Offre de thèse
ENACT: Jumeaux numériques pour la locomotion adaptative dans des environnements complexes
Date limite de candidature
20-04-2026
Date de début de contrat
01-11-2026
Directeur de thèse
KIESGEN DE RICHTER Sébastien
Encadrement
e doctorant sera encadré conjointement par des chercheurs de l'Université de Lorraine (Prof. Kiesgen de Richter, sebastien.kiesgen@univ-lorraine.fr) et de l'Université de Liège (Prof. Vandewalle,nvandewalle@uliege.be)) au sein du groupe de recherche commun SMILE (Soft Matter, Intelligence and Learning for Engineered Materials). L'encadrement reposera sur des réunions régulières, un suivi scientifique structuré et un accompagnement personnalisé pour garantir une progression continue du projet de thèse. Le doctorant bénéficiera d'une formation complète au sein de l'école doctorale, incluant des cours spécialisés, des ateliers thématiques et un apprentissage pratique en simulation numérique, expérimentation et apprentissage automatique. L'avancement des travaux sera évalué à travers des rapports périodiques, des jalons scientifiques et une évaluation annuelle. Le doctorant sera également encouragé à participer aux séminaires du groupe, à collaborer avec les partenaires académiques et industriels, et à présenter ses résultats lors de conférences internationales afin de soutenir son développement scientifique et professionnel.
Type de contrat
école doctorale
équipe
Groupe Milieux Fluides Rhéophysiquecontexte
La locomotion dans les milieux granulaires représente un défi scientifique majeur en raison du comportement complexe, non linéaire et fortement dissipatif des matériaux tels que le sable, le gravier ou la neige. Ces environnements présentent des transitions rapides entre états solide‑like et fluide‑like, rendant la prédiction des forces de contact et des mécanismes de propulsion particulièrement difficile. Les approches classiques de modélisation atteignent rapidement leurs limites, ce qui motive le développement de jumeaux numériques capables de capturer finement les interactions entre un robot et un substrat granulaire. Les avancées récentes en simulations DEM haute fidélité, en apprentissage automatique informé par la physique et en contrôle adaptatif ouvrent la voie à une nouvelle génération de robots capables de percevoir, prédire et s'adapter en temps réel aux propriétés locales du terrain. Ce projet s'inscrit au croisement de la physique computationnelle, de la robotique bio‑inspirée et de l'intelligence artificielle, avec l'ambition de faire progresser la compréhension fondamentale de la locomotion frictionnelle tout en développant une plateforme robotique opérationnelle pour l'exploration de terrains complexesspécialité
Énergie et Mécaniquelaboratoire
LEMTA – Laboratoire Energies & Mécanique Théorique et Appliquée
Mots clés
jumeaux numériques, apprentissage automatique, locomotion, milieux granulaires, robotique
Détail de l'offre
Cette thèse s'inscrit dans le cadre du groupe de recherche international SMILE (Soft Matter, Intelligence and Learning for Engineered Materials), une équipe de recherche commune entre l'Université de Lorraine et l'Université de Liège. Le projet porte sur le développement d'un robot exploratoire capable de se déplacer de manière adaptative dans des environnements granulaires complexes, tels que le sable ou le gravier. L'objectif est de concevoir un système bio‑inspiré capable de s'adapter aux incertitudes du terrain grâce à une combinaison innovante de modélisation physique, apprentissage automatique et contrôle en temps réel.
Le cœur du projet repose sur la création de jumeaux numériques dédiés à la locomotion dans les milieux granulaires. Pour cela, le doctorant combinera des simulations DEM haute fidélité (Discrete Element Methods) avec des approches d'apprentissage graph‑based et des modèles informés par la physique. Ces outils permettront de comprendre comment la forme du robot, ses interactions locales avec les particules et ses stratégies de propulsion influencent son déplacement. Le travail inclura également la conception de nouvelles architectures mécaniques et de capteurs intégrés à l'interface robot‑sol, afin de permettre au robot de percevoir la structure locale du terrain, d'anticiper les réactions du milieu et d'adapter sa locomotion (gait, vibration, déformation) en temps réel.
En reliant physique computationnelle, deep learning et contrôle, la thèse vise à la fois à approfondir la compréhension fondamentale de la locomotion dans les milieux granulaires et à produire une plateforme robotique réellement opérationnelle pour l'exploration de terrains difficiles.
Le doctorant évoluera dans un environnement de recherche dynamique, international et multidisciplinaire. Les chercheurs de SMILE combinent expérimentations, simulations numériques avancées et apprentissage profond informé par la physique pour étudier et contrôler la matière molle, avec des applications fortes en robotique. Le projet se déroulera en cotutelle entre la France et la Belgique, avec un partage équilibré du temps de recherche entre Nancy et Liège. Cette collaboration permettra au doctorant d'obtenir un double diplôme de doctorat reconnu par les deux institutions.
Le candidat recherché doit être motivé, curieux et capable de travailler de manière autonome comme en équipe. Un Master en mathématiques appliquées ou en génie mécanique est requis, avec un intérêt marqué pour les méthodes numériques, le traitement de données ou l'apprentissage profond. Aucune expérience préalable en physique des milieux granulaires n'est nécessaire. Le doctorant devra produire une recherche de haut niveau, présenter ses résultats dans des conférences internationales et publier dans des revues scientifiques. Des activités d'enseignement dans les universités partenaires pourront également être envisagées.
Le poste est un contrat doctoral de 3 ans, avec un salaire mensuel brut d'environ 2300 €, incluant les cotisations retraite. Les candidatures doivent être soumises avant le 20 avril 2026 à 23h59 (CET/CEST) et doivent inclure une lettre de motivation, un CV, les relevés de notes de Licence et Master, ainsi qu'une lettre de recommandation du superviseur de stage ou d'un encadrant précédent. Les candidats présélectionnés seront invités à des entretiens et éventuellement à des tests complémentaires.
Keywords
digital twins, physics‑informed learning, locomotion, granular matter, robotics
Subject details
This PhD project, hosted within the international joint research group SMILE (Soft Matter, Intelligence and Learning for Engineered Materials), focuses on developing a new generation of exploratory robots capable of adaptive locomotion in granular environments such as sand, gravel, or snow. The research aims to design a bio‑inspired robotic system that can robustly navigate uncertain terrains by leveraging a combination of high‑fidelity physical simulations, physics‑aware machine learning, and real‑time control strategies. The core scientific objective is to build digital twins that accurately capture the complex interactions between a robot and granular substrates. To achieve this, the PhD candidate will integrate Discrete Element Method (DEM) simulations with graph‑based learning models to understand how variations in body shape, contact geometry, and local particle rearrangements influence propulsion. The project also emphasizes the development of innovative mechanical designs and embedded sensing at the robot–ground interface, enabling the robot to perceive local structural features, predict short‑term ground reactions, and adapt its gait, vibration patterns, or morphology in real time. By bridging computational physics, machine learning, and robotic control, the project aims to advance fundamental understanding of friction‑driven locomotion in granular media while delivering a practical, field‑ready robotic platform for exploration in challenging terrains. The PhD will take place in a highly collaborative and international environment. SMILE researchers combine experimental platforms, high‑fidelity numerical simulations, and physics‑informed deep learning to study and control soft matter, with strong applications in robotics and adaptive locomotion. The doctoral work will be conducted under a joint supervision (cotutelle) between the University of Lorraine (France) and the University of Liège (Belgium), with the candidate spending approximately half of the research time at each institution. This arrangement will allow the student to obtain a jointly recognized PhD degree from both universities. The ideal candidate is expected to be motivated, curious, and capable of working independently as well as within a multidisciplinary team. Applicants must hold a Master's degree in Applied Mathematics or Mechanical Engineering, with strong interest in numerical methods, data processing, or deep learning. Prior experience in granular physics is not required. The candidate will be expected to conduct high‑quality research, present results at international conferences, and publish in peer‑reviewed journals. Teaching activities at partner universities may also be part of the position. The PhD fellowship is a 3‑year salaried position, with a monthly gross salary of 2300 €, including pension contributions. Applications must include a motivation letter, CV, transcripts and degree certificates (Bachelor and Master), and a recommendation letter from the M2 internship supervisor or a previous project supervisor. The application deadline is April 20, 2026 at 23:59 (CET/CEST). Shortlisted candidates will be invited to interviews and may undergo additional evaluation steps.
Profil du candidat
Le projet recherche un(e) candidat(e) motivé(e), curieux(se) et capable de s'investir pleinement dans un travail de recherche numérique de haut niveau. Le doctorant devra posséder un Master en mathématiques appliquées, mécanique ou disciplines voisines, avec une solide maîtrise des méthodes numériques, de la modélisation physique et de la programmation scientifique. Une bonne compréhension de l'apprentissage automatique est souhaitée, et des connaissances en intelligence artificielle — en particulier en deep learning ou en modèles informés par la physique — constitueront un atout important pour le développement des jumeaux numériques. Une expérience préalable en simulations DEM, en calcul haute performance ou en analyse de données est appréciée mais non indispensable. Le candidat devra être capable de valider des modèles numériques à partir de données expérimentales issues des plateformes SMILE, et de travailler efficacement dans un environnement international, multidisciplinaire et collaboratif. Une excellente maîtrise de l'anglais, ainsi qu'une capacité à communiquer et valoriser ses résultats dans des conférences et publications scientifiques, est également attendue.
Candidate profile
The project is seeking a motivated and curious candidate who is ready to fully engage in high‑level numerical research. The PhD candidate should hold a Master's degree in applied mathematics, mechanical engineering, or a related field, with strong skills in numerical methods, physical modeling, and scientific programming. A solid understanding of machine learning is desired, and knowledge in artificial intelligence—particularly deep learning or physics‑informed models—will be a valuable asset for developing the digital twins. Prior experience with DEM simulations, high‑performance computing, or data analysis is appreciated but not required. The candidate should be able to validate numerical models using experimental data from the SMILE platforms and work effectively in an international, multidisciplinary, and collaborative environment. Excellent written and spoken English is expected, along with the ability to communicate and disseminate research results through scientific publications and conference presentations.
Référence biblio
[1] T. Zhang, C. Li, and D. I. Goldman. The physics of locomotion in granular media. European Physical Journal Special Topics, 223(15):327–336, 2014.
[2] X. Chen, J. Aguilar, and D. I. Goldman. Robophysics: Robotic locomotion in complex environments. Annual Review of Control, Robotics, and Autonomous Systems, 5:485–510, 2022.
[3] Radjai, F., M. Jean, J.J. Moreau, and S. Roux. Anisotropy and shear band formation in granular materials. Physical Review Letters, 80(1):61–64, 1998.
[4] Kiesgen de Richter, Y Cheny, A Gans, M Jenny, G Marouazi, and M Delcey. Anomalous diffusion in vibration-induced spreading of a granular heap. Europhysics Letters, 149(6):67002, 2025
[5] Aminimajd, A., Maia, J., & Singh, A.). Robust prediction of frictional contact network in near-jamming suspensions employing deep graph neural networks. Physics of Fluids, 37(7), 2025
[6] Caitlin L Le, Osman Dogan Yirmibesoglu, Sean Even, Trevor Buckner, Yasemin OzkanAydin, and Rebecca Kramer-Bottiglio. Grand challenges for burrowing soft robots. Frontiers
in Robotics and AI, 12:1525186, 2025.
[7] X. Chen, J. Aguilar, and D. I. Goldman. Robophysics: Robotic locomotion in complex environments. Annual Review of Control, Robotics, and Autonomous Systems, 5:485–510,
2022.
[8] Mickaël Delcey, Yoann Cheny, and Sébastien Kiesgen de Richter. Physics-informed neural networks for gravity currents reconstruction from limited data. Physics of Fluids, 35(2),2023.
[9] Mickaël Delcey, Yoann Cheny, Jean Schneider, Simon Becker, and Sébastien Kiesgen De Richter. Quantitative assessment of pinn inference on experimental data for gravity currents flows. Machine Learning: Science and Technology, 6(1):015032, feb 2025.
[10] Mickaël Delcey, Yoann Cheny, Jean-Baptiste Keck, Adrien Gans, and Sébastien Kiesgen De Richter. Identification of settling velocity with physics informed neural networks for sediment laden flows. Computer Methods in Applied Mechanics and Engineering, 432:117389,2024
[11] Banerjee, C., Nguyen, K., Fookes, C., & Raissi, M. A survey on physics informed reinforcement learning: Review and open problems. Expert Systems with Applications, 128166,2025