Optimisation de l'efficacité énergétique des machines électriques par application des technologies d'apprentissage automatique

L'efficacité énergétique doit être prise en compte dans l'optimisation multi-objectif des machines électriques, malgré l'importance des ressources de calcul et le temps de calcul requis. L'apprentissage automatique (AA) peut accélérer ce processus d'optimisation grâce à des modèles numériques alternatifs (réseaux de neurones, machines d'apprentissage extrême, réseaux à fonction de base radiale, régresseurs à vecteurs de support, forêts aléatoires, régresseurs à gradient boosté, etc.) du moteur, intégrés au processus d'optimisation [1-3]. Les techniques d'apprentissage profond, telles que les réseaux antagonistes génératifs (GAN) [4] et les auto-encodeurs [5], permettent également à l'algorithme d'optimisation d'opérer dans un espace de variables latentes de dimensionnalité réduite. Les auto-encodeurs variationnels rendent même possible la conception inverse de la machine [6], évitant ainsi l'optimisation itérative. Le/la candidat(e) étudiera les technologies mentionnées ci-dessus afin d'optimiser l'efficacité et les performances de nouveaux types de machines synchrones (comme les moteurs à circuit imprimé) ainsi que de types plus établis (comme les moteurs synchrones à aimants permanents). Après la mise en place de l'entraînement du modèle de substitution et de l'optimisation automatique, quelques études de cas représentatives d'applications réelles (voir la première section) seront sélectionnées pour valider les méthodologies développées. Enfin, un ou plusieurs prototypes seront réalisés et testés expérimentalement dans les installations du LSEE. École doctorale : Sciences, Technologie, Santé Direction : Giorgio PIETRINI Financement : Financement d'un établissement public Français