Title : Physics-informed Machine Learning for Computational Fluid Dynamics
Début de thèse : 09/12/2024
Fin de thèse :08/12/2027
Abstract: To investigate the possibility of integrating learning models as part of the CFD workflow. Traditional numerical solvers come with a high computaional cost. The goal is to design surrogate models to approximate solutions to PDEs faster. To facilitate this problem, we employ, physics-informed machine learning models which have both a data-driven component, as well as, a PDE component to adhere to solutions that make sense in the framework of the physical system.
Our work is in the context of, but not limited to, approximating flow fields around automotive vehicles. This is particularly challenging because we aim to account for the effect of changing, parametrized shape. More formally, it translates to, solving boundary-value-problems with a changing boundary.
Keywords: Machine learning, partial differential equations, physics-informed learning, surrogate modelling, computational fluid dynamics
Date de soutenance prévue : —
Encadrement :
- Directeur de thèse : Didier Rulliere, Mines Saint-Étienne
Partenaires ou/et Financeurs :
Stellantis
Objectifs de développement durable concernés :
Publications
- Approximation of functions satisfying partial dierential equations is paramount for simulation of physical uid ows and other problems in physics. Recent studies related to physics-informed machine learning [1] have proven useful as a data-driven complement to numerical models for Partial Dierential Equations (PDEs). However, their eciency and convergence depend on the availability of vast training […]
- Approximation of functions satisfying partial dierential equations is paramount for simulation of physical uid ows and other problems in physics. Recent studies related to physics-informed machine learning [1] have proven useful as a data-driven complement to numerical models for Partial Dierential Equations (PDEs). However, their eciency and convergence depend on the availability of vast training […]
- Many situations lead to sparse data or uncertain data. Gaussian processes (GPs) offer a mathematically funded framework for learning, optimizing, and other decision-making activities. This poster, presented at the HCERES* audit of the LIMOS laboratory in 2025, summarizes several contributions of the St-Etienne applied mathematics team of the LIMOS made between 2023 and 2025. * […]
- The problem of estimating fluid flow around obstacles has a wide range of applications such as airfoil design in aerospace engineering [6] car shape optimization or the design of combustion engine (where the flow is internal) in the in automotive engineering [1], the control of processes in the food industry [13], the understanding of bacterial […]
- […]
- […]
Publications
- Valérie Laforest, enseignante-chercheure et membre du laboratoire EVS, a participé comme rapporteure au jury d’Habilitation à Diriger des Recherches de Carole Charbuillet, le 13 juillet à l’Université Savoie Mont Blanc. Carole Charbuillet, chercheure au laboratoire I2M – Institut de Mécanique et … Lire la Suite →
- Du 27 au 31 juillet 2026, une équipe de l’École des Mines de Saint-Étienne, incluant Nadine Dubruc (enseignante-chercheure à l’Institut Fayol et membre du laboratoire Coactis), Xavier Boucher et Meryam Moutaouaffiq, a animé le défi « Dental Center 5.0 » … Lire la Suite →
- Damien Lamy, enseignant-chercheur à Mines Saint-Étienne et membre du LIMOS (UMR 6158), publie un article en accès libre dans le journal Digital Twin, intitulé : « A cross-domain functional software architecture model for industrial digital twins ». Ce travail, coécrit … Lire la Suite →
- Du 20 au 24 juillet 2026, l’École des Mines de Saint-Étienne a organisé la 6e édition de l’école d’été internationale « AI Technologies for Industry 4.0 », promue par l’Institut Henri Fayol en partenariat avec plusieurs universités étrangères. Ainsi, pour … Lire la Suite →
- Vous êtes à la recherche d’une offre de doctorat ? Vous aimeriez le faire dans un laboratoire d’une grande École d’ingénieur ? Vous rêveriez de participer à de vrais programmes de recherche ? Mines Saint-Étienne, école de l’Institut Mines-Télécom, lance … Lire la Suite →
- Du 6 au 8 juillet 2026, Marina Krémé, enseignante-chercheure à l’Institut Fayol, a participé à la conférence CAP 2026 (Conférence sur l’Apprentissage automatique), co-organisée par la SSFAM (Société Savante Française d’Apprentissage Machine) et l’AFRIF (Association Française pour la Reconnaissance et … Lire la Suite →
- La Région Auvergne-Rhône-Alpes a décidé d’apporter son soutien au projet Phygital, porté par Mines Saint-Étienne et l’Institut Fayol. Ce projet s’inscrit dans une action globale de massification des formations sur la transition digitale et écologique de l’industrie et des territoires, … Lire la Suite →
- Ce 3 juillet, dans le cadre de l’assemblée générale de la composante EVS/EMSE, après une matinée de travail en salle dédiée aux stages en cours et aux projets à venir pour la rentrée 2026, l’équipe EVS/EMSE de l’Institut Fayol a … Lire la Suite →
- Forte participation de l’Institut Fayol lors de la Plate-Forme Intelligence Artificielle (PFIA 2026)Du 29 juin au 3 juillet 2026, L’Institut Fayol avait fait le déplacement à Arras pour participer à la 19ᵉ édition de la Plate-Forme Intelligence Artificielle (PFIA 2026), organisée par l’AFIA à l’Université d’Artois. Cet événement majeur, qui a réuni … Lire la Suite →
- Du 10 au 12 juin 2026, Stéphanie Bayard, Mariza Maliqi et Frédéric Grimaud ont représenté l’Institut Fayol lors du 4ᵉ Congrès annuel de la SAGIP, organisé par l’IMS (Université de Bordeaux, Bordeaux INP, CNRS UMR 5218). Cet événement a réuni … Lire la Suite →