L’École Centrale Casablanca (ECC), créée en 2013 par le Royaume du Maroc en partenariat avec la France, est une école d’ingénieurs d’excellence qui forme des ingénieurs généralistes polyvalents, futurs cadres et leaders du Maroc et du continent africain.
Le centre de recherche « Systèmes Complexes et Interactions » réunit une communauté dynamique d’enseignants-chercheurs, de chercheurs associés et de doctorants issus de disciplines variées. Ce centre encourage une approche interdisciplinaire pour répondre aux défis académiques et socio-économiques du Maroc et du continent Africain, grâce à des collaborations étroites avec des partenaires industriels et académiques.
Rejoignez notre laboratoire Centre de Recherche « Systèmes Complexes et Interactions » de l'Ecole Centrale Casablanca pour effectuer votre PFE.
Points importants :
• Lieux: Ecole Centrale Casablanca, Ville Verte Côté Latéral Est à la forêt Bouskoura, Bouskoura
• Encadrement : Encadrement par des enseignants chercheurs de l’École Centrale Casablanca
• Durée : 5 à 6 mois
• Rémunération : 3.000 DHS net / mois
Contact : aissam.jebrane@centrale-casablanca.ma
NB: les candidatures doivent être envoyées au plus tard le 31 janvier 2026 à minuit.
Contexte:
La gestion des flux piétonniers dans les gares, stations et espaces publics constitue un enjeu majeur pour la sécurité, la fluidité et le confort des usagers. Les Pedestrian Intelligent Networks (PINs) visent à modéliser et à prédire ces flux à l’aide de données issues de capteurs, vidéos et modèles de simulation.
Parallèlement, les Physics-Informed Neural Networks (PINNs) offrent un cadre d’apprentissage hybride combinant intelligence artificielle et lois physiques, permettant de résoudre des équations différentielles partielles tout en intégrant des données réelles.
Objectifs:
Ce projet vise à développer un modèle de simulation de flux piétonniers basé sur un PINN, capable d’apprendre les dynamiques de densité et de vitesse des piétons à partir :
des modèles microscopiques de flux piétonniers (EDO & Optimisation continue);
de données réelles ou synthétiques de trajectoires ;
et d’informations structurelles extraites du BIM ou de plans de gares.
Méthodologie envisagée :
Modélisation physique : formalisation du système d’équations décrivant les flux piétonniers (vitesse, direction, interactions).
Développement du PINN : conception d’un réseau neuronal informé par la physique (PyTorch ou TensorFlow) pour approximer le champ de vitesse.
Validation numérique : simulation sur géométries types (couloir, salle d’attente, quai de gare) et comparaison avec des modèles classiques (social force, multi-agents).
Exploration applicative : intégration dans un prototype de “gare intelligente” (ONCF) pour scénarios d’affluence, évacuation ou aménagement.
Résultats attendus :
Un modèle PINN fonctionnel simulant les flux piétonniers à partir de données physiques et empiriques.
Une évaluation quantitative (erreur de prédiction, conservation des flux, densité maximale, temps de traversée).
Une comparaison avec des approches classiques de modélisation.
Livrables :
Rapport scientifique complet (méthodes, expérimentations, résultats).
Code et documentation technique (Python, PyTorch/TensorFlow).
Jeu de données anonymisé et visualisations (heatmaps, vidéos de simulation).
Présentation finale du modèle et de son intégration possible dans une application Smart Mobility.
Compétences visées :
Modélisation physique et mathématique (PDE, dynamique des foules).
Intelligence artificielle appliquée (réseaux neuronaux, PINNs).
Simulation numérique et traitement de données spatio-temporelles.
Esprit de synthèse et intégration R&D–industrie.
Formation souhaitée de l'étudiant(e) :
Étudiant(e) de spécialisation Modélisation mathématique , ML & Data Science, avec compétences souhaitées en :
Programmation scientifique (Python, PyTorch/TensorFlow).
Analyse de données, apprentissage profond.
Bases en équations différentielles, modélisation physique ou simulation numérique.
Intérêt pour la mobilité urbaine et les systèmes intelligents.