Sujet de thèse : Les cuves industrielles sont au cœur de nombreux procédés dans les industries biomédicales, agroalimentaires, industrielles et énergétiques, où elles assurent des fonctions cruciales telles que le mélange, le stockage et la transformation de fluides. Pour garantir une efficacité maximale des opérations et un contrôle rigoureux des processus, il est indispensable de modéliser précisément les écoulements internes dans ces cuves. Cela permet d’optimiser et robustifier l’instrumentation, en passant par des reconstructions de champs de variables physiques (concentration, vitesse, cisaillement…) en temps réel. La modélisation précise des écoulements internes est essentielle pour comprendre et anticiper les dynamiques complexes de fluides à l'intérieur des cuves. Les méthodes de simulation numérique, notamment par éléments finis, offrent des outils puissants pour reproduire ces phénomènes, mais elles doivent être complétées par une instrumentation adéquate et des méthodes de reconstruction en temps réel. En particulier, il peut être crucial d’avoir accès en temps réel à des champs 3D (vitesse, viscosité, turbulence, concentration…), les réseaux de capteurs locaux étant parfois insuffisants pour avoir une bonne vision de ce qui se passe au sein du système. Ce sujet de thèse se propose d’investiguer une méthodologie adaptée à la reconstruction en temps réel de champs au sein d’une cuve industrielle instrumentée. Pour cela, il est envisagé de se baser sur une modélisation éléments finis de la physique d’intérêt au sein de la cuve (fluidique, thermique…), et de méthodes de réduction de modèles basés sur le Machine Learning informé par la physique (approche capteurs virtuels). Le cœur de cette thèse sera également la mise au point de l’instrumentation d’une cuve et de la chaine d’acquisition associée, d’une part pour la validation des modèles, et d’autre part pour la génération d’une base de données pour l’application de la méthodologie.