Prédiction des propriétés mécaniques des matériaux cimentaires par intelligence artificielle multimodale : fusion d'images microstructurales et de données spectroscopique

CY Cergy Paris Université est un établissement public d’enseignement supérieur et de recherche en France, reconnu pour la qualité de ses formations et la diversité de ses activités scientifiques.

 Le Département de Génie Civil propose des formations de haut niveau, intégrant les enjeux technologiques, environnementaux et sociétaux du secteur du bâtiment et des infrastructures.

 Le Laboratoire L2MGC (Laboratoire de Mécanique, Modélisation et Génie Civil) est une unité de recherche pluridisciplinaire spécialisée dans la mécanique des matériaux et des structures, la modélisation numérique, ainsi que l’étude des matériaux cimentaires et éco-matériaux. Ses activités combinent approches expérimentales et simulations avancées pour développer des solutions innovantes, performantes et durables dans le domaine du génie civil.

Descriptif du sujet :  

L’étude des matériaux cimentaires montre que leurs propriétés mécaniques dépendent fortement de leur microstructure. Les techniques de microscopie (MEB, EDS, µCT, etc.) permettent d’obtenir des une microstructures complexes incluant la morphologie et la structure porale, les phases hydratées et anhydres, ainsi que l’interface pâte/granulats. Ces paramètres influencent directement les propriétés mécaniques, mais la relation entre ces images et le comportement mécanique reste complexe et difficile à modéliser par des approches traditionnelles classiques. Ce projet de stage propose d’utiliser le deep learning multimodal^[1-2] pour prédire le comportement mécanique à partir d’images MEB et de données EDS, en exploitant des modèles combinant réseaux de neurones convolutifs (CNN) pour l’analyse d’images, réseaux denses pour les spectres EDS, et régression pour les prédictions mécaniques. Les données, extraites de la littérature scientifique, nécessitent une collecte et une harmonisation rigoureuses face à leur hétérogénéité (composition des matières premières, conditions expérimentales, formats d’image). Ce projet interdisciplinaire vise à développer un prototype prédictif pour optimiser la conception des bétons, réduisant les essais physiques coûteux et soutenant des applications en construction durable. L'objectif final est la création d'un outil prédictif fiable et innovant pour estimer les propriétés mécaniques à partir de caractérisations microstructurales.

Le(la) candidat(e) devra être en Master 2 recherche ou élève ingénieur en dernière année, dans les domaines de l'intelligence artificielle, de la data science, de la vision par ordinateur, de la modélisation numérique ou du génie civil numérique.

Il/elle disposera de connaissances solides en Deep Learning (réseaux de neurones convolutifs, réseaux denses), avec un intérêt marqué pour la science des matériaux et la caractérisation microstructurale. Des bases en traitement d'images (segmentation, filtrage, normalisation) et en analyse de données spectroscopiques sont indispensables, ainsi qu'une maîtrise confirmée de l'écosystème Python et de ses bibliothèques spécialisées (PyTorch, OpenCV, Scikit-learn, Pandas).

Une familiarité avec les outils d'extraction de données et d'automatisation (PyMuPDF, scripts de scraping) ainsi qu'une connaissance des principes de la microscopie (MEB/EDS) seraient un atout majeur. Le(la) candidat(e) devra faire preuve d’autonomie, de rigueur scientifique, d’un fort esprit d’analyse et d’un goût prononcé pour la recherche interdisciplinaire (IA appliquée à la construction durable).