Développement d’un jumeau numérique pour l’optimisation des systèmes de tri : hybridation modèles FEM et IA

Contexte :  
Dans le cadre de la chaire industrielle POMME d’API (Artificial & Physical Intelligences), l’optimisation des systèmes de tri optique pour les produits agricoles est un axe central pour limiter le gaspi alimentaire et pour assurer la souveraineté alimentaire en étant plus écologique. Le projet vise à développer un jumeau numérique (JN) pour simuler et améliorer les processus de détection, de classification et de tri au sein du système CROPVision de DOWNS. Ce jumeau numérique servira de plateforme pour tester, valider et optimiser les performances des algorithmes d’intelligence artificielle et des composants mécaniques associés.
Objectifs :
1.    Développement d’une modélisation physique du système réel :
     -    Créer une représentation géométrique et physique des composants du système de tri, tels que les convoyeurs, les dispositifs de détection et les mécanismes d’éjection.
     -    Intégrer les propriétés mécaniques et dynamiques des objets triés (formes, trajectoires, collisions).
2.    Simulation des interactions produit-système : o     Développer une simulation réaliste des interactions entre les objets à trier et le système, en prenant en compte des variables comme la vitesse, les frottements, et les contraintes géométriques.
3.    Validation et optimisation des algorithmes d’IA : o     Appliquer les algorithmes d’intelligence artificielle (vision par ordinateur, machine learning) dans des conditions variées (éclairage, variabilité des objets).
     -    Optimiser les réglages entre les systèmes mécaniques et les algorithmes IA pour améliorer la précision du tri.

Méthodologie :
1.    Modélisation numérique : o     Utiliser des outils de CAO et de simulation mécanique (ANSYS, Abaqus) pour modéliser le système.
     -    Implémenter une modélisation dynamique des objets triés.
2.    Développement du Jumeau Numérique : o     Intégrer les algorithmes d’IA (détection, classification) dans le modèle numérique.
     -    Tester la connectivité entre le modèle numérique et les données collectées en temps réel.
3.    Validation expérimentale :
     -  Comparer les résultats du JN avec des données issues de systèmes physiques pour valider sa précision.
     -    Ajuster les paramètres pour améliorer la fiabilité.

Résultats attendus :
-    Un modèle numérique fonctionnel du système CROP-Vision capable de simuler des scénarios de tri variés.
-    Des recommandations pour optimiser les paramètres des algorithmes IA et des composants mécaniques.
-    Une documentation technique sur le modèle développé et ses applications.
Compétences requises :
-    Connaissances en mécanique des solides et dynamique des systèmes.
-    Bases en simulation numérique (FEM, dynamique des corps rigides).
-    Programmation en Python ou MATLAB
-    Intérêt pour les applications de l’IA et de la vision par ordinateur.

Le LaMcube est une Unité Mixte de Recherche (UMR 9013 depuis 2020) entre le CNRS, l'Université de Lille et Centrale Lille, regroupant des enseignants-chercheurs et des chercheurs en mécanique et génie civil. Cette unité a été créée en janvier 2018.

L’ambition du LaMcube est de créer un continuum allant de l’élaboration des matériaux à la description des systèmes sous sollicitations, en passant par la prise en compte de l’évolution des matériaux et des structures avec ces sollicitations. La considération des échelles pertinentes au regard des applications considérées est un point essentiel de nos activités.

La transversalité, mise en œuvre grâce à la structure du LaMcube, agit comme un catalyseur à deux niveaux :

- La définition d’une stratégie d’élaboration matériau, à microstructure contrôlée, en lien avec une description microstructurale multimodale des matériaux (microtomographe ISIS4D, MEB, EBSD, DRX, …) et permettant d’accéder à des données précieuses pour l’identification de propriétés, la compréhension de mécanismes à l’échelle microstructurale et pour la modélisation multiéchelle.

- Le développement de méthodes transversales couplant mesures de champs cinématique ou thermique et l’identification par recalage inverse, pour le comportement des matériaux à différentes échelles mais aussi pour l’identification de sollicitations sur les composants ou sur le système mécanique (méthodologie agissant comme un capteur in-situ).

Le/la candidat/e, ayant un cursus informatique et/ou mécanique, doit avoir un goût prononcé pour les méthodes numériques et posséder des connaissances en mécanique. Il/elle devra aussi avoir la volonté de coupler des résultats de simulations à des résultats expérimentaux.