Description

Cette thèse vise à reconstruire en 3D la densité de courant dans des systèmes électrochimiques (batteries lithium-ion et piles à combustible) à partir de mesures de champ magnétique. L’objectif est de développer une méthode de diagnostic non invasive basée sur la résolution d’un problème inverse, intégrant des contraintes physiques et des techniques de régularisation. L’approche combinera modélisation électromagnétique et méthodes d’apprentissage. Les travaux s’appuieront sur des données simulées et expérimentales, acquises notamment via des matrices de capteurs AMR/TMR. Un prototype de mesure pour piles à combustible est en cours de développement et servira à la validation. Les applications concernent la détection de défauts et l’analyse du fonctionnement interne. Le sujet se situe à l’interface entre physique, calcul scientifique et apprentissage automatique.

Compétences requises

Le candidat devra être titulaire d’un diplôme de niveau Master (ou équivalent) en mathématiques appliquées ou ingénierie, avec des compétences en : - Automatique, traitement de signal, méthodes numériques - Physique (électromagnétisme), modélisation - Programmation scientifique, machine learning Un intérêt pour les problèmes inverses et l’apprentissage automatique constituera un atout.

Bibliographie

[1] M. Raissi, P. Perdikaris, and G. E. Karniadakis. 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, 2019.
[2] S. E. Crawford et al., « Quantum sensing for emerging energy technologies », Nat. Rev. Clean Technol., vol. 1, no 12, p. 861 876, oct. 2025, doi: 10.1038/s44359-025-00112-7.
[3] H. Zhao et al., « Non-destructive detection techniques for lithium-ion batteries based on magnetic field characteristics-A model-based study », J. Power Sources, vol. 604, p. 234511, juin 2024, doi: 10.1016/j.jpowsour.2024.234511.
[4] F. Bertrand, T. Jager, A. Boness, W. Fourcault, G.l Le Gal, et al.. A 4He vector zero-field optically pumped magnetometer operated in the Earth-field. Review of Scientific Instruments, 2021, Volume 92, Issue 10, October 2021, pp.105005, doi: 10.1063/5.0062791.
[5] R. Lopez-Ferber, S. Leirens, D. Georges, « Procédé de détermination de coordonnées dans l'espace d'une source à l'origine d'un phénomène de dispersion », Brevet EP 4 488 854 A1.
[6] M. Mendil, S. Leirens, P. Armand, C. Duchenne, “Hazardous atmospheric dispersion in urban areas: A Deep Learning approach for emergency pollution forecast”, Environmental Modelling & Software, Volume 152, 2022
[7] R. Lopez-Ferber, D. Georges, S. Leirens, “Fast Estimation of Pollution Sources in Urban Areas Using a 3D LS-RBF-FD Approach”, European Control Conference, 2024, Stockholm, Sweden.

Mots clés

estimation, magnétique, physics-informed, machine learning