Description

Notre équipe a récemment mis au point une nouvelle méthode de réduction d'ordre s'appuyant sur la polyvalence des nouvelles méthodes d'apprentissage profond tout en restant interprétable et exempte de 'boîte noire' en hybridant ces outils avec la méthode des éléments finis et la PGD au sein de la NN-PGD. Cette méthode repose sur les atouts des développements modernes, tels que la différenciation automatique et la compatibilité GPU, tout en conservant l'interprétabilité de la méthode des éléments finis et de la PGD. Le travail proposé suit cette voie et se situe à l'intersection de ces nouvelles approches d'apprentissage profond et des méthodes déterministes de réduction de modèles pour construire des jumeaux numériques destinés à des applications médicales. L'objectif est de fournir des modèles de substitution efficaces et entièrement personnalisés aux patients. À cette fin, nous avons développé un algorithme de recalage de formes et un modèle statistique de formes, dont les coefficients sont conçus pour être injectés dans le modèle de substitution pulmonaire. Le projet vise à poursuivre le développement du modèle de réduit pulmonaire que nous avons construit, tant à l'échelle macroscopique que microscopique. L'objectif finale de cette recherche est de parvenir à une simulation en temps réel du problème de physique multi-échelle décrivant la réponse chimio-mécanique du poumon. À cet effet, la méthodologie gloable permettant de construire les jumeaux numériques doit être davantage développée et affinée pour les spécificités des échelles macro et micro. Ce projet de doctorat vise spécifiquement à construire un jumeau numérique des poumons, s'adaptant aux différentes morphologies des patients, à l'échelle de l'organe.

Compétences requises

Titulaire d'un Master 2 (ou équivalent) en mécanique numérique, justifiant d'une expertise approfondie en mécanique des milieux continus et en méthodes des éléments finis.

Bibliographie

Aghili, J., Ballout, H., Maday, Y., & Prud’homme, C. (2026). Nonlinear compressive
reduced basis approximation : When Taylor meets Kolmogorov. https://doi.org/10.48550/
arXiv.2601.13712. (Cit. on p. 2)
Chatterjee, A. (2000). An introduction to the proper orthogonal decomposition. Current
Science, 78 (7), 808–817 (cit. on p. 1).
Chinesta, F., Ladeveze, P., & Cueto, E. (2011). A Short Review on Model Order Reduction
Based on Proper Generalized Decomposition. Archives of Computational Methods in
Engineering, 18 (4), 395–404. https://doi.org/10.1007/s11831-011-9064-7 (cit. on p. 1)
Daby-Seesaram, A., Škardová, K., & Genet, M. (2025). Finite Element Neural Network
Interpolation: Part II - Hybridisation with the Proper Generalised Decomposition for non-
linear surrogate modelling. Computational Mechanics. https://doi.org/10.1007/s00466-
025-02676-4 (cit. on p. 1)
Gonsard, A., Genet, M., & Drummond, D. (2024). Digital twins for chronic lung diseases.
European Respiratory Review, 33 (174), 240159. https://doi.org/10.1183/16000617.0159-
2024 (cit. on p. 1)
Patte, C., Brillet, P.-Y., Fetita, C., Bernaudin, J.-F., Gille, T., Nunes, H., Chapelle,
D., & Genet, M. (2022). Estimation of Regional Pulmonary Compliance in Idiopathic
Pulmonary Fibrosis Based on Personalized Lung Poromechanical Modeling. Journal of
Biomechanical Engineering, 144 (091008). https://doi.org/10.1115/1.4054106 (cit. on p. 1)
Raissi, M., Perdikaris, P., & Karniadakis, G. E. (2019). Physics-informed neural networks:
A deep learning framework for solving forward and inverse problems involving nonlinear
partial differential equations. Journal of Computational Physics, 378, 686–707. https:
//doi.org/10.1016/j.jcp.2018.10.045 (cit. on p. 1)
Škardová, K., Daby-Seesaram, A., & Genet, M. (2025). Finite element neural net-
work interpolation: Part I—interpretable and adaptive discretization for solving PDEs.
Computational Mechanics. https://doi.org/10.1007/s00466-025-02677-3 (cit. on p. 1)

Mots clés

Jumeau numérique, réduction de modèle, bio-mécanique