1. Accueil
  2. Prochaines soutenances

FARKANE AYOUB

14h00

Soutenance de thèse de AYOUB FARKANE

apprentissage profond pour la résolution des équations aux dérivées partielles : applications aux capteurs logiciels

deep learning for solving partial differential equations: applications to software sensors

Jury

Directeur de these_BOUTAYEB_Mohamed_Université de Lorraine
CoDirecteur de these_OUDANI_Mustapha_Université internationale de Rabat
CoDirecteur de these_GHOGHO_Mounir_Université Mohammed VI Polytechnique
Rapporteur_EFIMOV_Denis_Inria (Centre Inria de l'Université de Lille), équipe Valse
Rapporteur_ ZIANI_Mohammed_Université Mohammed V de Rabat (UM5R), Faculté des Sciences (FSR), Département de Mathématiques
Examinateur_BOUTAT-BADDAS_Latifa_IUT de Longwy
Examinateur_BONNET_Catherine_Inria Centre de Saclay L2S-CentraleSupelec
Examinateur_EL ALAOUI_Fatima-Zahrae_Université Moulay Ismail de Meknès (UMI), Faculté des Sciences, Meknès, Maroc

école doctorale

IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES

Laboratoire

CRAN - Centre de Recherche en Automatique de Nancy

Mention de diplôme

Automatique, Traitement du signal et des images, Génie informatique
Amphi V International University of Rabat, Shore Rocade, Rocade S, Rabat 11103, Morocco
*

Mots clés

Les Equations aux Dérivées Partielles,Apprenissage Automatique,Sofware Sensors,Apprentissage Profond,Estimation d'État,Réseaux de Neurones Informés par la Physique

Résumé de la thèse

Cette thèse étudie les méthodes d'apprentissage profond pour la résolution des équations aux dérivées partielles (EDP) et la construction de capteurs logiciels dans les systèmes dynamiques non linéaires. Premièrement, nous améliorons les réseaux de neurones informés par la physique (PINNs) pour les équations de Navier-Stokes incompressibles en 2D et 3D, en proposant des stratégies d'entraînement et des variantes architecturales qui améliorent l'efficacité des données, la stabilité et la précision.

Keywords

Partial Differential Equations,Machine Learning,Capteurs logiciels,Deep Learning,State Estimation,Physics-Informed Neural Networks

Abstract

This thesis investigates deep learning methods for solving partial differential equations (PDEs) and for building software sensors in nonlinear dynamical systems. First, we enhance physicsinformed neural networks (PINNs) for incompressible Navier–Stokes equations in 2D and 3D, proposing training strategies and architectural variants that improve data efficiency, stability, and accuracy.
Liste de toutes les soutenances