Reconstruction tomographique par rayons X basée sur des méthodes analytiques et Deep-Learning
Le CEA-LIST développe la plateforme logicielle CIVA, référence de la simulation des procédés de contrôle non destructif. Elle propose notamment des outils pour l’inspection radiographique X et tomographique qui permettent, pour un contrôle tomographique donné, de simuler l’ensemble des projections radiographiques (ou sinogramme) en prenant en compte divers phénomènes physiques associés, ainsi que la reconstruction tomographique correspondante.
Le travail proposé s’intègre dans la contribution du laboratoire à un projet européen qui porte sur l’inspection tomographique de containers de transport de marchandise avec des systèmes d’inspection utilisant des sources de haute énergie. Les contraintes spatiales de l’étape d’acquisition des projections (les camions transportant les containers passent dans un portique d’inspection) impliquent une adaptation de la géométrie du système source/détecteur et par conséquent de l’algorithme de reconstruction correspondant. De plus, le système ne peut générer qu’un nombre de projections réduit, ce qui rend le problème mal posé dans le contexte de l’inversion.
Les contributions attendues portent sur deux aspects distincts de la méthodologie de reconstruction à partir des données acquises. D’une part, il s’agit d’adapter les méthodes de reconstruction analytiques à la géométrie d’acquisition spécifique de ce projet, et d’autre part de travailler sur des méthodes permettant de pallier le manque d’information lié au nombre limité de projections radiographiques. Dans cet objectif, des méthodes d’apprentissage supervisé, plus spécifiquement par Deep-Learning, seront utilisées à la fois pour compléter le sinogramme, et pour réduire les artéfacts de reconstruction causées par le faible nombre de projections disponible. Une contrainte d’adéquation aux données et au système d’acquisition sera également introduite afin de générer des projections physiquement cohérentes.
développement d'un jumeau numérique de procédés complexes
L’émergence actuelle des nouvelles technologies du numérique fait entrevoir de nouvelles perspectives à l’industrie. L'application de ces technologies à l’exploitation des procédés de vitrification pourrait permettre d’améliorer la connaissance des procédés, optimiser leurs exploitations, de former les opérateurs, d'aider à la maintenance prédictive et d'assister à la conduite du procédé.
L'objectif du projet SOSIE est de faire une première preuve de concept de mise en œuvre de technologies numériques dans le domaine des procédés de vitrification, en intégrant réalité virtuelle, réalité augmentée, IoT (Internet des Objets) et Intelligence Artificielle.
Ce projet, mené en collaboration, entre le CEA et la PME GAMBI-M, est un projet région type READYNOV. GAMBI-M est une entreprise spécialisée dans la reconstruction d’environnements complexes et en ingénierie numérique. Le travail sera réalisé en collaboration étroite avec les équipes du CEA qui développent les procédés de vitrification des déchets nucléaires.
Le projet consiste à développer un jumeau numérique de 2 procédés de vitrification, l'un à froid, l'autre en haute activité. Il sera question de développer un jumeau numérique visuel, grâce auquel l’utilisateur pourra visiter les cellules et accéder en tout point en virtuel. A partir de ce modèle reconstruit, un jumeau « augmenté » sera développé et sera connecté à l’automate de supervision. Enfin, la dernière étape consistera à développer « le jumeau intelligent » en exploitant les bases de données existantes sur le fonctionnement du procédé. En entrainant des algorithmes d’IA sur ces données, un modèle prédictif de fonctionnement nominal sera généré.
Des publications sont attendues sur la mise en œuvre des outils de réalité virtuelle et réalité augmentée sur des opérations en chaines blindées, ainsi que sur le développement de méthodes d’apprentissage profond pour l’assistance à la conduite de procédés aussi complexes.
Elaboration d’un espace d’action commun robot/humain
Ce post-doc a pour objectif d’établir par des méthodes d’intelligence artificielle (e.g. traitement du signal sur graphe), la cartographie d’une tâche industrielle réalisée par un opérateur humain, et acquises par des capteurs visuels, dans le but d’être interprétable et exploitable par un robot. Il s’inscrit dans un projet visant à concevoir un démonstrateur dans lequel un robot apprendra à reproduire par observation une tâche réalisée par un humain. La plateforme a été déployée au CEA Tech et est exploitée actuellement par un ingénieur.
L’objectif de ce post-doc consiste principalement à étudier et mettre au point un ensemble de méthodes permettant de construire une cartographie entre les actions réalisées par un opérateur humain et perçues au travers de capteurs visuels et les actions réalisées par le robot. Ces méthodes et les travaux des thèses afférentes devront ensuite être implémentées dans le démonstrateur afin de les tester expérimentalement.
De par le positionnement central du sujet de ce post-doc, sous le triple encadrement des équipes PACCE et IPI du LS2N et du CEA, vous serez amené à collaborer étroitement avec les deux doctorants déjà impliqué dans le projet. Vous devrez conceptualiser et formaliser les méthodes et représentations d’une part en synthétisant la littérature existante sur le sujet et d’autre part en établissant un cadre commun englobant les deux travaux de thèses.
Tâches d’assemblages industrielles robotisées de haute précision avec apprentissage par renforcement basé sur le transfert sim2real
La manipulation et l’assemblage robotique de haute précision pour saisir ou construire des objets est un enjeu majeur pour l’industrie. Cependant, la flexibilité et l’agilité des systèmes actuels sont encore trop limitées pour répondre efficacement aux besoins d’adaptation rapide à un nouvel environnement ou à une nouvelle production.
L’objectif de ce post-doc est de lever ce verrou en développant un outil qui permet de réaliser des tâches industrielles d’insertion fine de haute précision en se basant sur un apprentissage par renforcement basé sur le transfert sim2real.
Pour fixer le cadre, nous nous limitons dans cette étude aux tâches d’assemblage de produits industriels à partir de pièces dont on dispose de la CAO. On commencera par le World Robot Challenge avant de proposer une généralisation vers d’autre types de tâches d’assemblage proposées par des industriels automobiles et aéronautiques avec qui le CEA-LIST collabore actuellement.
Etude numérique basée sur la meta-modélisation de la propagation d’ondes ultrasonores dans des tuyauteries comportant des zones de corrosion
Le projet ANR PYRAMID (http://www.agence-nationale-recherche.fr/Projet-ANR-17-CE08-0046), a pour objectif de développer des techniques permettant de détecter et quantifier l’amincissement de paroi dû à la corrosion induite par un flux chargé en débris dans les systèmes de tuyauterie. Dans le cadre de ce projet qui implique des équipes Françaises et Japonaises, le CEA LIST développe des outils de simulation basés sur une approche éléments finis et dédiés à la modélisation de la diffraction d’ondes guidées ultrasonores par une zone de corrosion dans une canalisation coudée. Mises à disposition des partenaires, ces solutions supporteront la conception d’un procédé d’inspection par Transduction ElectroMagnétique-Acoustique (EMAT) au laboratoire vibrations-acoustique (LVA) de l’INSA Lyon. Pour cela, un atout différentiant reposera sur la capacité du CEA LIST à adapter des outils de méta-modélisation a ses modèles physiques pour autoriser une exploitation intensive de la simulation.
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.