Localisation et estimation de la taille de dommages dans des structures composites via l’apprentissage profond explicable et physiquement interprétable

Le laboratoire PIMM (Procédés et Ingénierie en Mécanique et Matériaux) est une unité mixte de recherche avec trois tutelles : ENSAM, CNRS, Cnam. Il développe des activités autour des matériaux industriels (alliages métalliques, polymères et composites) et de nouveaux matériaux – de la conception (dont bio-inspirée) à la fabrication – architecturés, multi-fonctionnels, bio-sourcés, recyclés. Ses activités s’inscrivent dans la chaîne allant des procédés de mise en forme dont les procédés laser et la mise en œuvre des polymères jusqu’au structures. Les travaux du PIMM s’attachent en particulier aux conséquences des procédés sur les propriétés d’emploi et leur durabilité (vieillissement chimique et fatigue), via les défauts et les modifications de microstructures engendrées. Ils visent à répondre aux enjeux de l’industrie du futur et du développement durable dans les secteurs du transport et de l’énergie majoritairement mais aussi de l’emballage et de la santé.

Contexte :

La surveillance de la santé des structures (SHM - Structural Health Monitoring) est une approche essentielle pour garantir la fiabilité et la sécurité des structures complexes, notamment dans des secteurs critiques tels que l’aéronautique et les infrastructures civiles. Ce stage s'inscrit dans le cadre du développement d'un système SHM basé sur des transducteurs piézoélectriques intégrés dans des structures composites aéronautiques géométriquement complexes.

Ces transducteurs fonctionnent en mode émetteur-récepteur : les émetteurs génèrent des ondes de Lamb qui se propagent dans la structure, interagissant avec des dommages comme le délaminage, l'aimantation, ou encore des dommages causés par des impacts mécaniques. Ces derniers, dus à des collisions ou des chocs, peuvent entraîner des microfissures ou des zones affaiblies qui compromettent l'intégrité structurelle. Les ondes réfléchies, modifiées par ces dommages, sont ensuite captées par les capteurs récepteurs et les séries temporelles correspondantes sont analysées pour extraire des indices de dommage (Damage Index, DI) dont l'interprétation permet de détecter, localiser voire de quantifier la taille de ces dommages.

Objectifs du stage :

L’objectif principal de ce stage est de concevoir une approche novatrice utilisant l’apprentissage profond pour localiser et estimer la taille des dommages dans des structures composites. Cette méthode s’appuiera sur l’analyse des représentations imagées des indices de dommage (DI) afin d’améliorer la précision et l’efficacité du diagnostic. On cherchera également à rendre cette approche explicable et physiquement interprétable. Pour atteindre cet objectif, le stagiaire se concentrera sur les points suivants :

Prétraitement des données :

• Transformer les indices de dommage issus des transducteurs en images spatialement organisées. Ces images, qui encapsulent les variations du signal en fonction de la propagation des ondes et en fonction de la disposition spatiale des transducteurs, permettent de capturer des caractéristiques complexes liées aux interactions onde-défaut.
• Explorer différentes techniques de transformation (cartes de chaleur, interpolations spatiales) pour optimiser les représentations visuelles.

Développement et optimisation des modèles d’apprentissage profond :

Réseaux de neurones convolutifs (CNN) :

• Exploiter leur capacité à extraire automatiquement des caractéristiques discriminantes des images de DI.
• Tester des architectures avancées comme ResNet ou EfficientNet pour détecter et localiser les dommages avec une grande précision.

Segmentation et localisation des défauts :

• Utiliser des architectures comme U-Net ou DeepLab pour associer chaque pixel d’une image à une probabilité de correspondre à une anomalie.

Régression des défauts :

• Implémenter des techniques de régression pour estimer la taille exacte des défauts.

Validation des modèles :

• Utiliser une base de données labellisée contenant des DI associés à des défauts réels simulés ou expérimentaux.
• Comparer les performances des modèles en termes de précision, de rappel et de robustesse aux variations dans les données.
• Expliquer les modèles obtenus et les interpréter d’un point de vue physique

• Niveau Bac+5 (M2 ou équivalent).
• Compétences solides en apprentissage profond (CNN, segmentation d’images).
• Expérience en traitement du signal et analyse de données expérimentales.
• Maîtrise de Python et des bibliothèques associées (TensorFlow, PyTorch, NumPy, etc.).