Elie Hachem

Portrait
Elie Hachem est professeur de mécanique des fluides et de mathématiques appliquées à Mines Paris - PSL et responsable du groupe de recherche Calcul intensif et mécanique des fluides (CFL) au Centre de Mise en Forme des Matériaux (CEMEF, CNRS/Mines Paris - PSL) depuis 2014.

Ses travaux de recherche portent sur le développement de méthodes numériques avancées pour la mécanique des fluides. Ils combinent l'adaptation de maillage anisotrope, les méthodes d’immersion et les méthodes éléments finis stabilisés par la méthode multi-échelle variationnelle pour la conception et l'analyse de systèmes complexes pour différentes thématiques : aérothermique, multiphase, aérodynamique, interaction fluide-structure, fluides complexes.

 A l’issue de sa thèse effectuée à Mines Paris en 2009, récompensée par deux prix de thèse (SMAI/GMANI et Eccomas), il rejoint le CEMEF en tant qu'enseignant-chercheur. En 2012, il part en long séjour à l’université de Stanford en tant que professeur assistant pour travailler sur les méthodes numériques pour l’interaction fluide-structure. En 2014, il monte et dirige le groupe de recherche CFL au CEMEF.  En 2017, il est lauréat de la CHAIRE industrielle ANR nommée « Infinity » regroupant 12 industriels français autour de la simulation des écoulements multi-phasiques turbulents avec changement de phase et ébullition. En 2018, il initie un large partenariat académique via l’institut CARNOT MINES en créant MINDS : Mines Initiative for Numeric and Data Sciences, qui fédère 15 centres de recherche autour de l’accélération de la convergence du calcul haute performance et des sciences de la donnée. Elie Hachem a reçu de nombreuses distinctions professionnelles et académiques dont : l'IBM Faculty Award (2015), le Atos Jospeh-Fourier Award (2019) pour la meilleure équipe en calcul haute performance, et le IACM Fellow Award (2020) en mécanique numérique.

PROJET CURE

Fluid-structure interaction and machine leaning for controlling unruptured intracranial aneurysms.
Couplage interaction fluide structure et machine learning pour le traitement des anévrismes non rompus

Le développement de nouveaux outils capables de prédire le risque de rupture des anévrismes cérébraux et d'améliorer les résultats obtenus par traitement endovasculaire revêt un intérêt considérable sur le plan médical et social. CURE vise à concevoir et caractériser de nouveaux modèles d’endoprothèses à diversion de flux (ou stents) capables de rétablir un flux sanguin normal en agissant comme une barrière à l’entrée du sac de l’anévrisme. Pour cela, le projet repose sur une combinaison à la pointe de l'état de l'art de méthodes numériques avancées pour la modélisation d'interaction fluide-structure et d’algorithmes d'apprentissage par renforcement profond. La modélisation permet de décrire avec précision les échanges mécaniques entre le flux sanguin, le tissu vasculaire environnant et le déviateur de flux et les algorithmes ont pour but d’optimiser les paramètres fonctionnels de l’écoulement après implantation du stent. Ceci devrait permettre, à terme, de proposer des plans de traitement optimisés grâce à des modèles d’endoprothèses personnalisées et adaptées à la pathologie du patient. Il s’agit d’une première dans ce domaine, qui devrait permettre de créer de nouvelles opportunités, tant théoriques que numériques. Par ailleurs, le projet est hautement multidisciplinaire et les méthodes développées pourront également être rapidement adaptées à un large éventail d’applications en ingénierie et en génie biomédical.

Ces travaux feront l’objet d'une collaboration avec l’université Louis-et-Maximilien de Munich et les chercheurs du groupe de recherche CFL, notamment Phlippe Meliga (CNRS), Aurélien Larcher, Rudy Valette et Jonathan Viquerat.