Ce projet de thèse vise à développer une approche de modélisation hybride pour les procédés de réduction directe du fer (DRI) dans le contexte de la transition énergétique de la sidérurgie. Mené en partenariat avec ArcelorMittal Global R&D, il combine simulation physique (CFD) et intelligence artificielle afin d’améliorer l’efficacité, la flexibilité et la durabilité des fours de réduction, notamment dans des scénarios intégrant l’hydrogène vert. L’approche repose sur une architecture multi-couches comprenant un modèle physique réduit obtenu par des techniques de réduction de modèles (POD, autoencodeurs), un modèle de correction adaptatif basé sur l’apprentissage automatique pour ajuster les prédictions à partir de données industrielles, et un module d’optimisation destiné à identifier des conditions opératoires optimales.
