Thèse Apprentissage d'Opérateurs et Scoring Statistique pour une Production Robuste de Moteurs d'Avion H/F - Doctorat.Gouv.Fr

Établissement : Institut Polytechnique de Paris École polytechnique École doctorale : Mathématiques Hadamard Laboratoire de recherche : CMAP - Centre de Mathématiques appliquées Direction de la thèse : Karim LOUNICI ORCID 0000000168066303 Début de la thèse : 2026-11-01 Date limite de candidature : 2026-09-30T23:59:59 Ce projet de doctorat vise à développer un cadre statistique unifié pour évaluer la robustesse de la production de moteurs aéronautiques. La fabrication moderne des moteurs génère de grandes quantités de données hétérogènes issues des dossiers de production, des fournisseurs, des opérations d'assemblage, des essais de réception, des capteurs et du suivi en début d'exploitation. Ces données sont toutefois affectées par des valeurs manquantes, du bruit de mesure, des biais liés aux bancs d'essai, des effets environnementaux et des changements de conditions de fonctionnement.

Le Passeport numérique statistique industriel, ou ISDP, combinera ces différentes sources afin de construire une représentation interprétable et tenant compte des incertitudes de l'état de santé initial et de la qualité de production de chaque moteur. Les travaux porteront sur la correction des biais de mesure, la séparation entre variabilité physique réelle et erreurs d'observation, l'identification des facteurs de production influençant les performances et la construction de scores fiables de robustesse à l'échelle du moteur.

Une contribution méthodologique centrale consistera à adapter l'apprentissage des opérateurs de Koopman aux données industrielles complexes. Ces méthodes permettront d'obtenir des représentations spectrales de faible dimension des dynamiques non linéaires du moteur, notamment les modes lents, les régimes transitoires et les phénomènes liés à la dégradation. Elles seront complétées par le contrôle statistique des procédés, l'analyse causale, les modèles à effets mixtes, les processus gaussiens, l'apprentissage de représentations et l'estimation de probabilités conditionnelles.

Le cadre proposé contribuera à la détection d'anomalies, à la prévision à long terme, à la quantification des incertitudes, à l'identification précoce des moteurs fragiles et au retour d'expérience entre exploitation et production. Il sera validé sur des données Safran de production, d'assemblage, d'essais de réception et de début d'exploitation. Bien que conçu pour les moteurs aéronautiques, il pourra être adapté à d'autres systèmes industriels complexes. Ce projet doctoral s'inscrit dans le cadre d'une collaboration industrielle entre le CMAP de l'École polytechnique, portée par Karim Lounici, et Safran Aircraft Engines, avec Jérôme Lacaille comme co-encadrant industriel.

Karim Lounici et Didier Jeannel collaborent depuis plusieurs années dans le cadre d'activités d'enseignement en statistique, en intelligence artificielle et en science des données. Leurs échanges scientifiques réguliers ont progressivement conduit à la construction de ce projet de recherche.

Le sujet prolonge directement les travaux fondamentaux de Karim Lounici sur les systèmes dynamiques et l'apprentissage d'opérateurs. Il constitue un véritable projet de recherche académique et méthodologique, visant à développer de nouvelles méthodes adaptées à des données industrielles complexes.

Le candidat doctorant, Didier Jeannel, dispose de l'expérience industrielle, de la formation universitaire en mathématiques et en statistique, ainsi que de la proximité avec le monde académique nécessaires pour mener cette recherche. Safran finance intégralement sa thèse pendant trois ans et lui garantit de travailler à temps plein sur le projet, avec un accès aux données, aux ressources de calcul et à l'expertise industrielle de l'entreprise.

Au-delà de l'aéronautique, les méthodes développées ont vocation à bénéficier à l'ensemble de l'industrie confrontée à des systèmes complexes, à des données hétérogènes et à des enjeux de robustesse, de fiabilité et de maîtrise des procédés. Le projet crée ainsi les conditions d'un transfert de compétences durable entre la recherche académique et l'industrie française.

Compétences en statistiques et en science des données

Connaissance approfondie des processus industriels de Safran Aircraft Engines

• Statistiques
• Intelligence artificielle