Réduction d'ordre et machine learning pour la modélisation multi-echelle de composites magnétiques doux // model order reduction and machine learning for multiscale modeling of soft magnetic composites

Topic description

L'amélioration de l'efficacité des dispositifs de conversion d'énergie électrique constitue un levier essentiel pour accompagner la transition vers une économie décarbonée. Dans ce contexte, le développement de matériaux innovants, en particulier les composites magnétiques, joue un rôle déterminant. Parmi eux, les composites magnétiques doux (SMC) apparaissent comme une solution technologique particulièrement prometteuse. Cependant, malgré le potentiel des SMC, leur utilisation industrielle des se heurte à une barrière scientifique majeure : la difficulté de prédire leurs comportements macroscopiques (comme la courbe d'aimantation B(H) ou les pertes par courants de Foucault) en fonction de leur microstructure. Les paramètres de fabrication tels que la morphologie des particules, le taux de compaction ou la qualité de l'isolation influencent fortement le comportement
non linéaire du matériau, mais ces relations restent encore mal comprises. La difficulté supplémentaire provient du fait que le comportement magnétique intrinsèque de la poudre isolée est impossible à mesurer directement, et que seules les propriétés de l'assemblage compacté sont accessibles à l'expérience.

Dans ce contexte, cette thèse poursuit deux objectifs principaux :
1. Développer des modèles prédictifs capables d'établir un lien entre les paramètres microstructuraux (géométrie et propriétés des matériaux) et les grandeurs macroscopiques(les courbes B(H) et les pertes).
2. Exploiter ces modèles, en les combinant aux données expérimentales fournies par les collaborateurs, afin de proposer des conceptions optimisées des SMC et d'améliorer la compréhension des relations entre paramètres de fabrication et propriétés macroscopiques.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Improving the efficiency of electrical energy conversion devices is a key driver in supporting the transition toward a decarbonized economy. In this context, the development of innovative materials, particularly magnetic composites, plays a crucial role. Among them, Soft Magnetic Composites (SMCs) have emerged as a particularly promising technological solution. However, despite their strong potential, the industrial use of SMCs faces a major scientific challenge: the difficulty of predicting their macroscopic behavior (such as the magnetization curve B(H) or eddy-current losses) from their microstructure. Manufacturing parameters such as particle morphology, compaction rate, and insulation quality strongly influence the nonlinear behavior of the material, yet these relationships remain poorly understood. An additional difficulty arises from the fact that the intrinsic magnetic behavior of the insulated powder cannot be measured directly, and only the properties of the compacted assembly are experimentally accessible.

In this context, this PhD project pursues two main objectives:
1. Develop predictive models capable of establishing a relationship between microstructural parameters (geometry and material properties) and macroscopic quantities (the B(H) curves and losses).
2. Exploit these models, in combination with experimental data provided by collaborators, in order to propose optimized SMC designs and improve the understanding of the relationships between manufacturing parameters and macroscopic properties.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

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