Application d'une méthode de filtrage pour l'estimation de paramètres de conditions de transmission effectives à partir de données ultrasonores
Dans un travail de thèse récemment abouti, une stratégie de filtrage combinant à la fois les itérations d'une méthode de descente de type Levemberg-Marquardt avec une approche par filtrage de Kalman sans gradient a été mise au point. De premières évaluations de l'algorithme ont été menées à bien afin de reconstruire la pré-déformation d'une géométrie de plaque à partir de données ultrasonores de type ondes guidées. Dans ce contexte, l'objectif principal du travail proposé est d'une part de consolider les connaissances et la mise-en-œuvre de l'approche proposée, et de confirmer son efficacité et son intérêt dans d'autres configurations de CND par ultrasons. Un cas d'application d'intérêt particulier dans le cadre de ce travail sera la reconstruction des paramètres de Conditions de Transmission Effectives (CTEs) pouvant typiquement représenter : un défaut de délaminage entre deux couches d'un matériaux composite, un collage imparfait entre un capteur ultrasonore et la pièce inspectée, ou encore une interface présentant une rugosité de dimensions caractéristiques inférieures à la longueur d'onde minimale utilisée pour le contrôle. Dans les cas pratiques industriels, les paramètres de ces CTEs sont difficiles à obtenir. Ainsi, l'intérêt de mettre en place un procédé de filtrage est d'offrir, dans les cas complexes, une calibration automatique des paramètres effectifs de ces modèles.
Méthodes de reconstruction avancées pour la cryo-tomographie électronique appliquée à des échantillons biologiques
La Cryo-tomographie électronique (CET) est une technique puissante pour l'analyse structurelle en 3D d'échantillons biologiques dans leur état quasi naturel. Au cours de la dernière décennie, CET a connu des avancées remarquables en matière d'instrumentation, mais la rétroprojection filtrée (FBP) reste la méthode de reconstruction standard pour CET. En raison des dommages causés par les radiations et de la plage d'inclinaison limitée du microscope, les reconstructions FBP souffrent d'un faible contraste et d'artefacts d'élongation, connus sous le nom d'artefacts de « missing wedge » (MW). Récemment, les approches itératives ont suscité un regain d'intérêt pour améliorer la qualité et donc l'interprétabilité des reconstructions CET.
Dans ce projet, nous proposons d'aller au-delà de l'état de l'art en matière de CET en (1) appliquant des algorithmes de compresse sensing (CS) basés sur les curvelets et les shearlets, et (2) en explorant des approches d'apprentissage profond (DL) dans le but de débruiter et corriger les artefacts liés au MW. Ces approches ont le potentiel d'améliorer la résolution des reconstructions TEC et donc de faciliter les tâches de segmentation.
Le candidat réalisera une étude comparative des algorithmes itératifs utilisés dans les sciences de la vie et des approches CS et DL optimisées dans ce projet pour les structures curvilignes et les contours.
Application de modèles génératifs deep learning et développement de potentiel machine-learning pour le calcul de propriétés de transport atomique dans les oxydes mixtes uranium-plutonium désordonnés
Le machine learning (ML) est utilisé en science des matériaux pour améliorer les capacités de prédiction des modèles physiques. Les potentiels interatomiques ML (PIML), entraînés sur des calculs de structure électronique, sont des outils courants pour effectuer des simulations efficaces et physiquement précises. De plus, des modèles génératifs non supervisés sont actuellement explorés pour apprendre des distributions cachées d’une propriété et générer de nouvelles structures atomiques selon ces distributions. Cela est utile pour les solutions solides désordonnées, dont les propriétés dépendent de la distribution des espèces chimiques dans le réseau cristallin. Ici, le nombre de configurations atomiques est si grand qu’un échantillonnage exhaustif dépasse largement les capacités des méthodes conventionnelles. C’est le cas par exemple des oxydes mixtes U-Pu (MOX) ciblant la réduction du volume et de la radiotoxicité des déchets.
Ce projet vise à combiner les PIML et les méthodes génératives pour étudier les propriétés de transport atomique dans les MOX. Le/La candidat·e utilisera nos outils génératifs pour générer des configurations atomiques représentatives et construire une base de données ab initio. Il/elle utilisera cette base de données d’entraînement pour développer un nouveau PIML pour les MOX, en s’appuyant sur l’expérience acquise lors du développement de PIML pour les oxydes UO2 et PuO2. Enfin, il/elle appliquera le PIML pour calculer les coefficients de diffusion atomique, qui sont des données cruciales pour prédire l’évolution de la microstructure sous irradiation et le comportement dans le réacteur.
Le travail sera réalisé au Département d’Études des Combustibles (IRESNE, CEA Cadarache), dans un laboratoire ayant un haut niveau d’expertise en modélisation des matériaux, en étroite collaboration avec d’autres équipes du CEA expertes de méthodes ML. Les résultats seront valorisés via des publications et la participation à des congrès internationaux
Design Optimal des systèmes solaires hybrides pour procédés industriels
Les procédés industriels utilisent de la chaleur dans la plage de température 50-1500°C et la chaleur représente environ 70% de la consommation d'énergie dans l'industrie. La consommation de chaleur dans l'industrie est généralement classée en trois domaines de température : basse (400°C), pouvant être adressés par différentes technologies de capteurs solaires. Les technologies solaires à concentration sont nécessaires lorsqu’il s’agit de produire de la chaleur solaire à T>150°C. La question centrale de l'intégration de la chaleur solaire dans les procédés industriels est abordée dans le projet SHIP4D (Programme PEPR SPLEEN). Dans le cadre de ce postdoc, le travail portera sur le design optimal des systèmes solaires hybrides pour procédés industriels. Pour ce faire, le code interne PERSEE sera développé pour pouvoir répondre aux problématiques d'intégration optimale des technologies solaires thermiques et photovoltaïques pour la production de chaleur et d'électricité sur les sites ou parcs industriels. Les travaux réalisés serviront également de base pour le projet européen INDHEAP (Optimal Solar Systems for Industrial Heat and Power), coordonné par le CEA, et démarré en janvier 2024.
Développement d’algorithmes d’optimisation énergétique à faible impact environnemental
La demande croissante en énergie, associée à l'urgence de réduire les impacts environnementaux, nécessite des solutions innovantes en gestion énergétique. Ce projet de recherche post-doctoral s’inscrit dans ce cadre avec pour objectif d’évaluer comment la gestion intelligente d'un système énergétique peut réduire son impact environnemental. Le projet vise ainsi techniquement à modéliser un système complexe et à développer des algorithmes avancés de gestion énergétique prenant en compte l’ensemble des critères environnementaux. Ce projet doit donc utiliser une approche innovante et multidisciplinaire en intégrant l’Analyse du cycle de vie des technologies dans un système de gestion énergétique (EMS).
Le projet s'appuiera sur la plateforme TOTEM, smart grid connectant une production photovoltaïque, un bâtiment tertiaire, des stations de recharge électriques / hydrogène, ainsi qu’un stockage d’énergie sous forme de batteries et d’hydrogène gazeux. Les activités se concentreront donc sur le développement d’algorithmes avancés pour l’EMS de TOTEM qui doivent non seulement améliorer l'efficacité énergétique en fonction des usages mais également prendre en compte les critères des ACV. Ceci dans l’objectif d’obtenir une gestion intelligente d’un système énergétique complet et in fine minimiser les empreintes carbone et autres conséquences environnementales.
Le déploiement et le test des algorithmes au sein de la plateforme TOTEM permettra d’obtenir une solution réaliste qui pourra être améliorée en la testant sur d’autres applicatifs.
Amélioration et extension d’un modèle de champ de phase pour la simulation 3D de phénomènes d’importance dans le comportement des batteries lithium-ions
Que ce soit pour l’optimisation du temps de charge des batteries de générations actuelles ou l’augmentation de la densité de puissance pour les générations futures, l’étude du comportement des matériaux est crucial pour maîtriser les mécanismes de lithiation des matériaux d’intercalations (ex graphite) et les mécanismes de « stripping/plating » du lithium métal. Dans ce contexte, le recours à des simulations numériques par champ de phase est en plein essor; ces méthodes se prêtant à la modélisation de phénomènes dynamiques pour des systèmes multiphasiques et multiconstituants.
Récemment, un module de champ de phase 2D de TrioCFD (logiciel libre développé au CEA basé sur la plateforme TRUST) a été généralisé à un nombre arbitraire de constituants ou de phases. Ce projet post-doctoral vise à améliorer et à étendre ce module de TrioCFD à des simulations 3D performantes dans un environnement de calcul parallèle distribué. L’objectif est d’utiliser ce module pour simuler les comportements physiques d’intérêt 3D des matériaux de batteries lithium-ions susmentionnées. On s’appuiera sur des travaux champ de phase 2D récents qui ont permis d’apporter un certain nombre de réponses originales et pertinentes à ces problématiques. Le passage à des simulations 3D permettra d’offrir des perspectives scientifiques essentielles pour ces applications.
Ce travail sera réalisé dans le cadre d’une collaboration entre plusieurs équipes du CEA des centres de Cadarache, Grenoble et Saclay, réunissant des expertises variées (comportement des batteries lithium-ions, méthode de champ de phase, environnement logiciel TrioCFD et méthodes numériques).
Modélisation du bruit de charge dans les qubits de spin
Grace à de forts partenariats entre plusieurs instituts de recherche, Grenoble est pionnière dans le développement de futurs technologies à base de qubits de spin utilisant des procédés de fabrication identiques à ceux utilisés dans l’industrie de la microélectronique silicium. Le spin d’un qubit est souvent manipulé avec des signaux électriques alternatifs (AC) grâce à divers mécanismes de couplage spin-orbite (SOC) qui le couplent à des champs électriques. Cela le rend également sensible aux fluctuations de l'environnement électrique du qubit, ce qui peut entraîner une grande variabilité de qubit à qubit et du bruit de charge. Le bruit de charge dans les dispositifs à qubits de spin provient potentiellement d'événements de chargement/déchargement au sein des matériaux amorphes et défectueux (SiO2, Si3N4…) et des interfaces des dispositifs. L'objectif de ce postdoc est d'améliorer la compréhension du bruit de charge dans les dispositifs à qubits de spin grâce à des simulations à différentes échelles. Ce travail de recherche se fera à l’aide de méthode de type ab initio et également grâce à l’utilisation du code TB_Sim, développé au sein de l’institut CEA-IRIG. Ce dernier est capable de décrire des structures de qubits très réalistes en utilisant des modèles de liaison forte atomique et multi-bandes k.p.
détection d’événements répétitifs et application à la crise sismique turque de février 2023
La technique de corrélation, ou template matching, appliquée à la détection et l’analyse des événements sismiques a démontré sa performance et son utilité dans la chaîne de traitements du Centre National de Données du CEA/DAM. Malheureusement, cette méthode souffre en contrepartie de limitations qui bride son efficacité et son utilisation dans l’environnement opérationnel, liées d’une part au coût calcul d’un traitement massif des données, et d’autre part au taux de fausses détections que pourrait engendrer un traitement bas niveau. L’utilisation de méthodes de dé-bruitage en amont du traitement (exemple : deepDenoiser, par Zhu et al., 2020), pourrait de surcroît accroître le nombre de détections erronées. La première partie du projet de recherche consiste à fournir une méthodologie visant à améliorer les performances en temps de traitement du détecteur de multiplets, en faisant notamment appel aux techniques d’indexation de l’information élaborées en collaboration avec le LIPADE (méthode L-MESSI, Botao Peng, Panagiota Fatourou, Themis Palpanas. Fast Data Series Indexing for In-Memory Data. International Journal on Very Large Data Bases (VLDBJ) 2021). La seconde partie du projet porte sur le développement d’un outil de « filtrage » des fausses détections de type auto-encodeur construit par apprentissage statistique. La crise sismique Syrie-Turquie de février 2023, dominée par deux séismes de magnitude supérieure à 7,0, servira de base de données d’apprentissage pour cette étude.
Optimisation d’une approche métrologique pour l’identification de radionucléides basée sur le démélange spectral
Le Laboratoire national Henri Becquerel (LNE-LNHB) situé au CEA/Saclay est le laboratoire responsable des références françaises dans le domaine des rayonnements ionisants. Depuis quelques années, il est impliqué dans le développement d’un outil d’analyse automatique des spectres gamma à faible statistique fondé sur la technique du démélange spectral. Cette approche permet notamment de répondre aux contraintes métrologiques telles que la robustesse de la prise de décision et l’estimation non biaisée des comptages associés aux radionucléides identifiés. Pour étendre cette technique à la mesure de terrain et en particulier à la déformation des spectres due aux interactions dans l’environnement d’une source radioactive, un modèle hybride de démélange spectral combinant des méthodes d’apprentissages statistique et automatique est en cours de développement. Cette solution mathématique a pour but l’implémentation d’une estimation conjointe des spectres mesurés et des comptages associés aux radionucléides identifiés. L’étape suivante sera la quantification des incertitudes des grandeurs estimées à partir du modèle hybride. L’objectif est également d’investiguer la technique du démélange spectral dans le cas de la détection des neutrons avec un détecteur NaIL. Le futur candidat contribuera à ces différentes études dans le cadre d’une collaboration avec le Laboratoire d’ingénierie logicielle pour les applications scientifiques (CEA/DRF).
Développement d'Algorithmes pour la Détection et la Quantification de Biomarqueurs à partir de Voltammogrammes
L'objectif du post-doctorat est de développer une solution algorithmique et logicielle performante permettant la détection et la quantification des biomarqueurs d'intérêt à partir de voltammogrammes. Ces voltammogrammes sont des signaux unidimensionnels issus de capteurs électrochimiques innovants. L'étude sera réalisée en étroite collaboration avec un autre laboratoire du CEA-LIST, le LIST/DIN/SIMRI/LCIM, qui proposera des capteurs électrochimiques dédiés et novateurs, ainsi qu'avec la start-up USENSE, qui développe un dispositif médical permettant la mesure de plusieurs biomarqueurs dans l'urine.