Soutenance de M. Victor Matray (LMPS)

Sous la direction de M. David NÉRON, professeur des universités du laboratoire mécanique Paris-Saclay (LMPS), M. FAISAL AMLANI, chargé de recherche CNRS (LMPS), M. Frédéric FEYEL, chercheur associé (LMPS et VP Digital Science & Technologies Safran Tech).

Composition du jury

• Mme Stéphanie CHAILLAT-LOSEILLE, Directrice de recherche CNRS, Laboratoire Poems (UMR 7231 CNRS-INRIA-ENSTA) -  Rapporteuse
• M. Elías CUETO, Professeur des universités, Universidad de Zaragoz - Rapporteur
• M. Francisco CHINESTA, Professeur des universités, PIMM LABORATORY (CNRS - UMR 8006, ENSAM) - Examinateur
• M. Daniel RIXEN, Professeur des universités, Technische Universität München (TUM) -Examinateur

Résumé 

Cette thèse s’inscrit dans le cadre d’un enjeu industriel majeur pour Safran : réduire le temps de dimensionnement de structures mécaniques complexes, telles que les sièges d’avion, malgré la forte variabilité de leurs géométries et topologies. Les méthodes classiques de réduction de modèles (ROM) restent limitées à des configurations faiblement variables et ne permettent pas de généraliser à des structures très différentes. Pour dépasser ces limites, une approche hybride IA–ROM a été développée, conciliant modélisation physique et apprentissage automatique.

Elle s’appuie sur un réseau de neurones sur graphes (GNN) capable de prédire une base réduite à partir de maillages non structurés, puis sur la résolution projetée des équations dynamiques enrichie de manière adaptative pour garantir la cohérence physique. Des développements complémentaires, basés également sur des réseaux de neurones, ont également permis d’accélérer des solveurs non linéaires industriels.

Validée sur deux bases de données originales inspirées des cas d’usage de Safran, la méthodologie permet jusqu’à 70 % de gain de temps sans perte notable de précision, ouvrant la voie à une intégration fiable et raisonnée de l’IA dans les chaînes de simulation industrielle.

Abstract 

This PhD thesis tackles a major industrial challenge for Safran: reducing the computation time required to design complex mechanical structures, such as aircraft seats, despite large variations in geometry and topology. Traditional reduced-order modeling (ROM) methods remain limited to slightly variable configurations and fail to generalize across highly heterogeneous structures. To overcome these limitations, a hybrid AI–ROM framework was developed, combining physics-based modeling and machine learning.

It relies on a graph neural network (GNN) that predicts a reduced basis from unstructured meshes, followed by a projection-based dynamic solver with adaptive enrichment to ensure physical consistency. Additional neural modules were also designed to accelerate existing industrial nonlinear solvers.

The methodology was validated on two original datasets inspired by Safran use cases, achieving up to 70% reduction in computation time with no significant loss of accuracy, paving the way for a reliable and physically consistent integration of AI into industrial simulation workflows.