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
- Le 16 octobre, les étudiants du MS-CPTDI ont expérimenté les fondamentaux de l’excellence opérationnelle sur la plateforme IT’m Factory de Mines Saint-Étienne, en explorant les leviers d’amélioration continue et de performance industrielle. Lire la Suite →
- Audrey Tanguy participe à la coordination d’un numéro spécial de la revue Géocarrefour consacré aux pratiques et politiques de la mesure du métabolisme des sociétés. Lire la Suite →
- Natacha Gondran, Valérie Laforest et Zahia Mazer ont représenté Mines Saint-Étienne au Conseil de laboratoire de l’UMR EVS, le 22 septembre 2026, pour échanger sur la vie du laboratoire, ses actualités scientifiques et la préparation de son prochain contrat. Lire la Suite →
- Le 16 octobre, les étudiants du MS-CPTDI ont expérimenté les fondamentaux de l’excellence opérationnelle sur la plateforme IT’m Factory de Mines Saint-Étienne, en explorant les leviers d’amélioration continue et de performance industrielle. Lire la Suite →
- Victor Gérenton, doctorant à l’Institut Polytechnique de Paris en partenariat avec Mines Saint-Étienne, a présenté à l’ECOC 2026 des travaux montrant qu’une attaque par canal auxiliaire peut permettre de reconstituer une clé de chiffrement AES-128 à travers 50 km de fibre optique. Lire la Suite →
- Valérie Laforest a été réélue au conseil d’administration du réseau EcoSD le 1er octobre 2026, puis nommée vice-présidente chargée des séminaires de recherche. Elle contribuera ainsi à renforcer les échanges entre chercheurs et industriels autour de l’écoconception et du développement durable. Lire la Suite →
- Valérie Laforest a présenté avec Cindy Fazio Derail l’outil ADALIE au 8e Congrès RESSOURCES. Celui-ci vise à renforcer les coopérations entre acteurs territoriaux, à identifier des synergies et à développer l’intelligence collective au service de l’écologie industrielle et territoriale Lire la Suite →
- La première promotion de TECTO a fait sa rentrée autour de la coopération, de l’intelligence collective et des limites planétaires. Entre ateliers créatifs, jeu de société, apports scientifiques de Natacha Gondran et immersion à la ferme dans les monts du Forez, cette semaine a permis aux apprenant·es d’explorer concrètement les enjeux des transitions écologiques et […]
- Mouloud Iferroudjene a soutenu sa thèse à Mines Saint-Étienne sur l’utilisation des graphes de connaissances et de l’apprentissage automatique pour exploiter les données industrielles. Ses travaux visent à compléter les informations manquantes et à améliorer la prédiction des causes d’arrêt des machines. Lire la Suite →
- Les étudiants du Master Cyber-Physical Social Systems (CPS² : AI and IoT) ont expérimenté la robotique mobile et les jumeaux numériques à l’aide de robots TurtleBot. Ces travaux pratiques leur ont permis d’explorer les enjeux de modélisation, de précision et de synchronisation entre systèmes physiques et virtuels. Lire la Suite →
