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

Yvon MadayInformatique et sciences numériquesCollège de FranceAnnée 2025-2026Joël MouterdeDirecteur de la digitalisation de SKF Magnetic MechatronicsSéminaire - Joël Mouterde : Apprentissage automatique informé par la physique pour la modélisation de systèmes dynamiques : cas d'un palier magnétique actif axialRésuméLes 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 MouterdeJoël 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.

Yvon MadayInformatique et sciences numériquesCollège de FranceAnnée 2025-202608 - Réduction de complexité pour les simulations numériques : méthodes, algorithmes et analyse numérique associée : Approches heuristiques et apprentissage

Yvon MadayInformatique et sciences numériquesCollège de FranceAnnée 2025-2026Séminaire - Christine Funfschilling : Mesures embarquées et modèles physiques : un enrichissement réciproque en dynamique ferroviaireChristine FunfschillingResponsable du groupe « Systèmes Mécaniques et Acoustique » de la Direction Technologies, Innovation & Projets Groupe de la SNCFRésuméLe 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 FunfschillingChristine 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.

Yvon MadayInformatique et sciences numériquesCollège de FranceAnnée 2025-202607 - Réduction de complexité pour les simulations numériques : méthodes, algorithmes et analyse numérique associée : Approches heuristiques et apprentissage

Yvon MadayInformatique et sciences numériquesCollège de FranceAnnée 2025-2026Séminaire - Guillaume Enchéry : Accélération de simulations d'écoulements en milieu poreux par la méthode des bases réduitesGuillaume EnchéryIngénieur de recherche IFPEN, département de Mathématiques AppliquéesRésuméL'étude de différents scénarios d'écoulements dans le sous-sol repose sur la résolution répétée d'un même système d'équations aux dérivées partielles, notamment pour analyser la variabilité des réponses du modèle face aux incertitudes associées aux données géologiques d'entrée. Ce type d'analyse paramétrique peut conduire à des coûts de calculs élevés. Au cours de cet exposé, nous montrerons comment la méthode des bases réduites, combinée à des techniques d'hyper-réduction, peut être appliquée à plusieurs modèles utilisés dans ce domaine. Cette approche permet de diminuer significativement la complexité des calculs tout en fournissant une estimation a posteriori de l'erreur entre la solution du modèle réduit et celle du modèle discret de référence.Guillaume EnchéryGuillaume Enchéry est ingénieur de recherche en calcul scientifique à IFP Énergies nouvelles. Ses travaux portent sur les techniques de discrétisation des équations aux dérivées partielles et la réduction de modèles, avec diverses applications, notamment à la simulation des écoulements en milieux poreux. Il est également responsable d'un projet de recherche dédié au supercalcul à IFPEN.

Yvon MadayInformatique et sciences numériquesCollège de FranceAnnée 2025-202606 - Réduction de complexité pour les simulations numériques : méthodes, algorithmes et analyse numérique associée : Analyse numérique des méthodes non linéaires

Yvon MadayInformatique et sciences numériquesCollège de FranceAnnée 2025-2026Haysam TelibProduct Manager, ESTECO SpASéminaire - Haysam Telib : Maths-4-Innov-Action : Between Physics and Data: A Critical Examination of AI's Role in Simulation Driven Product DevelopmentRésuméNumerical simulation has long served as a foundational pillar of innovation in manufacturing, enabling the systematic design, evaluation, and optimization of complex engineered products. Yet despite its maturity, the increasing complexity of industrial systems continues to challenge traditional high fidelity modeling workflows, raising concerns about their long term sustainability and scalability. In parallel, the broad and often transformative narrative surrounding artificial intelligence has generated both enthusiasm and anxiety within the simulation community. This seminar aims to critically examine the impact of scientific machine learning on the landscape of simulation based engineering. Beyond presenting recent methodological advances, we will address the persistent challenges associated with integrating data driven tools into established physics based pipelines. Emphasis will be placed on understanding not only what these techniques can accelerate or automate, but also the extent to which their adoption can generate tangible, measurable impact in industrial product development processes.Haysam TelibAfter graduating in Mechanical Engineering from the Technical University of Munich, Haysam Telib earned a PhD in Fluid Mechanics from Politecnico di Torino and a PhD in Acoustics from École Centrale de Lyon, with a dissertation on the aeroacoustic optimization of aeronautical propellers. During his postdoctoral work at the University of Bordeaux and Politecnico di Torino, he was appointed Visiting Researcher at Boeing, where he contributed to the development of acceleration techniques for aeroelastic optimization. In 2010, he co founded OPTIMAD as a spin off of Politecnico di Torino, pioneering the industrial adoption of Reduced Order Modeling. After leading the company for 15 years as CEO and CTO, OPTIMAD was acquired and merged by ESTECO. Since then, he has been overseeing the expansion of ESTECO's portfolio in the field of data driven modeling.

Yvon MadayInformatique et sciences numériquesCollège de FranceAnnée 2025-202605 - Réduction de complexité pour les simulations numériques : méthodes, algorithmes et analyse numérique associée : Approximations non linéaires

Yvon MadayInformatique et sciences numériquesCollège de FranceAnnée 2025-2026Dirk HartmannHead of Simcenter Technology Innovation, Senior Director - Siemens Technical Fellow - Siemens Digital Industries SoftwareSéminaire - Dirk Hartmann : Maths-4-Innov-Action : Digital Twins: From Hype to Industrial Reality… and Why Applied Mathematics Plays a Key Role

Yvon MadayInformatique et sciences numériquesCollège de FranceAnnée 2025-202604 - Réduction de complexité pour les simulations numériques : méthodes, algorithmes et analyse numérique associée : Préservation des structures

Yvon MadayInformatique et sciences numériquesCollège de FranceAnnée 2025-2026Maths-4-Innov-ActionSéminaire - Mickaël Abbas & Jean-Philippe Argaud : Maîtriser la complexité par la sobriété des simulations numériques de la production d'énergieMickaël Abbas & Jean-Philippe ArgaudIngénieur de recherche expert à EDF R&DRésuméLa production d'énergie utilise des équipements et des structures qui ont des spécificités : leur dimension physique (un barrage hydroélectrique, une centrale nucléaire ou une éolienne offshore de 8MW sont des structures de très grande taille), leur durée de vie (de plus de 100 ans pour certains barrages) et une grande complexité physique (phénomènes multi-physiques, multi-échelles), avec des données d'entrées variables et partiellement connues. La simulation numérique amène une information majeure pour les construire, les exploiter et les déconstruire, ce secteur industriel ayant les mêmes contraintes d'efficacité (économique et technique) que les autres. Que ce soit pour des raisons numériques (taille de problème trop importante pour les techniques actuelles, malédiction de la dimensionnalité) ou de sobriété, il est nécessaire de maîtriser et de réduire la complexité des simulations numériques. Dans cet exposé, nous illustrons ces enjeux de complexité et de sobriété au travers de deux physiques particulières : la mécanique du solide et la neutronique. Nous montrons des verrous encore présents et des directions de recherche et de développement envisagées en matière de réduction de complexité pour la simulation numérique.Mickaël AbbasMickaël Abbas est diplômé en ingénierie mécanique à l'université de technologie de Compiègne en 1998. Il poursuit par un DEA en modélisation numérique puis une thèse de doctorat sous la direction de Jean-Louis Batoz sur la simulation numérique du procédé de sertissage. En 2002, il entre en tant qu'ingénieur de recherche dans l'équipe de développement du code de calcul par éléments finis code_aster à EDF R&D. Puis, il devient successivement chef de projet dans les méthodes numériques innovantes en mécanique en 2010, puis ingénieur expert en simulation numérique en 2015, et, enfin, depuis 2023, il est ingénieur senior expert en simulation numérique à EDF R&D. En tant que responsable scientifique du développement de code_aster, il mène de nombreuses activités de recherche en mécanique numérique et en mathématiques appliquées, en particulier sur les méthodes de discrétisation avancées et la réduction de modèle. Il a co-encadré une dizaine de thèses sur ces thématiques, toujours en relation avec les applications industrielles d'EDF.Jean-Philippe ArgaudJean-Philippe Argaud (Dr) travaille à Électricité de France dans le centre de recherche EDF Lab Paris-Saclay, où il contribue comme ingénieur chercheur expert en applications des mathématiques. Il a dirigé des projets industriels, en particulier pour la gestion des risques, l'assimilation de données, et la neutronique. Ses travaux récents portent sur l'assimilation de données et la réduction de modèles, appliquées aux simulations physiques de nombreux domaines de la physique des systèmes industriels de production ou de distribution d'énergie. Il contribue aussi aux développements de méthodes et d'outils scientifiques open source pour favoriser l'appropriation de ces pratiques dans les outils d'études de l'ingénieur.

Yvon MadayInformatique et sciences numériquesCollège de FranceAnnée 2025-202603 - Réduction de complexité pour les simulations numériques : méthodes, algorithmes et analyse numérique associée : Fusion modèle-données : approche PBDW

Yvon MadayInformatique et sciences numériquesCollège de FranceAnnée 2025-2026Sylvain VallaghePrincipal Engineer at AkselosSéminaire - Sylvain Vallaghe : Maths-4-Innov-Action : Component-Based Reduced Order Modeling for Large-Scale Industrial Digital TwinsRésuméAkselos provides industrial digital twins through component-based reduced order modeling. This approach bridges the gap between traditional Finite Element Analysis (FEA) and real-time operational needs. Unlike standard FEA, which can be computationally prohibitive for entire assets, Akselos' technology allows for models with over 100 million degrees of freedom to be solved in under 10 seconds. This is achieved by decomposing large structures into components and interfaces, and by training a low-dimensional representation of the solution manifold for individual components and interfaces. The approach includes a posteriori error estimators to ensure accuracy. During operations, these estimators monitor every solve; if a new scenario causes the error to exceed a set tolerance, the system triggers automated enrichment to "learn" the new state. This integration of high-fidelity physics with rapid evaluation allows operators to incorporate sensor feeds and inspection data into a live digital twin. Consequently, companies can monitor closely their assets, ensuring safe operations with maximum output for the longest time possible.Sylvain VallagheSylvain is in charge of core technology development at Akselos. He works towards expanding the scope of applications of Akselos' technology by developing new mathematical formulations and computational algorithms.Sylvain completed his Master's degree in Applied Mathematics at the University of Grenoble in France in 2005. Sylvain then pursued a PhD thesis at INRIA, developing new numerical methods and algorithms applied to brain imaging techniques. After completing his PhD in 2009, Sylvain worked as a teaching and research assistant at University of Grenoble, shifting his work focus towards reduced basis methods, which led him to join Professor Patera's group at MIT in 2011. During his time at MIT, Sylvain developed new contributions directly related to Akselos technology and he joined the company in October 2013.

Yvon MadayInformatique et sciences numériquesCollège de FranceAnnée 2025-202602 - Réduction de complexité pour les simulations numériques : méthodes, algorithmes et analyse numérique associée : Approximation et complexité

Yvon MadayInformatique et sciences numériquesCollège de FranceAnnée 2025-2026Fabien CasenaveHead of "Physics-informed machine learning and numerical experiments" team, Safran Senior ExpertSéminaire - Fabien Casenave : Maths-4-Innov-Action : Scientific Machine Learning for Industrial DesignRésuméIn an industrial group such as Safran, numerical simulation of physical phenomena plays a central role in the design processes of manufactured products. At Safran Tech, the corporate research center of the Safran Group, we develop technologies to improve these processes by constructing fast and reliable surrogate models for a wide range of physical systems. This presentation introduces several technologies developed in recent years. First, we present a physics-based reduced-order modeling approach for nonlinear structural mechanics, applied to lifetime prediction of high-pressure turbine blades. Second, we address the learning of physics simulations under non-parameterized geometrical variability using classical machine learning techniques combined with nonlinear deterministic dimensionality reduction, including morphing, principal component analysis, and Gaussian process regression. We then illustrate the generation of mechanical components constrained by performance requirements. Finally, we highlight our contributions to the open-source and open-data Scientific Machine Learning community.Fabien CasenaveFabien Casenave est Senior Expert au département Digital Sciences and Technologies de Safran Tech, le centre de recherche du groupe Safran, où il dirige une équipe dédiée au Scientific Machine Learning. Ses travaux portent sur la réduction de modèles, les approches non intrusives et hybrides combinant apprentissage automatique et simulation physique, ainsi que sur le développement de bibliothèques open source pour la science et l'ingénierie numérique. Il a contribué à l'élaboration de méthodologies en réduction de modèles et en apprentissage pour la physique, avec des transferts vers des applications industrielles.

Yvon MadayInformatique et sciences numériquesCollège de FranceAnnée 2025-202601 - Réduction de complexité pour les simulations numériques : méthodes, algorithmes et analyse numérique associée : Réduction de modèles pour EDP paramétrées

Yvon MadayInformatique et sciences numériquesCollège de FranceAnnée 2025-2026Leçon inaugurale : Réduire la complexité pour maîtriser la résolution des modèles mathématiquesRésuméL'objet de cette leçon inaugurale est de sensibiliser à la modélisation mathématique de phénomènes complexes, d'expliquer pourquoi on cherche à les simuler et ce que l'on peut en attendre. La découverte de la notion de modèles mathématiques pour représenter certains phénomènes se fait dès le lycée, mais l'étendue et les applications de ces modélisations restent souvent méconnues. Au lycée, l'enseignement s'articule autour de deux objectifs principaux :Exprimer, sous des hypothèses clairement énoncées, en langage mathématique ce que des observateurs décrivent par des phrases.Examiner la validité des hypothèses en confrontant les résultats expérimentaux aux prédictions du modèle.On réalise très vite que la plupart des modèles utilisés au quotidien – notamment en entreprise – ne possèdent pas de solution analytique explicite. Ils doivent donc être simulés numériquement : à l'instar d'acteurs chargés de jouer une scène de façon réaliste, on confie à des systèmes informatiques la tâche d'incarner chaque paramètre, de faire évoluer l'histoire des variables et de restituer virtuellement le comportement du phénomène étudié. Ces « acteurs » numériques sont capables d'effectuer jusqu'à 1021 opérations en virgule flottante par seconde.Pourtant, même avec un débit d'expression aussi colossal, les « acteurs » peuvent s'avérer incapables de préserver la fidélité des modèles dans des domaines très complexes – qu'il s'agisse des prévisions météorologiques confiées à Météo-France ou des optimisations industrielles.L'objectif de ce cours est donc de présenter des approches de réduction de complexité permettant de :tirer pleinement parti des capacités de calcul existantes,respecter scrupuleusement le « scénario » du modèle,et fournir des résultats en temps réel, ouvrant la voie aux jumeaux numériques.Cette réduction de complexité puise dans la théorie de l'approximation, l'analyse fonctionnelle et numérique, la discrétisation, la conception d'algorithmes de simulation numérique, l'assimilation de données et plus récemment dans l'usage des réseaux de neurones et de l'apprentissage automatique.