour un contrat doctoral