Détection précoce du colmatage des buses Cold Spray par approche hybride physique–données

Le laboratoire LIST3N (Laboratoire Informatique et Société Numérique) est une unité de recherche de l'Université de Technologie de Troyes (UTT). Ses travaux couvrent notamment les mathématiques appliquées, la science des données, l'intelligence artificielle, l'optimisation et l'aide à la décision. Le stage sera réalisé au sein de l'axe MSAD (Modélisation Stochastique, Apprentissage et Décision), dans un environnement de recherche dynamique associant développements méthodologiques et applications industrielles.

Le stage est proposé au sein du laboratoire LIST3N (axe MSAD), dont les recherches portent sur la modélisation stochastique, l'apprentissage, l'optimisation et la décision à partir de données et de signaux.

Le projet s'inscrit dans une collaboration avec le CRITT TJFU, spécialiste des procédés par jets fluides et du Cold Spray. Cette technologie permet le dépôt de poudres métalliques à grande vitesse pour la réparation ou la fonctionnalisation de pièces industrielles. Cependant, la dégradation progressive des buses, notamment par colmatage, limite la robustesse du procédé.

Des travaux exploratoires ont montré l'intérêt des données issues de capteurs, en particulier acoustiques, mais également les difficultés liées à la rareté des données et au manque de labels détaillés.

L'objectif du stage est de développer une preuve de concept d'approche hybride guidée par la physique afin d'estimer l'état de santé d'une buse et détecter précocement les dérives menant au colmatage.

Étudiant(e) en Master 2 ou dernière année d'école d'ingénieur en mathématiques appliquées, statistique, science des données, intelligence artificielle ou informatique. Le candidat devra posséder de solides bases en probabilités, statistique et modélisation, ainsi qu'un bon niveau en programmation scientifique (Python). Un intérêt pour les séries temporelles, le machine learning, le traitement du signal et les approches hybrides combinant modèles physiques et données sera particulièrement apprécié. Autonomie, rigueur scientifique, curiosité et capacité à travailler à l'interface entre recherche académique et problématiques industrielles sont attendues.