Analyse de sensibilité pour systèmes multi-physiques

L’explicabilité des modèles numériques est aujourd’hui un enjeu majeur pour les ingénieurs. Dans ce contexte, l’analyse de sensibilité constitue un outil essentiel : elle permet d’identifier et de hiérarchiser les paramètres les plus influents sur les performances d’un modèle ou d’un système, renforçant ainsi la confiance dans les résultats et facilitant la prise de décision. En ne retenant que les variables déterminantes, elle contribue également à simplifier les modèles et à réduire significativement les coûts de calcul. 
Cet enjeu est particulièrement critique pour la conception de systèmes multidisciplinaires tels que les machines électriques, les éoliennes flottantes ou les véhicules aérospatiaux. Ces systèmes reposent sur l’intégration et le couplage de codes de calcul issus de plusieurs physiques (électromagnétisme, thermique, structure…), rendant la propagation des incertitudes complexe et coûteuse car elle combine gestion des couplages interdisciplinaires et variabilité des entrées. 
Les méthodes classiques d’analyse de sensibilité sont en général développées pour un seul code de calcul. Leur transposition à des systèmes multidisciplinaires fortement couplés pose plusieurs défis : une variable très influente dans une discipline isolée peut avoir un impact mineur sur la performance globale (et inversement) ; l’évaluation des indices de sensibilité (Sobol’, Shapley, HSIC…) nécessite des intégrales multidimensionnelles coûteuses aggravées par l’exécution répétée du système couplé ; enfin, le transfert d’informations entre disciplines accroît la complexité computationnelle. 
Cette thèse vise à concevoir et adapter des méthodes d’analyse de sensibilité spécifiquement dédiées aux systèmes multidisciplinaires couplés, tout en limitant le nombre d’appels coûteux aux solveurs multidisciplinaires.

Mots clefs: Analyse de sensibilité, Machine Learning, Sciences des données, Optimisation Multidisciplinaire

• Directeur de thèse    Enseignant-chercheur (HDR) Sebastien DA VEIGA, ENSAI-CREST, ORCID: 0009-0004-1637-7942
• Ecole doctorale    ED MATISSE, Université de Rennes
• Encadrants IFPEN    Dr Mohamed Reda EL AMRI, ORCID: 0000-0002-7641-9807 & Dr Adrien SPAGNOL, adrien.spagnol@ifpen.fr
• Localisation du doctorant    IFPEN, Lyon, France & ONERA, Palaiseau, France
• Durée et date de début    3 ans, début au cours du quatrième trimestre 2026 (2 novembre)
• Employeur    IFPEN
• Qualifications    BAC+5 (ingénieur ou université) en mathématiques appliquées
• Connaissances linguistiques    Français, Anglais niveau B2 (CECR)  
• Autres qualifications    Machine Learning, Uncertainty Quantification, Optimisation 

Pour postuler, merci d’envoyer votre lettre de motivation et votre CV à l’encadrant IFPEN indiqué ci-dessous.