Développement d'un simulateur multi-échelle couplé à une IA générative pour l'architecturation des aimants permanents multi-matériaux dans les machines électriques
Direction Mobilité et Systèmes

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. De la recherche à l’industrie, l’innovation technologique est au cœur de son action, articulée autour de quatre priorités stratégiques : CLIMAT, ENVIRONNEMENT ET ÉCONOMIE CIRCULAIRE, ÉNERGIES RENOUVELABLES, MOBILITÉ DURABLE et HYDROCARBURES RESPONSABLES.

L’engagement d’IFPEN en faveur d’un mix énergétique durable se traduit par des actions visant :

• à gagner en efficacité énergétique ;
• à réduire les émissions de CO2 et de polluants ;
• à améliorer l’empreinte environnementale de l’industrie et des transports ;

tout en répondant à la demande mondiale en mobilité, en énergie et en produits pour la chimie.

Dans cet objectif, IFPEN développe des solutions permettant, d’une part, d’utiliser des sources d’énergie alternatives et, d’autre part, d’améliorer les technologies existantes liées à l’exploitation des énergies fossiles.

Développement d’un simulateur multi-échelle couplé à une IA générative pour l’architecturation des aimants permanents multi-matériaux dans les machines électriques 

L’électrification de la mobilité et du domaine automobile a progressivement basculé d’un mixe topologique des systèmes de propulsion électriques vers un monopole des machines à aimants permanents (95% du marché) contenant des terres rares lourdes pour réduire leur sensibilité à la démagnétisation à haute température, et sont exclusivement importés.

De plus, ces aimants sont composés de terres rares lourdes telles que dysprosium, le terbium, … disposées dans l’aimant de manière homogène indépendamment des contraintes physiques et donc du besoin. Bien que ces aimants offrent d’excellentes performances magnétiques et une grande résistance à la démagnétisation, ils posent néanmoins des défis majeurs en termes d’approvisionnement et de coût.

Dans le cadre des efforts visant à réduire l’utilisation des terres rares, plusieurs approches sont exploitées. Parmi elles, la segmentation, la diffusion aux joints de grain (grain boundary diffusion - GBD) ou encore le développement d’aimants contenant peu ou pas de terres rares. Cependant, cette dernière approche s’accompagne souvent d’une dégradation significative des performances magnétiques.

Or, les contraintes magnétiques les plus sévères dans un aimant sont localisées dans certaines zones spécifiques. Ce constat ouvre la voie à une alternative prometteuse : l’utilisation d’aimants multi-matériaux. Cette approche consiste à concentrer les terres rares uniquement dans les zones les plus contraintes de l’aimant par le champ démagnétisant, réduisant ainsi leur quantité globale tout en maintenant ou en améliorant les performances magnétiques, avec un potentiel de réduction de l’utilisation des terres rares encore plus important que celui offert par la méthode GBD.

C’est dans ce contexte que s’inscrit ce stage, dont l’objectif est de développer un simulateur multi-échelle combiné à une intelligence artificielle générative pour optimiser la répartition des matériaux au sein des aimants permanents multi-matériaux de manière couplée avec la simulation multiphysique du propulseur électrique complet au sein du véhicule. La démarche adoptée vise à répondre à deux grandes problématiques : les contraintes magnétiques locales telles que la démagnétisation, et la réduction de l’utilisation des éléments terres rares ; ou encore du point de vue mathématique le couplage de la résolution des échelles très éloignées (méso structures de l’aimant et macrostructure d’une machine électrique).

Dans un premier temps, une phase de simulation électromagnétique permettra d’explorer plusieurs configurations de matériaux. Ces simulations permettront de calculer des grandeurs physiques telles que les champs magnétiques locaux et d’identifier les zones les plus contraintes dans l’aimant. Les données issues de ces simulations seront centralisées dans une base de données virtuelle. Cette base constituera la matière première pour entraîner un modèle d’intelligence artificielle générative. L’IA jouera ici le rôle d’un jumeau numérique, capable de prédire la répartition optimale des matériaux au sein de l’aimant en fonction de contraintes magnétiques définies, telles qu’un champ magnétique maximale à ne pas dépasser. Ce modèle prédictif permettra de remplacer partiellement les simulations traditionnelles, offrant ainsi un gain de temps et une réduction des coûts de calcul.

Ce sujet de stage pourra déboucher sur une thèse de doctorat.

Profil recherché :

Étudiant(e) de dernière année d’école d’ingénieur ou de Master 2 en traitement du signal et/ou de l’image ou en intelligence artificielle (apprentissage automatique / deep learning), ou domaine proche. Maîtrise souhaitée de Python

Mots-clefs : Traitement du signal et de l’image ; intelligence artificielle ; IA générative ; Deep Learning ; jumeau numérique ; machines électriques ; aimants permanents

Durée et période du stage : 6 mois entre février et août 2027
Lieu du stage : Rueil-Malmaison