Conception Inventive et Optimisation de Mousses Polymères via l'Intelligence Artificielle

Contexte du Projet :

Cette thèse s’inscrit dans le cadre du projet GreenFOAM, visant à développer des mousses polymères plus performantes et respectueuses de l’environnement. Utilisées dans des secteurs variés tels que l’automobile, l’emballage, l’électronique et la construction, ces mousses se distinguent par leur légèreté, leurs propriétés d’absorption des chocs ainsi que leur faible conductivité thermique et électrique. Cependant, la complexité de leur structure rend leur conception et leur optimisation particulièrement difficiles. GreenFOAM repose sur une approche combinant expérimentation à haut débit, modélisation expérimentale, simulations numériques et intelligence artificielle (IA) afin d’accélérer le développement de mousses écoresponsables et hautement performantes. La thèse met un accent particulier sur la conception inventive, dépassant les simples optimisations pour proposer des solutions innovantes.

Objectifs de la Thèse :

L’objectif principal de la thèse est de développer des méthodes de conception inventive basées sur l'analyse massive de données, avec une intégration importante de l’intelligence artificielle dans le processus. En utilisant des techniques d'IA, de deep learning, et des méthodes de conception inventive telles que la méthode TRIZ, le doctorant devra résoudre des problèmes complexes en repoussant les limites de la conception classique. Le schéma directeur du processus inclut l'analyse approfondie de la situation initiale, la modélisation du système, l'optimisation et, enfin, l'innovation.

En conception inventive basée sur la théorie TRIZ, un principe fondamental consiste à reformuler un problème sous forme de contradictions. La résolution de ces contradictions permet de retrouver la solution au problème initial. Dans cette thèse, nous examinerons et analyserons l'extraction automatique des contradictions à partir de données expérimentales, ainsi que le choix des contradictions les plus pertinentes à résoudre. L'objectif est d'identifier des règles et des standards applicables à la conception inventive. Plusieurs approches et recherches d’innovation développées au sein de l’équipe CSIP du laboratoire ICube fourniront une base solide pour démarrer le projet [1], [2], [3], [4].

L'intelligence artificielle (IA) sera intégrée dans le processus de conception dès la phase d’analyse de la situation initiale, en utilisant des algorithmes de recherche d’informations (brevets, articles, web), des systèmes de gestion des connaissances, ainsi que des techniques de traitement du langage naturel (NLP). Certains de ces algorithmes ont déjà été élaborés par l'équipe CSIP [5], [6]. Cette intégration permettra d'extraire les paramètres influençant le système et contribuera à la phase de résolution inventive en identifiant des solutions similaires à des contradictions déjà résolues dans d'autres domaines. Des travaux préliminaires au sein de l’équipe CSIP ont démontré des applications concrètes de l’IA dans la résolution de problèmes complexes liés aux structures lattice[7], [8].

L'objectif final de ce projet est donc de proposer une méthode de conception inventive et de résolution de problèmes basée sur un grand nombre d'expériences, en s'appuyant sur la puissance de l'IA pour renforcer l'acquisition d'informations nécessaires à la compréhension et à la résolution des enjeux. Cette méthode sera représentée sous la forme d'un simulateur intégrant l'ensemble de la chaîne de conception innovante, allant de l'analyse du système à la résolution des problématiques.

Le doctorant jouera un rôle clé dans la conception et l’optimisation de nouvelles mousses polymères, en particulier à travers les tâches suivantes :

- Réaliser une étude bibliographique sur les méthodes d’innovation à base d’IA appliquées à la conception de produits et processus.

- Exploiter les outils d’intelligence artificielle, tels que les algorithmes d'apprentissage automatique et d'analyse de données, pour améliorer les méthodes d'innovation existantes.

- Développer des méthodes d’innovation et d'optimisation multi-objectifs en s'appuyant sur la méthode TRIZ, pour proposer des concepts novateurs allant au-delà des modèles actuels.

- Collaborer avec les partenaires du projet pour utiliser leurs données (simulations numériques, données expérimentales) comme cas d’application des méthodes d’innovation développées.

- Utiliser des plans d’expériences et de la modélisation expérimentale, en intégrant les données numériques et expérimentales des partenaires, afin de comprendre et modéliser le comportement des mousses et les processus de fabrication.

- Créer une base de données évolutive regroupant les paramètres influents, afin d’alimenter les algorithmes d'IA et de faciliter la conception et l'innovation futures.

Ce projet sera réalisé en étroite collaboration avec plusieurs équipes de recherche qui se chargeront de l'élaboration des résines, de la conception, de la fabrication et de la caractérisation des mousses polymères. Le doctorant exploitera ces données pour les intégrer dans un processus d'optimisation et d'innovation, afin de proposer des solutions innovantes répondant aux besoins spécifiques en matière de performances et de propriétés des mousses.

https://www.pepr-diadem.fr/projet/greenfoam/

References

[1]         H. Chibane, S. Dubois, and R. De Guio, “Innovation beyond optimization: Application to cutting tool design,” Comput. Ind. Eng., vol. 154, no. 107139, p. 107139, Apr. 2021.

[2]         S. Dubois, T. Eltzer, and R. De Guio, “A dialectical based model coherent with inventive and optimization problems,” Comput. Ind., vol. 60, no. 8, pp. 575–583, Oct. 2009.

[3]         Mohamed ABDELLATIF, “Contributions to inventive design methods of systems based on lattice structures,” 2023. Accessed: Aug. 13, 2024. [Online]. Available: https://publication-theses.unistra.fr/public/theses_doctorat/2023/ABDELLATIF_Mohamed_2023_ED269.pdf

[4]         H. Chibane, S. Dubois, and R. De Guio, “Automatic extraction and ranking of systems of contradictions out of a design of experiments,” in Automated Invention for Smart Industries: 18th International TRIZ Future Conference, TFC 2018, Strasbourg, France, October 29–31, 2018, Proceedings, Springer International Publishing, 2018, pp. 276–289.

[5]         I. Ayaou, H. Chibane, S. Koch, and D. Cavallucci, “Leveraging Information Retrieval pipelines for inventive design: Application in efficient Lattice structures Manufacturing ICube-CSIP, INSA of Strasbourg, France,” in International TRIZ Future Conference, 2024.

[6]         M. Hanifi, H. Chibane, R. Houssin, and D. Cavallucci, “Problem formulation in inventive design using Doc2vec and Cosine Similarity as Artificial Intelligence methods and Scientific Papers,” Eng Appl Artif Intell, vol. 109, p. 104661, 2022.

[7]         M. Hanifi, H. Chibane, R. Houssin, D. Cavallucci, and N. Ghannad, “Artificial intelligence methods for improving the inventive design process, application in lattice structure case study,” AI EDAM, vol. 36, 2022.

[8]         M. Abdellatif, H. Chibane, S. Dubois, R. De Guio, and T. Roland, “Method to Build a Generalized Table of Parameters in Engineering Design of Technical Systems: Lattice Structure as a Case Study,” FME Transactions, vol. 51, no. 4, p. 481, 2023.

ICube a été créé en 2013 pour accueillir l’ensemble des activités de recherche en sciences de l’ingénieur, de l’informatique et de l’imagerie sur le site de Strasbourg. Les organismes concernés sont le CNRS, l’Université de Strasbourg, l’ENGEES et l’INSA Strasbourg.

Le laboratoire ICube regroupe les moyens de recherche du site de Strasbourg dans les domaines des sciences de l’information et des sciences de l’ingénieur. Une communauté d’intérêts s’est ainsi créée, rendant possibles des projets ambitieux à l’interface de plusieurs disciplines : informatique, robotique, biophysique, microélectronique, photonique, mécanique, traitement d’images. Les domaines d’application privilégiés du laboratoire ICube sont la santé et l’environnement.

Nous recherchons un(e) candidat(e) titulaire d’un Master ou d’un diplôme d’ingénieur dans l’un des domaines suivants :

• Mathématiques et apprentissage statistique, génie industriel, informatique ou tout autre domaine connexe.
• Une expérience en apprentissage automatique (Machine Learning) et en analyse de données serait un atout majeur.
• Un fort intérêt pour l’innovation, l’optimisation et la conception de produits écologiques.
• Une aptitude à travailler en équipe dans un environnement de recherche pluridisciplinaire et collaboratif.

Le candidat bénéficiera d’une formation aux méthodes de modélisation expérimentale et de conception inventive en début de thèse.