David Ryckelynck

Biographie

David Ryckelynck est un chercheur spécialisé en mécanique numérique et en modélisation des matériaux, avec une expertise marquée dans le développement de méthodes avancées de réduction de modèles et d’apprentissage automatique appliquées à des problématiques industrielles. Ses travaux se concentrent sur l’intersection entre la simulation numérique, la science des données et la mécanique des structures, visant à optimiser les calculs haute-fidélité tout en préservant leur précision. Parmi ses thématiques majeures figurent la réduction d’ordre de modèles (ROM) pour des problèmes non-linéaires, l’analyse de données multimodales en science des matériaux, et l’intégration de techniques d’intelligence artificielle pour l’amélioration des simulations physiques, notamment dans des contextes comme la fabrication additive, la fatigue des matériaux ou la caractérisation de défauts via imagerie 3D. Ses recherches explorent également des approches innovantes comme les autoencodeurs variationnels, les réseaux de neurones convolutifs compressés, ou les méthodes de morphing de maillages pour des applications en dynamique des fluides et en mécanique des solides. Son approche combine souvent des outils mathématiques rigoureux, tels que les décompositions spectrales ou les méthodes de clustering, avec des techniques de deep learning pour traiter des données complexes et haute dimension.

Publication(s)

2026
Functional maps regularization for high quality mesh morphing applied to shape registration in computed tomography DOI : 10.1007/s00366-025-02243-8
2025
Construction of Data Sequence for Model Order Reduction in Thermomechanical Modeling of DED Additive Manufacturing DOI : 10.1002/nme.70005
2025
Multimodal super-resolution for fast image-based simulation of crystal plasticity DOI : 10.1016/j.cma.2025.118210
2025
Quaternion-based vision-transformer for polycrystalline EBSD scans pre-trained on large-scale synthetic data DOI : 10.1016/j.matdes.2025.114599
2024
Coupled Laplacian Eigenmaps for Locally-Aware 3D Rigid Point Cloud Matching DOI : 10.1109/CVPR52733.2024.00331
2024
Manifold Learning: Model Reduction in Engineering DOI : 10.1007/978-3-031-52764-7
2023
A priori compression of convolutional neural networks for wave simulators DOI : 10.1016/j.engappai.2023.106973
2023
A Simple and Robust Framework for Cross-Modality Medical Image Segmentation applied to Vision Transformers DOI : 10.1109/ICCVW60793.2023.00446
2023
Real-time numerical prediction of strain localization using dictionary-based ROM-nets for sitting-acquired deep tissue injury prevention DOI : 10.1016/B978-0-32-389967-3.00027-5
2022
An updated Gappy-POD to capture non-parameterized geometrical variation in fluid dynamics problems DOI : 10.1186/s40323-022-00215-x
2022
Mechanical Fatigue Testing Under Thermal Gradient and Manufacturing Variabilities in Nickel-Based Superalloy Parts with Air-Cooling Holes DOI : 10.1007/s11340-022-00868-0
2022
Deep multimodal autoencoder for crack criticality assessment DOI : 10.1002/nme.6905
2022
Condition Number and Clustering-Based Efficiency Improvement of Reduced-Order Solvers for Contact Problems Using Lagrange Multipliers DOI : 10.3390/math10091495
2022
Uncertainty quantification in a mechanical submodel driven by a Wasserstein-GAN DOI : 10.1016/j.ifacol.2022.09.139
2022
Physics-informed cluster analysis and a priori efficiency criterion for the construction of local reduced-order bases DOI : 10.1016/j.jcp.2022.111120
2022
Multimodal data augmentation for digital twining assisted by artificial intelligence in mechanics of materials DOI : 10.3389/fmats.2022.971816
2022
A Bayesian Nonlinear Reduced Order Modeling Using Variational AutoEncoders DOI : 10.3390/fluids7100334
2022
Deep learning model to assist multiphysics conjugate problems DOI : 10.1063/5.0077723
2022
Uncertainty quantification for industrial numerical simulation using dictionaries of reduced order models DOI : 10.1051/meca/2022001
2021
Data-targeted prior distribution for variational autoencoder DOI : 10.3390/fluids6100343
2021
Mechanical assessment of defects in welded joints: morphological classification and data augmentation DOI : 10.1186/s13362-021-00114-7
2021
Data-driven reduced bond graph for nonlinear multiphysics dynamic systems DOI : 10.1016/j.amc.2021.126359
2021
Real-time data assimilation in welding operations using thermal imaging and accelerated high-fidelity digital twinning DOI : 10.3390/math9182263
2021
A Modular U-Net for Automated Segmentation of X-Ray Tomography Images in Composite Materials DOI : 10.3389/fmats.2021.761229
2021
A pruning algorithm preserving modeling capabilities for polycrystalline data DOI : 10.1007/s00466-021-02075-5
2021
Mechanical dissimilarity of defects in welded joints via Grassmann manifold and machine learning DOI : 10.5802/CRMECA.51
2021
Hyper-reduced arc-length algorithm for stability analysis in elastoplasticity DOI : 10.1016/j.ijsolstr.2020.10.014
2020
Crystal plasticity modeling of the cyclic behavior of polycrystalline aggregates under non-symmetric uniaxial loading: Global and local analyses DOI : 10.1016/j.ijplas.2019.10.007
2020
Hyper-reduced direct numerical simulation of voids in welded joints via image-based modeling DOI : 10.1002/nme.6320
2020
Model order reduction assisted by deep neural networks (ROM-net) DOI : 10.1186/s40323-020-00153-6
2020
Reduced Order Modeling Assisted by Convolutional Neural Network for Thermal Problems with Nonparametrized Geometrical Variability DOI : 10.1007/978-3-030-52246-9_17
2020
A nonintrusive distributed reduced-order modeling framework for nonlinear structural mechanics—Application to elastoviscoplastic computations DOI : 10.1002/nme.6187
2020
Deep Convolutional Generative Adversarial Networks Applied to 2D Incompressible and Unsteady Fluid Flows DOI : 10.1007/978-3-030-52246-9_18
2018
Hybrid hyper-reduced modeling for contact mechanics problems DOI : 10.1002/nme.5798
2018
Computer Vision with Error Estimation for Reduced Order Modeling of Macroscopic Mechanical Tests DOI : 10.1155/2018/3791543
2017
Towards error bounds of the failure probability of elastic structures using reduced basis models DOI : 10.1002/nme.5554
2017
Hyper-reduction of generalized continua DOI : 10.1007/s00466-016-1371-2
2017
Fragmentation modeling of a resin bonded sand DOI : 10.1051/epjconf/201714011004
2016
Hyper-reduction framework for model calibration in plasticity-induced fatigue DOI : 10.1186/s40323-016-0068-6
2016
A posteriori global error estimator based on the error in the constitutive relation for reduced basis approximation of parametrized linear elastic problems DOI : 10.1016/j.apm.2015.11.016
2016
Hyper-reduced predictions for lifetime assessment of elasto-plastic structures DOI : 10.1007/s11012-015-0244-7
2015
POD Preprocessing of IR Thermal Data to Assess Heat Source Distributions DOI : 10.1007/s11340-014-9858-2
2015
Thermo-mechanical numerical simulation of the cooling-down of high zirconia fused-cast refractory blocks
2015
Modelling and prediction of deformation during sintering of a metal foam based SOFC (EVOLVE) DOI : 10.1149/06801.2971ecst
2015
Estimation of the validity domain of hyper-reduction approximations in generalized standard elastoviscoplasticity DOI : 10.1186/s40323-015-0027-7
2014
Micro-mechanical characterization of lead-free solder joints in power electronics DOI : 10.1109/ITHERM.2014.6892271
2014
Architectured materials to improve the reliability of power electronics modules: Substrate and lead-free solder DOI : 10.1007/s11664-013-2662-4
2014
Architectured bimetallic laminates by roll bonding: Bonding mechanisms and applications DOI : 10.1179/1743284713Y.0000000412
2013
A priori hyper-reduction method for coupled viscoelastic-viscoplastic composites DOI : 10.1016/j.compstruc.2012.11.017
2012
Multidimensional hyper-reduction of large mechanical models involving internal variables DOI : 10.1115/ESDA2012-82971
2012
Beremin model: Methodology and application to the prediction of the Euro toughness data set DOI : 10.1016/j.engfracmech.2011.10.019
2012
Numerical simulation of the cooling-down of high-zirconia fused-cast refractories DOI : 10.1016/j.jeurceramsoc.2012.06.004
2012
Bimodal Beremin-type model for brittle fracture of inhomogeneous ferritic steels: Theory and applications DOI : 10.1016/j.engfracmech.2011.10.016
2012
Multidimensional a priori hyper-reduction of mechanical models involving internal variables DOI : 10.1016/j.cma.2012.03.005
2011
A robust adaptive model reduction method for damage simulations DOI : 10.1016/j.commatsci.2010.11.034
2011
Reduced-order modelling for solving linear and non-linear equations DOI : 10.1002/cnm.1286
2011
A priori reduction method for solving the two-dimensional Burgers' equations DOI : 10.1016/j.amc.2011.01.065
2010
Toward "green" mechanical simulations in materials science: Hyper-reduction of a polycrystal plasticity model DOI : 10.3166/ejcm.19.365-388
2010
Multi-level a priori Hyper-Reduction of mechanical models involving internal variables DOI : 10.1016/j.cma.2009.12.003
2010
Truncated Integration for Simultaneous Simulation of Sintering Using a Separated Representation DOI : 10.1007/s11831-010-9055-0
2010
Anisotropic constitutive model and FE simulation of the sintering process of slip cast traditional porcelain DOI : 10.1063/1.3457622
2009
Hyper Reduction of finite strain elasto-plastic models DOI : 10.1007/s12289-009-0424-x
2009
Hyper-reduction of mechanical models involving internal variables DOI : 10.1002/nme.2406
2008
Detection of deviations origins in a heat treatment process using Proper Orthogonal Decomposition (POD) basis DOI : 10.1007/s12289-008-0200-3
2007
Anticipation of gears distortions caused by heat treatments DOI : 10.1063/1.2729681
2007
A new fully coupled two-scales modelling for mechanical problems involving microstructure: The 95/5 technique DOI : 10.1016/j.cma.2006.10.013
2007
Micro-Macro approach for mechanical problems involving microstructure DOI : 10.1063/1.2729701
2006
Adaptive model reduction for sensitivity analysis
2006
On the reduction of kinetic theory models related to finitely extensible dumbbells DOI : 10.1016/j.jnnfm.2006.01.007
2006
A simple error indicator for meshfree methods based on natural neighbors DOI : 10.1016/j.compstruc.2006.04.002
2006
On the a priori model reduction: Overview and recent developments DOI : 10.1007/BF02905932
2006
Deterministic particle approach of Multi Bead-Spring polymer models DOI : 10.3166/remn.15.481-494
2006
An adaptive ROM approach for solving transfer equations DOI : 10.3166/remn.15.589-605
2005
The constrained natural element method (C-NEM) for treating thermal models involving moving interfaces DOI : 10.1016/j.ijthermalsci.2004.12.007
2005
α-NEM and model reduction: Two new and powerful numerical techniques to describe flows involving short fibers suspensions DOI : 10.3166/reef.14.903-923
2005
Treating moving interfaces in thermal models with the C-NEM DOI : 10.1007/3-540-27099-x_14
2005
A priori hyperreduction method: An adaptive approach DOI : 10.1016/j.jcp.2004.07.015
2005
An efficient 'a priori' model reduction for boundary element models DOI : 10.1016/j.enganabound.2005.04.003
2004
A new extension of the natural element method for non-convex and discontinuous problems: The constrained natural element method (C-NEM) DOI : 10.1002/nme.1016
2003
Natural interpolation on non-convex bodies by using the constrained Vorono' diagram: C-natural elements method; [Interpolation naturelle sur les domains non convexes par l'utilisation du diagramme de Voronoï contraint] DOI : 10.3166/reef.12.487-509
2002
Friction modelisation of tool workpiece contact for the finite element simulation of cutting process; [Modeĺlisation du frottement outil-pièce pour la simulation de la coupe par la méthode des éléments finis] DOI : 10.1016/S1296-2139(02)01172-7
2002
An a priori model reduction method for thermomechanical problems; [Réduction a priori de modèles thermomécaniques] DOI : 10.1016/S1631-0721(02)01487-0
2000
Efficient adaptive strategy to master the global quality of viscoplastic analysis DOI : 10.1016/S0045-7949(00)00107-3

Enseignements

Période d'enseignement d'option (octobre+janvier)

Responsable

Éléments finis

Responsable

L'enseignement comprend une partie théorique (avec cours et petites classes), et une partie pratique, basée sur un mini-projet. La partie "cours" comprend un exposé de la formulation théorique de la méthode (10 séances de cours et TD), mais aussi celui de sa mise en oeuvre (5 séances de cours et TD), et de l'environnement industriel (5 séances). Les mini-projets correspondent à un tiers du cours. Ceux-ci seront à choisir parmi une liste de sujets dirigés soit vers des applications spécifiques, soit vers des développements algorithmiques ou mathématiques : dynamique, mécanique statique, contact, thermique, diffusion, mécanique des fluides, adaptation de maillage,... Contenu Formulation théorique et mise en oeuvre de la méthode Formulation variationnelle: Espaces de Sobolev, solutions faibles, théorème de Lax Milgram, lien avec les travaux virtuels et le calcul des variations. Méthode des éléments finis: Description de la méthode, exemples d'éléments finis, résultats de convergence Formulation matricielle: Matrices élémentaires, assemblage, conditions aux limites, résolution, algorithmes en mécanique et en thermique Environnement de calcul Lien avec la CAO: Chaînes de conception Les techniques de maillages : Méthodes de Delaunay, frontale. Maillage d'une pièce complexe. Les grands codes du commerce: organisation d'un code de calcul, quelques exemples Calcul parallèle: Machines et algorithmes associés, solveurs parallèles, décomposition de domaine Applications Les élèves intéressés par des applications sur pièces réelles utiliseront un grand logiciel du commerce, ou les logiciels des Centres de Recherche de l'École. Ils réaliseront un calcul réaliste d'un point de vue industriel. Ceux qui sont plus intéressés par les aspects maths appliquées pourront utiliser une plate-forme de développement, telle que FreeFem++.

Ingénierie digitale des systèmes complexes (IDSC) option

Responsable

Au cours des dix dernières années, l’intelligence artificielle (IA) a profondément transformé le monde industriel en révolutionnant les méthodes de conception, d’optimisation et d’exploitation des systèmes. L’un des aspects les plus marquants de cette évolution réside dans la modélisation numérique des systèmes complexes. Traditionnellement fondée sur des méthodes à fort contenu physique ou multiphysique, elle bénéficie aujourd’hui des avancées en intelligence artificielle, notamment grâce aux algorithmes d’apprentissage automatique et de deep learning. L’option Ingénierie Digitale des Systèmes Complexes de Mines Paris vise à donner à ses étudiants des bases solides et multi-disciplinaires en IA, leur permettant de comprendre en profondeur ses applications et de les mettre en pratique sur des problématiques industrielles. Les disciplines étudiées dans l’option sont : le machine learning et ses applications dans le domaine de l’ingénierie la vision par ordinateur le calcul haute performance L’enseignement de l’option s’articule autour de trois semaines d’enseignements, complétées par deux semaines de Data challenge et une semaine de voyage d’option. Plus d'informations sont disponibles sur la page web de l'option : https://bruno-figliuzzi.github.io/Option/

Données, Images, Modèle Physique, et Apprentissage (trimestre recherche)

Responsable

L'exploitation des données occupe une place de plus en plus importante dans notre société, aussi bien au niveau professionnel que personnel. Ces données sont souvent complexes : texte, images, vidéos, génome, nuages de points, graphes, par exemple. Elles constituent la matière première des industries du numérique. L'extraction automatique d'information utile à partir de ces masses de données constitue un défi de taille. L'objectif de ce trimestre de recherche est de fournir aux élèves ingénieurs une première expérience en matière de recherche sur l'analyse automatique de données complexes. Les images et autres données structurées (graphes, arbres, séquences, etc.) seront au centre de ce travail. Les disciplines scientifiques concernées seront en particulier l'apprentissage automatique, l'analyse d'images, la robotique, la physique et la bio-informatique. Les étudiants auront l'occasion, en fonction des projets, d'utiliser les méthodes à noyaux, le deep learning ou la morphologie mathématique, entre autres. Les domaines d'application seront très variés, allant de la conduite automatique à la santé en passant par le contrôle non destructif et la caractérisation de matériaux. Certains projets de recherche se déroulement dans le cadre de collaborations avec des partenaires industriels.

Direction(s) de thèse(s)

2025 Développement de jumeaux numériques des procédés de mise en forme à chaud d’alliages de Zr par apprentissage profond NGUYEN Thanh Chung
2025 Apprentissage par les données d'un modèle de vieillissement de batterie de véhicules électriques HOLLER Colin
2024 Apprentissage automatique de la détection d'anomalies par nanoindentation pour identifier les propriétés d'élastoplasticité des cristaux au niveau du sous-grain BELAMRI-REGENPIED Pierre
2023 Calcul sur données issues de tomographies automatiques pour grandes variations géométriques : applications à la simulation des procédés et à la vérification des fonctions mécaniques FERHAT AMELIA
2023 Modélisation et méthodes IA pour estimer et prédire les états de santé de batteries de véhicules électriques. VU Germain
2022 Avancées en vision 3D et en apprentissage profond pour l’analyse et la synthèse de formes : application à la modélisation biomécanique interespèces de l’articulation du genou BASTICO Matteo
2021 Application de l'Apprentissage Profond à la Prédiction et à la Modélisation des Écoulements de Fluides Multiphysiques EL HABER George
2021 Identification de lois de plasticité cristalline par jumeau numérique et apprentissage statistique MESBAH Daria
2020 Hyper-réduction d'ordre de modèle en mécanique du contact sous formulation mixte potentiellement non symétrique : analyse théorique et numérique. LE BERRE Simon
2019 Prévision en temps réel de contraintes mécaniques en soudage par une bibliothèque de métamodèles PEREIRA ALVAREZ Pablo
2019 Sous-modèles mécaniques pilotés par machine learning : application à la dynamique des structures BOUKRAICHI Hamza
2019 Métrologie fonctionnelle par imagerie 3D et apprentissage de jumeaux numériques -- application à la fatigue thermo-mécanique dans les superalliages monocristallins. AUBLET Axel
2018 Modèles réduits par apprentissage automatique pour l'étude de la nocivité de défauts LAUNAY Hugo
2018 Apprentissage statistique pour la réduction de modèle non-linéaire DANIEL Thomas
2017 Réduction de Modèle appliquée aux écoulements interfaciaux TEYOU TCHUIENKAM Patrick Lionnel
2016 Étude numérique de la nocivité des défauts dans les soudures LACOURT Laurent
2016 Réduction d'un modèle 0D instationnaire et non-linéaire de thermique habitacle pour l’optimisation énergétique des véhicules automobiles HAMMADI Youssef
2016 Plasticité cristalline appliquée aux agrégats sous des chargements cycliques non symétriques: analyse mécanique et réduction de l'ordre des modèles FAROOQ Harris
2015 Modèles hyper-réduits pour la simulation simplifiée du soudage en substitut de calcul hors d’atteinte. DINH TRONG Tuan
2015 Modélisation et simulation de la fragmentation de sable à liant polyuréthane HILTH William
2015 Modèle d’ordre réduit en mécanique du contact. Application à la simulation du comportement des combustibles nucléaires. FAUQUE DE MAISTRE Jules