Offre de thèse à ISAE-Supméca : Identification guidée par les ontologies de systèmes dynamiques, à partir de signaux multimodaux, pour l’auto-génération de jumeaux numériques.
Durée : 3 ans, disponible à partir de septembre 2026
Localisation : Laboratoire EULER, ISAE-Supméca, 3 rue Fernand Hainaut, Saint-Ouen
Financement : Direction Générale de l’Aviation Civile (DGAC) ; consortium ICAP2
Encadrement : R. DELABEYE, J.-L. DION, O. PENAS
Contacts :
delabeye@isae-supmeca.frjean-luc.dion@isae-supmeca.frpenas@isae-supmeca.fr
Mots-clés : Assimilation de données, Problèmes inverses, Ontologies.
Contexte
Dans un environnement industriel en constante mutation, l’accélération de l’intégration des innovations produits et procédés est devenue un enjeu stratégique majeur. Pour y répondre, les industriels doivent déployer des outils numériques modulaires et évolutifs, conçus pour soutenir des cycles de développement plus flexibles, interopérables et collaboratifs.
Afin de faciliter la conception des jumeaux numériques, un défi central réside dans la structuration, le peuplement et l’exploitation d’une base de connaissances sur les systèmes de production et les comportements dynamiques, à la fois générique et évolutive. Cette base doit permettre de capturer et formaliser l’expertise métier existante, tout en restant suffisamment adaptable pour intégrer les évolutions technologiques et les sources de données hétérogènes.
L’objectif principal est donc de piloter des mécanismes d’inférence (inductifs, déductifs et hybrides) pour la compréhension et la prédiction des systèmes, en s’appuyant sur une ontologie — c’est-à-dire une représentation unifiée, formelle et dynamique des connaissances et des données — des comportements dynamiques. Un autre objectif est de structurer et capitaliser les connaissances liées aux systèmes dynamiques complexes (multi-physiques, multi-échelles, multi-sources), tout en permettant un enrichissement continu grâce à l’intégration de nouvelles données, modèles et retours d’experts.
Méthodologie
Cette thèse vise à proposer une stratégie hybride pour faciliter la conception des jumeaux numériques, en exploitant les connaissances existantes en systèmes dynamiques et en traitement du signal.
Les activités menées par le/la doctorant(e) incluront :
- Proposer une représentation structurée des systèmes dynamiques ;
- Enrichir les observations de capteurs non intrusifs à l’aide de techniques de séparation aveugle de sources ;
- Étudier des stratégies hybrides pour inférer la dynamique des systèmes à partir des signaux et des connaissances, en couplant des méthodes d’assimilation de données et des techniques d’intelligence artificielle symbolique.
En effet, en complément des ontologies existantes sur la fabrication, la dynamique et le contrôle, de nouvelles représentations sont nécessaires pour caractériser et identifier les systèmes dynamiques à partir des connaissances système et expertes.
Par ailleurs, le secteur aérospatial se caractérise par des systèmes hétérogènes, allant de machines ad hoc à des plateformes robotisées pour la fabrication haut de gamme, générant naturellement des signaux de capteurs non intrusifs riches et complexes. Cela nécessite des méthodes avancées d’identification de systèmes, de séparation aveugle de sources et d’inférence pour extraire, interpréter et exploiter les comportements dynamiques sous-jacents.
Les méthodes d’assimilation de données seront adaptées pour peupler cette ontologie, afin de construire et évaluer des architectures système candidates et de calibrer les modèles de jumeaux numériques.
Une validation expérimentale sera menée sur :
- un cas d’usage en laboratoire (ligne de fabrication industrielle entièrement automatisée/robotisée) ;
- un cas d’usage industriel consistant en une cellule robotisée complexe de drapage de
Poste de doctorant(e)
Mission
Le/la doctorant(e) rejoindra le Laboratoire EULER et le projet ICAP2 (financé par la DGAC). Il/elle mènera cette activité, contribuera aux livrables du projet et aura l’opportunité de co-encadrer des stagiaires. Il/elle s’appuiera sur l’expertise technique des partenaires. Les expériences seront réalisées en collaboration avec les partenaires industriels, bien que des expériences simplifiées soient conçues pour prototyper sur place.
Diffusion scientifique
- Publication des résultats dans des revues scientifiques de haut niveau ;
- Participation à des conférences nationales et/ou internationales ;
- Contribution aux livrables du projet
Profil du/de la candidat(e)
Formation
- Master ou Ingénieur dans l’un des domaines suivants : traitement du signal, apprentissage automatique (machine learning), mathématiques appliquées/calcul scientifique, ou ingénierie mécanique ;
- Une expérience préalable en assimilation de données et/ou en ontologies et gestion des connaissances serait un atout.
Compétences requises
- Expertise en optimisation basée sur les gradients et méthodes stochastiques ;
- Connaissances en méthodes numériques et simulations physiques ;
- Programmation scientifique (Python) ;
- Expérience en traitement du
Compétences appréciées
- Connaissance des procédés de fabrication des composites, de la robotique et des phénomènes physiques associés ;
- Compétences en traitement de séries temporelles et reconstruction de
Qualités personnelles
- Autonomie et volonté de mener un projet de recherche ;
- Créativité et innovation méthodologique ;
- Capacité à travailler en équipe pluridisciplinaire et à interagir avec des partenaires industriels ;
- Bonne communication scientifique ;
- Rigueur scientifique et fortes capacités
Candidature
Merci d’envoyer à romain.delabeye@isae-supmeca.fr, jean-luc.dion@isae-supmeca.fr, olivia.penas@isae-supmeca.fr :
- un CV détaillé ;
- une lettre de motivation ;
- vos relevés de notes des années M1/M2.
