Approche multi-échelle pour la propagation des ultrasons en milieux multi-diffusifs inhomogènes
Les ondes ultrasonores sont fortement influencées par la microstructure des matériaux, ce qui entraîne atténuation, dispersion, et bruit. La modélisation de ces effets est essentielle, notamment pour le contrôle non destructif, où ils peuvent soit gêner la détection de défauts, soit fournir des informations sur le matériau. Des modèles analytiques et numériques permettent de mieux prédire et interpréter ces phénomènes. Des propriétés statistiques homogènes sont généralement supposées. En pratique, les microstructures présentent souvent des variations spatiales importantes, liées par exemple aux procédés de fabrication. Selon l’échelle de ces variations par rapport à la longueur d’onde, elles peuvent induire des changements abrupts ou progressifs de propriétés effectives. Cette thèse vise à établir un cadre théorique intégrant à la fois l’aléa microstructural et ses variations spatiales, afin de proposer des stratégies de simulation pertinentes selon les échelles considérées. L’approche sera d’abord développée en 1D, puis étendue aux cas 2D et 3D en s’appuyant sur des outils développés au laboratoire, avec des validations numériques et éventuellement expérimentales.
Prédiction des effets de dispersion d’ondes élastiques par un modèle semi-analytique sous approximation hautes fréquences
Les méthodes d’inspection ultrasonores (UT) sont une composante essentielle des contrôles non-destructifs (CND). Elles sont couramment employées pour l’inspection de composants mécaniques tels que les soudures (nucléaire, pétrochimie) ou les structures en matériau composite (aéronautique). Afin de comprendre les phénomènes physiques en jeu pour une configuration donnée, la simulation est un atout et parfois une étape incontournable pour la mise en place du procédé d’inspection. Les approches de modélisation se répartissent en deux grandes familles : les modèles purement numériques, basés sur les éléments finis (EF), et les méthodes semi-analytiques, dérivées d’approximations haute fréquence (HF) comme les rayons paraxiaux. Ces dernières, bien que privilégiées pour leur efficacité calculatoire, introduisent des simplifications pouvant altérer la précision quantitative des résultats, en particulier pour des phénomènes comme la dispersion (variation de la vitesse des ondes selon la fréquence), fréquents dans certains contextes industriels.
Ce projet de thèse vise à enrichir l’approche par rayons paraxiaux en y intégrant des modèles d’interfaces dispersives (interplis composites, couches de couplant), des milieux viscoélastiques dispersifs, ainsi qu’un modèle d’ondes guidées modales. L’ambition est de concevoir un outil de simulation capable de reproduire fidèlement des configurations de contrôle réalistes, améliorant ainsi la représentativité des résultats.
Monitoring de structure en environnement sévère : tomographie passive d’ondes élastiques par réseaux de Bragg sur fibre optique
L’utilisation de réseaux de Bragg sur fibre optique comme récepteur d’ondes élastiques guidées est étudiée depuis plusieurs années au LIST en tant que solution innovante pour le monitoring de structures soumises à des contraintes opérationnelles sévères.
Des progrès récents sur l’instrumentation opto-électronique dédiée à ce type de mesure ont permis de montrer la capacité de l’équipe de faire des mesures d’ondes élastiques à plus de 1000°C, et d’obtenir des degrés de multiplexage sur une même fibre optique qui offrent la possibilité de mettre en œuvre des algorithmes de tomographie par ondes élastiques guidées. Par ailleurs, un modèle de mesure d’ondes élastiques par réseaux de Bragg a récemment été développé. Ce modèle sera mis en œuvre afin d’adapter les algorithmes de tomographie, développés et éprouvés pour les capteurs piézoélectriques « standards », à la spécificité de la mesure Bragg.
Cette thèse pourra s’appuyer sur des campagnes expérimentales prévues dans des projets européens et des collaborations industrielles, qui permettront de mettre en œuvre en 2027/2028 ce type d’instrumentation sur des structures industrielles en conditions réelles (notamment des centrales nucléaires) ce qui offrira des données uniques à exploiter.
Le doctorant travaillera sur des aspects purement algorithmiques (adaptation des algorithmes de tomographie à la spécificité de la mesure Bragg, à la prise en compte de complexités géométriques sur structures industrielles réelles, problématique de calibration liées aux fortes températures / gradients de température) et à la réalisation de démonstrateurs au laboratoire. Il participera également au déploiement de la technologie sur sites industriels et à l’analyse des données.
Apprentissage multimodal distribué pour la localisation et la classification coopératives de sources acoustiques
Dans de nombreux environnements complexes, tels que les sites industriels, bâtiments sinistrés, espaces publics, il est nécessaire de détecter et localiser automatiquement des événements sonores (chutes, alarmes, voix, pannes mécaniques). Les plateformes mobiles équipés de caméras et de microphones constituent une solution prometteuse, mais une seule plateforme reste limité : son réseau de microphone donne une direction approximative vers la source, mais pas une position précise dans l'espace, et sa caméra peut être obstruée. Ce sujet propose d'étudier comment des multi-plateformes, chacune portant une unité audio-visuelle calibrée, peuvent collaborer pour localiser et classifier ces événements en 3D. Chaque plateforme analyse ses propres observations audio-visuelles et partage une estimation de la direction de la source avec ses voisines ; le réseau combine ensuite ces estimations pour reconstruire la position de l'événement et l'identifier. Les résultats attendus sont un système de localisation coopérative robuste aux occultations et aux défaillances partielles.
Développement d’une analyse automatique des spectres gamma à l’aide d’un algorithme hybride machine learning pour la caractérisation radiologique des installations nucléaires en cours de démantèlement.
L’application de la spectrométrie gamma à la caractérisation radiologique dans le cadre du démantèlement des installations nucléaires, nécessite le développement d’algorithmes spécifiques pour l’analyse automatique des spectres. En particulier, la classification des déchets en béton, suivant leur niveau de contamination, représente un enjeu crucial pour le contrôle du coût de démantèlement.
Au sein du CEA/List, le LNHB en collaboration avec le CEA/DEDIP, est impliqué depuis quelques années dans le développement d’outils d’analyse automatique des spectres gamma à faible statistique, pouvant notamment être appliqués aux détecteurs scintillateurs (NaI(Tl), plastiques). Dans ce contexte, une approche originale fondée sur un algorithme hybride machine learning/statistique de démélange spectral, a été développée pour l’identification et la quantification de radionucléides en présence de fortes déformations du spectre mesuré, dues notamment aux interactions de l’émission gamma de la source radioactive avec son environnement.
Le sujet proposé fait suite aux travaux de thèse ayant permis le développement l’algorithme hybride dans le but d’étendre cette approche à la caractérisation radiologique des surfaces en béton. Le candidat sera impliqué dans l’évolution de l’algorithme hybride machine learning/statistique pour la caractérisation de béton pour le classement en déchets conventionnels. Le travail comprendra une étude de faisabilité de la modélisation des écarts du modèle appris pour optimiser la robustesse de la prise de décision.
Exploitation avancée des données de santé par de l'apprentissage collaboratif sécurisé
Depuis quelques années, l’apprentissage profond est utilisé avec succès dans de nombreux domaines et est de plus en plus intégré dans la recherche clinique et le domaine de la santé. La capacité à combiner des sources de données diverses, telles que la génomique et l’imagerie, améliore la prise de décision médicale. L’accès à de grands jeux de données hétérogènes est essentiel pour améliorer la qualité et la précision des modèles. L’apprentissage fédéré est actuellement développé pour répondre à cette exigence, en offrant la possibilité d’entraîner des modèles de manière décentralisée garantissant que les données brutes restent stockées localement du côté client (entité qui génère les données sensibles). Plusieurs frameworks open-source intègrent des protocoles de calcul sécurisé pour l’apprentissage fédéré, mais leur applicabilité au domaine de la santé demeure limitée et soulève des enjeux liés à la souveraineté des données.
Dans ce contexte, un framework français, actuellement développé par le CEA-LIST, introduit une architecture d’apprentissage fédéré edge-to-cloud intégrant un chiffrement de bout en bout, avec notamment le chiffrement homomorphe (Fully Homomorphic Encryption), et une résilience face aux attaques malveillantes. Grâce à ce framework, ce projet vise à fournir des composants modulaires et sécurisés pour l’apprentissage fédéré afin de favoriser l’innovation en IA appliquée au domaine de la santé et notamment à la génomique.
Ce projet se focalisera sur trois axes principaux :
1) Déploiement, surveillance et optimisation de modèles d’apprentissage profond au sein de solutions d’apprentissage fédéré et décentralisé.
2) Intégration de grands modèles dans l’apprentissage collaboratif.
3) Développement de méthodes d’agrégation pour des situations non IID (Independant and Identically Distributed).
Développement d'une méthode de dosimétrie 3D par gel destinée au contrôle qualité des plans de traitement de radiothérapie utilisant des faisceaux de particules chargées à ultra haut débit de dose (FLASH)
La radiothérapie FLASH à ultra haut débit de dose est l'une des innovations les plus prometteuses de la dernière décennie en radio-oncologie. Elle a non seulement le potentiel d'éradiquer les tumeurs radio-résistantes, mais en plus de réduire les effets secondaires indésirables, contribuant ainsi à la capacité d'augmenter le taux de guérison et une amélioration de la qualité de vie des patients. Toutefois, l'infrastructure dosimétrique est en retard avec cette avancée clinique et technologique, avec les dosimètres actuels qui ne sont plus adaptés et aucun de ceux en cours de développement ne faisant consensus.
Le gel dosimétrique à lecture optique développé au LNHB-MD (CEA Paris-Saclay) pourrait s’avérer un candidat prometteur car les mesures en faisceau de photons ont montré une réponse linéaire sur une large gamme de dose (0,25 - 10 Gy) ainsi qu’une indépendance en énergie (6 - 20 MV) et en débit de dose (1 - 6 Gy/min). De plus, ce dosimètre équivalent-eau à une capacité unique à fournir des mesures en trois dimensions à haute résolution spatiale (< 1 mm) avec une incertitude combinée associée d’environ 2% (k = 1). Cette méthode dosimétrique a été validée pour le contrôle qualité de plans de traitement de radiothérapie conventionnelle mais n’a jamais été testée en faisceaux FLASH.
Ce projet doctoral vise à mettre au point une méthode de dosimétrie 3D par gel adaptée pour la radiothérapie FLASH délivrée par faisceaux de particules chargées : (1) électrons à énergie conventionnelle (= 10 MeV), (2) électrons à très haute énergie (VHEE = 50 MeV), et (3) protons (= 100 MeV). Pour chacun de ces types de faisceaux, disponibles à l’Institut Curie à Orsay mais également à Gustave Roussy à Villejuif, la validation de la distribution de dose mesurée par gel sera réalisée par comparaison à des mesures avec d’autres dosimètres (e.g. diamant, alanine) et des simulations Monte Carlo.
Cette étude apportera une contribution significative à l’amélioration de la sécurité des patients, à l’optimisation de l’efficacité des traitements et à la future intégration de la radiothérapie FLASH en pratique clinique.