évènements / actualités

Dans le cadre du mois de Mai en gris, le mois de sensibilisation aux tumeurs cérébrales, le laboratoire de recherche CRAN présente au grand public ses travaux sur les glioblastomes à travers un théâtre-débat original joué par la Compagnie Impavide. Plongez dans l’histoire d’un couple confronté à la maladie et explorez, avec eux, leur parcours à travers les doutes, les questionnements et les bouleversements dans leur vie quotidienne. Du diagnostic aux thérapies innovantes, cette création propose un regard accessible sur la recherche autour du cancer du cerveau et aborde ce sujet délicat avec finesse et justesse. Si le couple porte le volet humain de la maladie, il est accompagné par leur médecin ; personnage à la personnalité… atypique, leur apportant (à sa manière) son soutien ainsi que les éclairages cliniques et scientifiques sur les progrès récents des thérapies par rayonnements pour le traitement des tumeurs cérébrales. Dans cette œuvre originale, où humour et émotions se croisent, les comédiens offrent une vue d’ensemble du cancer du cerveau, des premiers signes d’alerte aux techniques les plus novatrice en passant par la recherche exploratoire et les études précliniques. Une pièce co-écrite par Joël Daouk, ingénieur de recherche CNRS au CRAN et Amélie Aubertin, de la Compagnie Impavide.  Cet événement est organisé par le CRAN avec le soutien du CNRS Centre-Est.  Télécharger le flyer

À l’occasion de la cérémonie des docteurs 2026 qui aura lieu vendredi 22 mai prochain, découvrez les travaux de recherche des 8 docteurs lauréats des prix de thèse de l’Université de Lorraine. Valessa VALENTIM VIANA – École doctorale IAEM Sujet de thèse (effectué au sein du CRAN) : Redondance d’entrée des systèmes dépendants des paramètres et systèmes à commutation. Factuel : En quoi a consisté votre sujet de thèse ? La redondance d’entrée désigne le fait que différentes entrées produisent le même comportement en sortie d’un système. En ingénierie de contrôle, cela implique plusieurs façons de le commander. Cette propriété permet d’améliorer l’efficacité, notamment en réduisant la consommation d’énergie et en améliorant les performances. La thèse étend ce concept aux systèmes dépendant des paramètres et commutés et montre comment exploiter cette flexibilité pour optimiser leurs performances. Valessa VALENTIM VIANA Consulter la thèse Direction de la thèse : Marc JUNGERS et Jérémie KREISS Date de soutenance : 19 novembre 2025 La cérémonie des docteurs approche à grands pas ! En savoir plus sur la cérémonie  Article source : Factuel

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. Nous analysons leur convergence, étudions la pondération des pertes et la décomposition de domaine, et démontrons une réduction de l'erreur de prédiction sur les champs de vitesse et de pression pour différentes tailles de jeux de données et capacités de modèles. Deuxièmement, nous introduisons APINN-Obs, un observateur adaptatif basé sur les PINNs pour les équations différentielles ordinaires non linéaires. La méthode estime les états non mesurés directement à partir de mesures limitées en intégrant la physique du système dans la fonction de perte, et nous fournissons des garanties théoriques ainsi que des études d'ablation sur la profondeur, l'activation et les poids de perte. Troisièmement, nous concevons des capteurs logiciels robustes qui couplent les réseaux de neurones avec la commande par mode glissant adaptatif (SMC) pour améliorer la résilience aux incertitudes de modèle et au bruit de mesure. Des expériences approfondies ⬔ couvrant les oscillateurs harmoniques, les attracteurs de Rössler, les entraînements de moteurs à induction, la dynamique d'attitude des corps rigides et un processus à trois réservoirs ⬔ montrent que les modèles proposés fournissent une reconstruction d'état précise et une convergence d'erreur favorable, même avec des initialisations perturbées et des données bruitées. Collectivement, ces contributions positionnent les approches basées sur les PINNs et les architectures hybrides d'apprentissage-commande comme des outils pratiques et théoriquement fondés pour la résolution des EDP et l'estimation d'état dans des systèmes complexes du monde réel.