Séminaire - Joël Mouterde : Apprentissage automatique informé par la physique pour la modélisation de systèmes dynamiques : cas d'un palier magnétique actif axial

Épisode de Informatique et sciences numériques (2025-2026) - Yvon Maday par Collège de France · 14 avril 2026 · 60 min

Yvon Maday

Informatique et sciences numériques

Collège de France

Année 2025-2026

Joël Mouterde

Directeur de la digitalisation de SKF Magnetic Mechatronics

Séminaire - Joël Mouterde : Apprentissage automatique informé par la physique pour la modélisation de systèmes dynamiques : cas d'un palier magnétique actif axial

Résumé

Les paliers magnétiques actifs (PMA) guident un arbre en rotation sans contact mécanique par lévitation magnétique. Ils autorisent des vitesses élevées, sans friction, et répondent à des enjeux d'efficacité énergétique et de décarbonation.

Contrairement aux paliers radiaux, constitués de paquets de tôles, les PMA axiaux sont massifs, induisant des courants de Foucault importants ; la saturation magnétique ajoute de fortes non linéarités, rendant la simulation transitoire coûteuse. Nous visons la construction de modèles dynamiques réduits compatibles temps réel, à partir de simulations par éléments finis.

Nous introduisons d'abord une méthode de réduction d'ordre fondée sur une décomposition orthogonale aux valeurs propres (POD), associée à une hyper réduction des non linéarités. Nous proposons ensuite une approche hybride « modèle + données » basée sur un circuit électrique équivalent de type réseau de Cauer. Un espace réduit de l'erreur du modèle est identifié, puis un réseau récurrent prédit les poids de correction, améliorant la prédiction du flux magnétique et permettant la reconstruction des champs.

Enfin, nous explorons des modèles hybrides informés par la physique où les résistances et inductances du circuit équivalent sont corrigées par réseaux de neurones, conduisant à une équation différentielle universelle (UDE) pour une prédiction précise du flux, compatible temps réel.

Joël Mouterde

Joël Mouterde dirige la digitalisation des produits et services chez SKF Magnetic Mechatronics à Saint Marcel (Normandie). Il développe des solutions digitales pour optimiser les processus, rendre la technologie accessible et améliorer la performance des machines. Il encadre des équipes en contrôle commande, modélisation et simulation, développement logiciel, cloud, réalité mixte/IA et coordination R&D, et supervise la chaire de recherche φML – Physics Informed Machine Learning pour les systèmes dynamiques complexes, en partenariat avec Arts et Métiers ParisTech. Auparavant, il a travaillé plus de sept ans chez Airbus Helicopters à Marignane, où il a occupé des postes de management et d'ingénierie, notamment Chief Engineer des systèmes dynamiques Super Puma et ingénieur en Health and Usage Monitoring Systems. Il a débuté sa carrière chez AREVA – 01dB Metravib en développant des algorithmes pour la localisation de tireurs d'élite et la surveillance vibratoire de machines tournantes.

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

À propos du podcast

Créée en partenariat avec Inria, la chaire annuelle Informatique et sciences numériques marque une volonté commune de faire valoir l'importance de cette discipline scientifique et la nécessité de lui octroyer une place pleine et entière. Réduction de complexité pour les simulations numériques…

Informatique et sciences numériques (2025-2026) - Yvon Maday

Épisodes similaires

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