Un modèle biomécanique fidèle peut demander des heures de calcul. Comment le rendre assez rapide pour tourner en temps réel, au plus près du patient, sans sacrifier sa précision ?
C'est la question au cœur de cette thèse.
Dans le projet TWIN-IT (PEPR Santé Numérique, France 2030), des modèles multi-échelles haute-fidélité (permettant de simuler le couplage entre déformation mécanique, oxygénation, inflammation) prédisent le risque de lésion des tissus mous, mais restent trop lourds pour un usage clinique. L'enjeu : les réduire (ROM-nets, PCA, machine learning) pour prédire ce risque en temps réel, à partir des capteurs embarqués dans une emboîture instrumentée.
En clair : faire le pont entre la rigueur physique et l'utilité clinique.
Au CEMEF (Mines Paris-PSL, Sophia Antipolis), en lien étroit avec l'ENSAM Paris.
Pour toi si tu aimes la simulation (éléments finis) et que la réduction de modèles / le machine learning te passionnent.
Le projet en vidéo :
lnkd.in/eXPPDNrM
Profil : M2 / ingénieur·e en mécanique numérique, maths appliquées ou machine learning.
Début : 1er octobre 2026.
Détails & candidature :
lnkd.in/efNmvuqP
Contact : pierre-yves.rohan@ensam.eu, david.ryckelynck@minesparis.psl.eu yannick.tillier@minesparis.psl.eu
Auteur du sujet