Apprentissage profond informé par la physique pour le contrôle non destructif // Physics informed deep learning for non-destructive testing
ABG-132789 | Sujet de Thèse | |
05/07/2025 | Financement public/privé |
CEA Paris-Saclay Laboratoire Instrumentation Intelligente, Distribuée et Embarquée
Saclay
Apprentissage profond informé par la physique pour le contrôle non destructif // Physics informed deep learning for non-destructive testing
- Numérique
Mathématiques - Analyse numérique - Simulation / Sciences pour l’ingénieur / Instrumentation / Sciences pour l’ingénieur
Description du sujet
Ce projet de thèse s’inscrit dans le domaine du contrôle non destructif (CND), un ensemble de techniques qui permettent de détecter des défauts dans des structures (câbles, matériaux, composants) sans les endommager. Le diagnostic repose sur des mesures physiques (réflectométrie, ultrasons…), dont l’interprétation nécessite de résoudre des problèmes inverses souvent mal posés.
Les approches classiques par algorithmes itératifs sont précises mais coûteuses en calcul et difficiles à embarquer pour un traitement proche du capteur. Le travail proposé vise à dépasser ces limites en explorant des approches de deep learning informé par la physique notamment :
* des réseaux neuronaux inspirés des algorithmes classiques (méthode d’unrolling),
* des PINNs (Physics-Informed Neural Networks) qui intègrent directement les lois physiques dans l’apprentissage,
* des modèles différentiables simulant la mesure (réflectométrie notamment).
L’objectif est de développer des modèles profonds interprétables dans un cadre modulaire pour le CND, capables de fonctionner sur des systèmes embarqués. Le cas d’étude principal concernera les câbles électriques (TDR/FDR), avec une ouverture possible vers d'autres modalités comme les ultrasons. Cette thèse combine optimisation, apprentissage et modélisation physique, et s'adresse à un profil motivé par l’interdisciplinarité entre sciences de l’ingénieur, mathématiques appliquées et intelligence artificielle.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
This PhD project lies within the field of Non-Destructive Testing (NDT), which encompasses a range of techniques used to detect defects in structures (cables, materials, components) without causing any damage. Diagnostics rely on physical measurements (e.g., reflectometry, ultrasound), whose interpretation requires solving inverse problems, which are often ill-posed.
Classical approaches based on iterative algorithms are accurate but computationally expensive, and difficult to embed for near-sensor, real-time analysis. The proposed research aims to overcome these limitations by exploring physics-informed deep learning approaches, in particular:
* Neural networks inspired by traditional iterative algorithms (algorithm unrolling),
* PINNs (Physics-Informed Neural Networks) that incorporate physical laws directly into the learning process,
* Differentiable models that simulate physical measurements (especially reflectometry).
The goal is to develop interpretable deep models in a modular framework for NDT, that can run on embedded systems. The main case study will focus on electrical cables (TDR/FDR), with possible extensions to other NDT modalities such as ultrasound. The thesis combines optimization, learning, and physical modeling, and is intended for a candidate interested in interdisciplinary research across engineering sciences, applied mathematics, and artificial intelligence.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département d’Instrumentation Numérique
Service : Service Monitoring, Contrôle et Diagnostic
Laboratoire : Laboratoire Instrumentation Intelligente, Distribuée et Embarquée
Date de début souhaitée : 01-11-2025
Ecole doctorale : Sciences et Technologies de l’Information et de la Communication (STIC)
Directeur de thèse : GOUY-PAILLER Cédric
Organisme : CEA
Laboratoire : DRT/DIN//LIIDE
URL : https://www.linkedin.com/in/ngole-mboula/
Les approches classiques par algorithmes itératifs sont précises mais coûteuses en calcul et difficiles à embarquer pour un traitement proche du capteur. Le travail proposé vise à dépasser ces limites en explorant des approches de deep learning informé par la physique notamment :
* des réseaux neuronaux inspirés des algorithmes classiques (méthode d’unrolling),
* des PINNs (Physics-Informed Neural Networks) qui intègrent directement les lois physiques dans l’apprentissage,
* des modèles différentiables simulant la mesure (réflectométrie notamment).
L’objectif est de développer des modèles profonds interprétables dans un cadre modulaire pour le CND, capables de fonctionner sur des systèmes embarqués. Le cas d’étude principal concernera les câbles électriques (TDR/FDR), avec une ouverture possible vers d'autres modalités comme les ultrasons. Cette thèse combine optimisation, apprentissage et modélisation physique, et s'adresse à un profil motivé par l’interdisciplinarité entre sciences de l’ingénieur, mathématiques appliquées et intelligence artificielle.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
This PhD project lies within the field of Non-Destructive Testing (NDT), which encompasses a range of techniques used to detect defects in structures (cables, materials, components) without causing any damage. Diagnostics rely on physical measurements (e.g., reflectometry, ultrasound), whose interpretation requires solving inverse problems, which are often ill-posed.
Classical approaches based on iterative algorithms are accurate but computationally expensive, and difficult to embed for near-sensor, real-time analysis. The proposed research aims to overcome these limitations by exploring physics-informed deep learning approaches, in particular:
* Neural networks inspired by traditional iterative algorithms (algorithm unrolling),
* PINNs (Physics-Informed Neural Networks) that incorporate physical laws directly into the learning process,
* Differentiable models that simulate physical measurements (especially reflectometry).
The goal is to develop interpretable deep models in a modular framework for NDT, that can run on embedded systems. The main case study will focus on electrical cables (TDR/FDR), with possible extensions to other NDT modalities such as ultrasound. The thesis combines optimization, learning, and physical modeling, and is intended for a candidate interested in interdisciplinary research across engineering sciences, applied mathematics, and artificial intelligence.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département d’Instrumentation Numérique
Service : Service Monitoring, Contrôle et Diagnostic
Laboratoire : Laboratoire Instrumentation Intelligente, Distribuée et Embarquée
Date de début souhaitée : 01-11-2025
Ecole doctorale : Sciences et Technologies de l’Information et de la Communication (STIC)
Directeur de thèse : GOUY-PAILLER Cédric
Organisme : CEA
Laboratoire : DRT/DIN//LIIDE
URL : https://www.linkedin.com/in/ngole-mboula/
Nature du financement
Financement public/privé
Précisions sur le financement
Présentation établissement et labo d'accueil
CEA Paris-Saclay Laboratoire Instrumentation Intelligente, Distribuée et Embarquée
Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département d’Instrumentation Numérique
Service : Service Monitoring, Contrôle et Diagnostic
Profil du candidat
Master 2/Diplôme d'ingénieur en mathématiques appliquées/sciences des données
Postuler
Fermer
Vous avez déjà un compte ?
Nouvel utilisateur ?
Besoin d'informations sur l'ABG ?
Vous souhaitez recevoir nos infolettres ?
Découvrez nos adhérents
Généthon
TotalEnergies
Groupe AFNOR - Association française de normalisation
ONERA - The French Aerospace Lab
CASDEN
Nokia Bell Labs France
ADEME
MabDesign
Institut Sup'biotech de Paris
PhDOOC
ANRT
SUEZ
Aérocentre, Pôle d'excellence régional
Laboratoire National de Métrologie et d'Essais - LNE
CESI
ASNR - Autorité de sûreté nucléaire et de radioprotection - Siège
MabDesign
Tecknowmetrix
Ifremer