Séminaire - Christine Funfschilling : Mesures embarquées et modèles physiques : un enrichissement réciproque en dynamique ferroviaire

Épisode de Informatique et sciences numériques (2025-2026) - Yvon Maday par Collège de France · 7 avril 2026 · 51 min

Yvon Maday

Informatique et sciences numériques

Collège de France

Année 2025-2026

Séminaire - Christine Funfschilling : Mesures embarquées et modèles physiques : un enrichissement réciproque en dynamique ferroviaire

Christine Funfschilling

Responsable du groupe « Systèmes Mécaniques et Acoustique » de la Direction Technologies, Innovation & Projets Groupe de la SNCF

Résumé

Le système ferroviaire est un système dynamique complexe, caractérisé par de nombreuses non-linéarités ainsi que par des variables environnementales aléatoires imparfaitement connues. Aussi, son homologation, sa surveillance et sa maintenance reposent encore largement sur l'observation, l'expertise et des approches semi-empiriques.

L'introduction conjointe de la simulation et de l'analyse de données ouvre toutefois des perspectives nouvelles pour optimiser le fonctionnement et la fiabilité du système. Cet exposé illustrera, à travers plusieurs applications, comment des modèles physiques de niveaux de complexité variés et des mesures expérimentales peuvent s'enrichir mutuellement, que ce soit pour la calibration des modèles, l'introduction des incertitudes, l'interprétation physique des données ou encore la résolution de problèmes d'optimisation.

Christine Funfschilling

Christine Funfschilling est ingénieur de recherche en dynamique ferroviaire à la SNCF. Ses travaux portent sur le couplage entre la simulation et l'analyse de données pour l'optimisation de diverses opérations ferroviaires. Elle a notamment travaillé sur l'homologation par le calcul, la surveillance du système par des capteurs embarqués et l'optimisation des trajectoires de vitesses pour minimiser l'énergie consommée.

Autres épisodes de « Informatique et sciences numériques (2025-2026) - Yvon Maday »

• Colloque - Karen E. Willcox : Multifidelity Proper Orthogonal Decomposition 24 juin 2026
• Colloque - Tommaso Taddei : Registration in Bounded Domains for Model Reduction of Parametric Conservation Laws 24 juin 2026
• Colloque - David Ryckelynck : Self Supervised Machine Learning of ROM-nets for Mechanics of Materials 24 juin 2026
• Colloque - Élise Grosjean : A Doubly Reduced Approximation for the Solution to PDEs Based on a Domain Truncation and a Reduced Basis Method: Application to Navier-Stokes Equations 24 juin 2026
• Colloque - Kathrin Smetana : Certified Randomized Model Order Reduction Methods for High-Dimensional Approximation 24 juin 2026
• Colloque - Geneviève Dusson : Metric-Based Nonlinear Model Order Reduction with Applications to Quantum Chemistry 24 juin 2026
• Colloque - Anthony Nouy : Stable Nonlinear Manifold Approximation Using Compositional Networks 24 juin 2026
• Colloque - Ludovic Chamoin : Integrated Structural Health Monitoring with Real-time Data Assimilation and Hybrid Twins 23 juin 2026
• Colloque - Helin Gong : AI-Driven Complexity Reduction and Multi-Physics Digital Twins: From Theory to Engineering Implementation in Nuclear Reactors 23 juin 2026
• Colloque - Evie Nielen : Efficient Greedy Sampling for Model Order Reduction 23 juin 2026
• Colloque - Clémentine Prieur : Diffeomorphism-Based Feature Learning Using Poincaré Inequalities 23 juin 2026
• Colloque - Benjamin Peherstorfer : Dirac-Frenkel Dynamics with Momentum 23 juin 2026
• Colloque - Andrea Manzoni : Reduced Order Modeling and Scientific Machine Learning: Synergies and Opportunities 23 juin 2026
• Colloque - Albert Cohen : Optimal Linear and Non-Linear Dimensionality Reduction 23 juin 2026
• Colloque - Mario Ohlberger : Reduced Order Surrogate Models for PDE-Constrained Optimization and Inverse Problems 22 juin 2026

Tous les épisodes de Informatique et sciences numériques (2025-2026) - Yvon Maday · Plus de podcasts Éducation