Détail du poste
Établissement : Université Grenoble Alpes École doctorale : EEATS - Electronique, Electrotechnique, Automatique, Traitement du Signal Laboratoire de recherche : CEA LETI - Laboratoire d'électronique et de technologie de l'information Direction de la thèse : Sébastien BOISSEAU Début de la thèse : 2026-10-01 Date limite de candidature : 2026-10-01T23:59:59 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. Les systèmes électrochimiques, tels que les batteries lithium-ion et les piles à combustible, occupent une place essentielle dans les technologies de conversion et de stockage de l'énergie. Leur performance, leur fiabilité et leur durée de vie sont étroitement liées à la distribution spatiale de la densité de courant en leur sein.
Toutefois, l'accès expérimental à cette grandeur demeure limité. Les approches conventionnelles reposent majoritairement sur des mesures globales (courant, tension, température) ou sur des techniques d'imagerie souvent coûteuses, invasives ou difficilement compatibles avec un suivi en conditions opérationnelles. Il en résulte une capacité restreinte à détecter précocement des défauts internes ou des hétérogénéités de fonctionnement.
Dans ce contexte, la magnétométrie apparaît comme une approche prometteuse, permettant d'accéder indirectement à la distribution de courant via les champs magnétiques générés. L'objectif principal de cette thèse est de développer une méthode de reconstruction 3D de la densité de courant répondant aux critères suivants :
- Intégration de contraintes physiques (notamment la conservation du courant)
- Prise en compte de géométries tridimensionnelles réalistes
- Robustesse vis-à-vis du bruit de mesure et des perturbations environnementales
- Efficacité algorithmique compatible avec des temps de calcul réduits
Une attention particulière sera portée à l'élaboration d'approches hybrides combinant modélisation physique et méthodes d'apprentissage, telles que les réseaux de neurones ou les opérateurs neuronaux.
Le travail reposera sur :
- La modélisation du problème direct reliant densité de courant et champ magnétique
- La formulation du problème inverse sous contrainte
- Le développement de méthodes numériques avancées (modèles réduits, approches sans maillage, apprentissage guidé par la physique), notamment les PINN et opérateurs neuronaux
- La mise en oeuvre de stratégies de régularisation adaptées
Des données synthétiques issues de simulations numériques seront utilisées dans une première phase, avant une confrontation à des données expérimentales.
Les mesures de champ magnétique pourront être réalisées à l'aide de différentes technologies de capteurs, incluant :
- La magnétométrie quantique à pompage optique
- Des matrices de capteurs magnétiques de type AMR (Anisotropic MagnetoResistance) ou TMR (Tunnel MagnetoResistance)
Ces dispositifs permettent une acquisition spatialisée du champ magnétique, essentielle à la reconstruction tridimensionnelle.
Un prototype de système de mesure basé sur une matrice de capteurs est actuellement en cours de développement, en particulier pour des applications aux piles à combustible. Il constituera un support expérimental pour la validation des approches développées dans le cadre de la thèse.
Le profil recherché
- 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.
Publiée le 21/04/2026 - Réf : ca4d7058d4e83d5372f9ce6f14416d10