Détection des fuites souterraines à partir d’images radar

CESI LINEACT (UR 7527), Laboratoire d'Innovation Numérique pour les Entreprises et les Apprentissages au service de la Compétitivité des Territoires, anticipe et accompagne les mutations technologiques des secteurs et des services liés à l’industrie et au BTP. La proximité historique de CESI avec les entreprises est un élément déterminant pour nos activités de recherche, et a conduit à concentrer les efforts sur une recherche appliquée proche de l’entreprise et en partenariat avec elles. Une approche centrée sur l’humain et couplée à l’utilisation des technologies, ainsi que le maillage territorial et les liens avec la formation, ont permis de construire une recherche transversale ; elle met l’humain, ses besoins et ses usages, au centre de ses problématiques et aborde l’angle technologique au travers de ces apports. 

Sa recherche est organisée selon deux équipes scientifiques interdisciplinaires et plusieurs domaines applicatifs. 

L’équipe 1 "Apprendre et Innover" relève principalement des Sciences cognitives, Sciences sociales et Sciences de gestion, Sciences et techniques de la formation et celles de l’innovation. Les principaux objectifs scientifiques visés sont la compréhension des effets de l'environnement, et plus particulièrement des situations instrumentées par des objets techniques (plateformes, ateliers de prototypage, systèmes immersifs...) sur les processus d'apprentissage, de créativité et d’innovation. 

L’équipe 2 "Ingénierie et Outils Numériques" relève principalement des Sciences du Numérique et de l'Ingénierie. Les principaux objectifs scientifiques portent sur la modélisation, la simulation, l’optimisation et le pilotage de composants, systèmes et processus complexes et des interactions Humains-systèmes dans des systèmes cyber-physiques et jumeaux numériques. 

Ces deux équipes développent et croisent leurs recherches dans les domaines applicatifs de l'Industrie du Futur, de la Ville du Futur et des services numériques, soutenues par des plateformes de recherche, principalement celle de Rouen dédiée à l’Usine du Futur et celles de Nanterre dédiée à l’Usine et au Bâtiment du Futur. 

Contexte scientifique 

Le stage s’inscrit dans le cadre des enjeux liés aux sécheresses potentielles induites par le changement climatique. L’un des défis majeurs est la réduction des pertes d’eau potable dans les réseaux souterrains, celles-ci pouvant atteindre jusqu’à 20 % de la consommation. La détection précoce et précise des fuites constitue donc un enjeu environnemental et économique crucial. 

Sujet de stage 

L’objectif de ce stage est d’utiliser un radar géophysique (Ground Penetrating Radar, GPR) pour localiser la position de fuites sans avoir besoin de réaliser une excavation. Le radar permet de caractériser le contraste diélectrique entre le sol sec et le sol mouillé par la fuite autour des tuyaux. Ce contraste se traduit par une anomalie dans le radargramme, fournissant une indication sur la position potentielle de la fuite. Mais en réalité, le monde souterrain est compliqué et il y a beaucoup de choses qui peuvent créer des anomalies. Le problème est donc de savoir si l’anomalie créée par la fuite est suffisamment remarquable par rapport aux autres anomalies créées par d’autres causes. Parallèlement, on s’intéresse aussi aux limites de la détection par le radar, notamment le volume d’eau répandu dans le sol. Pour répondre à ces questions, on a besoins de faire des simulations en utilisant le logiciel gprMax et la full waveform inversion (FWI). Au cours ce stage, nous proposons d’explorer une méthode hybride combinant FWI et les réseaux neuronaux informés par la physique (PINNs), afin de bénéficier à la fois de la précision de l’inversion complète et de la flexibilité des réseaux de neurones aidés par la physique, dans le but d’améliorer l’interprétation des résultats simulé par gprMax. 

Compétences scientifiques et techniques : 

Compétences en programmation et intelligence artificielle et ses outils (Python, bibliothèques IA, régression, réseaux de neurones, IA générative, VAE, GAN …), 

Bonnes connaissances sur la propagation d’ondes électromagnétiques 

Bonnes connaissances des équations Maxwell 

Connaissance sur logiciel python gprMax est un plus. 

Capacité de synthèse et de gestion des données, 

Intérêt pour l’analyse de données et la modélisation, 

Maitrise de l’anglais, expression écrite et orale, 

Compétences relationnelles :

Etre autonome, avoir un esprit d’initiative et de curiosité,

Savoir travailler en équipe et avoir un bon relationnel,

Etre rigoureux

Communiquer efficacement avec son encadrant