Reconstruction numérique d’une cuve industrielle pour l’amélioration de l'instrumentation de suivi en temps réel // Digital reconstruction of an industrial tank for the improvement of real-time monitoring instrumentation

Dans un contexte de digitalisation de l’industrie et de surveillance en temps réel, il peut être crucial d’avoir accès en temps réel à des champs 3D (vitesse, viscosité, turbulence, concentration…), les réseaux de capteurs locaux étant parfois insuffisants pour avoir une bonne vision de ce qui se passe au sein du système. Ce sujet de thèse se propose d’investiguer une méthodologie adaptée à la reconstruction en temps réel de champs au sein d’une cuve industrielle instrumentée. Pour cela il est envisagé de se baser sur une modélisation éléments finis de la physique d’intérêt au sein de la cuve (fluidique, thermique…), et de méthodes de réduction de modèles basés sur le Machine Learning informé par la physique (approche capteurs virtuels). Le cœur de cette thèse sera également la mise au point de l’instrumentation d’une cuve et de la chaine d’acquisition associée, d’une part pour la validation des modèles, et d’autre part pour la génération d’une base de données pour l’application de la méthodologie.

------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

In the context of industrial digitalization and real-time monitoring, accessing 3D fields (velocity, viscosity, turbulence, concentration, etc.) in real time can be crucial, as local sensor networks are sometimes insufficient to provide a comprehensive view of the system's dynamics. This PhD project aims to investigate a methodology for the real-time reconstruction of fields within an instrumented industrial tank equipped with a mixing system. The proposed approach relies on finite element modeling of the relevant physics within the tank (e.g., fluid dynamics, thermal processes) and model reduction techniques such as physics-based Machine Learning (virtual sensor approach). A key focus of this thesis will also be the development of the tank instrumentation and its associated acquisition chain, both to validate the models and to generate a database for applying the proposed methodology.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département Systèmes (LETI)
Service : Service Systèmes de Capteurs, électroniques pour l’Energie
Laboratoire : Laboratoire Autonomie et Intégration des Capteurs
Date de début souhaitée : 01-09-2025
Ecole doctorale : Electronique, Electrotechnique, Automatique, Traitement du Signal (EEATS)
URL : https://www.leti-cea.fr/cea-tech/leti/Pages/recherche-appliquee/plateformes/plateforme-systemes-cyber-physiques.aspx

Public/private mixed funding

Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département Systèmes (LETI)
Service : Service Systèmes de Capteurs, électroniques pour l’Energie

Mécanique Energétique; Mécanique des fluides; Instrumentation; Traitement de données