Développement d'un modèle basé sur l'IA générative pour la conception des aimants permanents multimatériaux dans les machines électriques

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 modèle basé sur l’IA générative pour la conception des aimants permanents multimatériaux dans les machines électriques 

L’électrification de la mobilité et du domaine automobile a progressivement basculé d’un mix topologique des systèmes de propulsion électriques vers un monopole des machines à aimants permanents (95 % du marché). Ces aimants, exclusivement importés, contiennent des terres rares lourdes pour réduire leur sensibilité à la démagnétisation à haute température. Ces terres rares telles que le dysprosium ou le terbium sont disposées dans l’aimant de manière homogène indépendamment des contraintes physiques. 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 déjà mises en œuvre. 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.

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. Ceci permet ainsi de réduire leur quantité globale tout en maintenant ou en améliorant les performances magnétiques. C’est dans ce contexte que s’inscrit ce stage.

L’objectif est d’optimiser la répartition des matériaux au sein des aimants permanents. 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.

Le stage se déroulera en plusieurs étapes :

• Réalisation d’un état de l’art portant sur l’électromagnétisme des aimants, ainsi que sur les méthodes d’apprentissage profond appliquées à la reconstruction et à la génération morphologique, conditionnées par des données physiques
• Constitution d’une base de données d’entraînementà partir de données existantes relatives aux aimants homogènes conventionnels. Pour les aimants multi-matériaux, des simulations électromagnétiques seront réalisées afin de caractériser les interactions entre les différents matériaux et d’évaluer leur influence sur les propriétés magnétiques
• Entraînement de différents algorithmes d’apprentissage profond sous contraintes physiques et magnétiques
• Validation des cas générés par simulation des champs magnétiques locaux et à l’aide de métriques adéquates
• Evaluation et comparaison des méthodes selon plusieurs critères, notamment la fidélité des configurations générées, leur faisabilité physique et leurs performances magnétiques.

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