Martin Ghienne
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Martin Ghienne has a total of 16 co-authors. Here are the top co-authors by number of shared publications:
- Romain Delabeye
Quartz Laboratory
2 shared publications Alexandre Limare
1 shared publicationAntoine Goichon
1 shared publication- Antoine Goichon
Aquila Data Enabler, Courbevoie, France
1 shared publication - Benoit Nennig
Institut supérieur de mécanique de Paris (SUPMECA) Laboratoire Quartz EA 7393 3 rue Fernand Hainaut 93407 Saint-Ouen France
1 shared publication - Charles Dampeyrou
Laboratoire Euler, ISAE-Supméca, Saint-Ouen-sur-Seine, France
1 shared publication
Latest Publications
- 2 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Conception et caractérisation de liaisons boulonnées pour la réduction robuste de vibrations de structures
La conception des structures assemblées nécessite de disposer d'outils de simulation prédictifs permettant de minimiser les écarts entre les comportements réel et simulé de ces structures. Et ce, d'autant plus que les exigences en terme de performance du système sont élevées et qu'une conception optimale est recherchée. Lors du dimensionnement des structures assemblées, la pratique généralement adoptée en bureau d'étude consiste à définir un coefficient de sécurité permettant de tenir compte de la variabilité du comportement réel de ces structures. L'inconvénient est de conduire nécessairement à un surdimensionnement qui peut aller à l'encontre des objectifs de dimensionnement optimal de ces structures. Les liaisons sont le siège de phénomènes non-linéaires tels que le contact ou le frottement et différentes sources d'incertitude induisent une variabilité sur les caractéristiques dynamiques réelles des liaisons. Malgré les capacités des calculateurs actuels, la prise en compte conjointe des phénomènes non linéaires et des incertitudes lors de la simulation de structures assemblées complexes reste difficilement envisageable par une approche directe. L'objectif de ce travail est de proposer une approche pragmatique de caractérisation du comportement vibratoire des structures légères assemblées en tenant compte de la variabilité des paramètres des liaisons. L'intérêt de cette approche est de pouvoir être intégrée dans une phase de dimensionnement robuste. On peut ainsi envisager de dimensionner une solution d'amortissement des vibrations d'une structure assemblée en tenant compte de la variabilité du comportement réel des liaisons de cette structure. Ce travail étudie d'abord le comportement dynamique d'une structure légère réelle afin d'identifier un modèle nominal «juste suffisant» des liaisons considérées. Une approche non intrusive de caractérisation du comportement vibratoire d'une structure en présence de paramètres incertains est ensuite proposée. Cette approche, intitulée approche SMR (pour Stochastic Model Reduction), exploite le fait que la variabilité des vecteurs propres d'une structure est généralement d'un ordre de grandeur inférieur à la variabilité des fréquences propres associées ce qui permet de réduire considérablement le coût de calcul de l'approche tout en gardant une bonne précision sur l'estimation des fréquences propres aléatoires de la structure. Le principe de l'approche est alors d'adapter la modélisation stochastique à chaque fréquence propre aléatoire en fonction d'une exigence de précision globale sur l'ensemble des fréquences propres aléatoires recherchées. Le point clé de cette approche consiste à identifier le modèle stochastique adapté à chaque configuration de fréquence propre, pour cela un indicateur sans coût de calcul supplémentaire est proposé. Finalement, un modèle stochastique des liaisons de la structure considérée est proposé et l'approche SMR est utilisée dans un processus d'optimisation basé sur le principe du maximum de vraisemblance pour identifier les paramètres de ce modèle. Cette dernière étape de la démarche proposée permet alors de caractériser le comportement vibratoire de structures assemblées constituées de nombreuses liaisons en tenant compte de la variabilité du comportement de chacune des liaisons. La démarche mise en place dans le cadre de cette thèse est alors concrétisée par la proposition d'une stratégie originale de réduction robuste des vibrations d'une structure assemblée légère.
- 2 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Conception et caractérisation de liaisons boulonnées pour la réduction robuste de vibrations de structures
La conception des structures assemblées nécessite de disposer d'outils de simulation prédictifs permettant de minimiser les écarts entre les comportements réel et simulé de ces structures. Et ce, d'autant plus que les exigences en terme de performance du système sont élevées et qu'une conception optimale est recherchée. Lors du dimensionnement des structures assemblées, la pratique généralement adoptée en bureau d'étude consiste à définir un coefficient de sécurité permettant de tenir compte de la variabilité du comportement réel de ces structures. L'inconvénient est de conduire nécessairement à un surdimensionnement qui peut aller à l'encontre des objectifs de dimensionnement optimal de ces structures. Les liaisons sont le siège de phénomènes non-linéaires tels que le contact ou le frottement et différentes sources d'incertitude induisent une variabilité sur les caractéristiques dynamiques réelles des liaisons. Malgré les capacités des calculateurs actuels, la prise en compte conjointe des phénomènes non linéaires et des incertitudes lors de la simulation de structures assemblées complexes reste difficilement envisageable par une approche directe. L'objectif de ce travail est de proposer une approche pragmatique de caractérisation du comportement vibratoire des structures légères assemblées en tenant compte de la variabilité des paramètres des liaisons. L'intérêt de cette approche est de pouvoir être intégrée dans une phase de dimensionnement robuste. On peut ainsi envisager de dimensionner une solution d'amortissement des vibrations d'une structure assemblée en tenant compte de la variabilité du comportement réel des liaisons de cette structure. Ce travail étudie d'abord le comportement dynamique d'une structure légère réelle afin d'identifier un modèle nominal «juste suffisant» des liaisons considérées. Une approche non intrusive de caractérisation du comportement vibratoire d'une structure en présence de paramètres incertains est ensuite proposée. Cette approche, intitulée approche SMR (pour Stochastic Model Reduction), exploite le fait que la variabilité des vecteurs propres d'une structure est généralement d'un ordre de grandeur inférieur à la variabilité des fréquences propres associées ce qui permet de réduire considérablement le coût de calcul de l'approche tout en gardant une bonne précision sur l'estimation des fréquences propres aléatoires de la structure. Le principe de l'approche est alors d'adapter la modélisation stochastique à chaque fréquence propre aléatoire en fonction d'une exigence de précision globale sur l'ensemble des fréquences propres aléatoires recherchées. Le point clé de cette approche consiste à identifier le modèle stochastique adapté à chaque configuration de fréquence propre, pour cela un indicateur sans coût de calcul supplémentaire est proposé. Finalement, un modèle stochastique des liaisons de la structure considérée est proposé et l'approche SMR est utilisée dans un processus d'optimisation basé sur le principe du maximum de vraisemblance pour identifier les paramètres de ce modèle. Cette dernière étape de la démarche proposée permet alors de caractériser le comportement vibratoire de structures assemblées constituées de nombreuses liaisons en tenant compte de la variabilité du comportement de chacune des liaisons. La démarche mise en place dans le cadre de cette thèse est alors concrétisée par la proposition d'une stratégie originale de réduction robuste des vibrations d'une structure assemblée légère.
- 14 January 2026
- Published by Elsevier in Journal of Computational Physics
- Vol. 551
Fast recovery of parametric eigenvalues depending on several parameters and location of high order exceptional points
- 14 January 2026
- Published by Elsevier in Journal of Computational Physics
- Vol. 551
Fast recovery of parametric eigenvalues depending on several parameters and location of high order exceptional points
- Open Access
- 28 August 2025
- Published by Springer Nature in Computational Mechanics
- Vol. 77 (2) , 431-449
Temporal hierarchical modal neural network for structural strain prediction
Accurate in-flight structural strain prediction is critical for aircraft design, certification, and structural health monitoring. Traditional physics-based methods, such as finite element analysis or modal analysis, offer interpretable and robust frameworks to estimate structural strain or displacements from sparse measurements data. Nevertheless accurate yet representative in-flight dynamic loading requires extensive computational resources and their complex non-linear behaviors remains challenging. In contrast, learning-based approaches have shown promising results for structural strain prediction, but their performance remains limited by the learning domain spanned by the available data, and they lack interpretability. To take advantage of learning based approaches while retaining the interpretability and physical basis of traditional approaches, this work introduces three novel hybrid deep learning architectures that integrate modal information into neural network. After training on a frugal dataset of sparse strain measurement data, these architectures can accurately predict the strain field of an aeronautical structure from onboard instrumentation only. This enables structural strain virtual sensing on any new flight. In particular, the Temporal Hierarchical Modal Network (THM-net) relies on an original structuring of the learning process, which allows the contribution of structural modes to the structure’s response to be considered hierarchically. This architecture demonstrates high performances, maintains robustness to noise and mode shape uncertainty, while requiring limited measurements or structural information. These results highlight the potential of such approaches to bridge the gap between physics-based modeling and data-driven learning, and pave the way to the development of new hybrid architectures dedicated to in-flight structural dynamics monitoring of aircraft.
- 28 August 2025
- Published by Springer Nature in Computational Mechanics
- Vol. 77 (2) , 431-449
Open AccessTemporal hierarchical modal neural network for structural strain prediction
Accurate in-flight structural strain prediction is critical for aircraft design, certification, and structural health monitoring. Traditional physics-based methods, such as finite element analysis or modal analysis, offer interpretable and robust frameworks to estimate structural strain or displacements from sparse measurements data. Nevertheless accurate yet representative in-flight dynamic loading requires extensive computational resources and their complex non-linear behaviors remains challenging. In contrast, learning-based approaches have shown promising results for structural strain prediction, but their performance remains limited by the learning domain spanned by the available data, and they lack interpretability. To take advantage of learning based approaches while retaining the interpretability and physical basis of traditional approaches, this work introduces three novel hybrid deep learning architectures that integrate modal information into neural network. After training on a frugal dataset of sparse strain measurement data, these architectures can accurately predict the strain field of an aeronautical structure from onboard instrumentation only. This enables structural strain virtual sensing on any new flight. In particular, the Temporal Hierarchical Modal Network (THM-net) relies on an original structuring of the learning process, which allows the contribution of structural modes to the structure’s response to be considered hierarchically. This architecture demonstrates high performances, maintains robustness to noise and mode shape uncertainty, while requiring limited measurements or structural information. These results highlight the potential of such approaches to bridge the gap between physics-based modeling and data-driven learning, and pave the way to the development of new hybrid architectures dedicated to in-flight structural dynamics monitoring of aircraft.
- Open Access
- 11 May 2024
- Published by Elsevier in Mechanical Systems and Signal Processing
- Vol. 216
Unsupervised complex semi-binary matrix factorization for activation sequence recovery of quasi-stationary sources
- 11 May 2024
- Published by Elsevier in Mechanical Systems and Signal Processing
- Vol. 216
Open AccessUnsupervised complex semi-binary matrix factorization for activation sequence recovery of quasi-stationary sources
- Open Access
- 27 March 2024
- Published by Elsevier in Applied Energy
- Vol. 363
Unsupervised separation of the thermosensitive contribution in the power consumption at a country scale
- 27 March 2024
- Published by Elsevier in Applied Energy
- Vol. 363
Open AccessUnsupervised separation of the thermosensitive contribution in the power consumption at a country scale
- 14 September 2023
- Published by Elsevier in Computers & Structures
- Vol. 289
Learning structural stress virtual sensors from on-board instrumentation of a commercial aircraft
- 14 September 2023
- Published by Elsevier in Computers & Structures
- Vol. 289
Learning structural stress virtual sensors from on-board instrumentation of a commercial aircraft
- 19 June 2023
- Published by Springer Nature
- p. 93-100
Sequential Harmonic Component Tracking for Underdetermined Blind Source Separation in a Multitarget Tracking Framework
- 19 June 2023
- Published by Springer Nature
- p. 93-100
Sequential Harmonic Component Tracking for Underdetermined Blind Source Separation in a Multitarget Tracking Framework
- 1 February 2020
- Published by Elsevier in Mechanical Systems and Signal Processing
- Vol. 136
Robust characterization of the vibrational behaviour of light assembled structures with random parameters
- 1 February 2020
- Published by Elsevier in Mechanical Systems and Signal Processing
- Vol. 136
Robust characterization of the vibrational behaviour of light assembled structures with random parameters