Offre de thèse H/F: Apprentissage et IA pour la caractérisation des matériaux diélectriques et la simul

Sujet de thèse :
L’objectif de cette thèse est d’utiliser les outils d’apprentissage statistique et de l’intelligence artificielle tels que la déconvolution sous contraintes, l’analyse de sensibilité et les réseaux de neurones informés par la physique pour répondre à des questions concernant la physique des matériaux ; plus particulièrement
pour caractériser des matériaux diélectriques et simuler le transport de charges.

Contexte. Les diélectriques constituent un point faible dans tous les systèmes d’isolation électrique (composants d’électronique de puissance, câbles pour le transport d’énergie,...) dans lesquels ils sont utilisés. Ces matériaux soumis à des contraintes électriques et thermiques peuvent accumuler des charges pouvant conduire à la perte de la fonctionnalité du système dans lequel ils sont utilisés. Une première approche repose sur le développement de modèles mathématiques capables de prédire leur comportement sous contraintes, et particulièrement le comportement spatio-temporel de la densité nette de charges. Ce type de modèle [7], constitué d’une quinzaine de paramètres physico-chimiques caractérisant le matériau d’étude, est basé sur la résolution d’un système d’équations aux dérivées partielles (EDP), composé de l’équation d’advection-diffusion et de l’équation de Gauss-Maxwell qui relient le type de chaque charge, sa densité, son signe, sa mobilité, son terme. Interviennent aussi le coefficient de diffusion, le champ électrique, la permittivité du vide, la permittivité relative du matériau et la densité nette de charges.
Expérimentalement, des techniques de mesure de charges permettent d’obtenir la densité nette de charges. Une de ces techniques, la PEA (Pulsed Electro Acoustique), développée au Laplace, permet d’obtenir la répartition de la charge électrique par une mesure des ondes de pression engendrées par une impulsion électrique sur la charge à l’aide d’un capteur piézo-électrique. La distribution spatio-temporelle de la charge est recouvrée en utilisant des méthodes inverses appliquées au signal de tension mesuré par le capteur. Il y a donc possibilité de comparer les résultats expérimentaux et de simulation concernant la densité de charges.

Enjeux. L’enjeu principal de ce sujet de thèse est de concevoir une méthodologie interdisciplinaire avancée permettant de modéliser, simuler et interpréter les données issues de la technique PEA, utilisée pour analyser la distribution de charge dans les matériaux diélectriques. Ce travail de recherche s’inscrit à la croisée de la physique des matériaux, de la modélisation numérique, du traitement de signaux inverses
et de l’intelligence artificielle (IA). Il vise non seulement à améliorer l’efficacité computationnelle des simulations, mais aussi à affiner la compréhension des mécanismes physiques sous-jacents au transport de charge, en s’appuyant sur des outils modernes d’analyse et d’optimisation guidée par la physique.

Descrip
Voir plus sur le site emploi.cnrs.fr...