Développement d'une méthode innovante d’imagerie ultrasonore des champs de vitesse dans les écoulements derrières parois opaques
Aujourd’hui, les seules solutions sur le marché permettant de faire des mesures de champs 2D de vitesse sont des méthodes optiques basées sur des Lasers (telle que la vélocimétrie par imagerie de particules : PIV).
Celles-ci sont limitées par la nécessité d'un accès optique à l'écoulement et sont donc inapplicable sur les fluides opaques (tels que les métaux liquides) ou à travers les conduites opaques (telles que les conduites métalliques, majoritaires dans l’industrie).
Pour contourner cette limite et répondre à de nouveaux enjeux (en recherche et industrie) il est possible de se reposer sur des méthodes d’imagerie acoustiques.
Le LISM (Laboratoire d’Instrumentation du CEA Cadarache) travaille depuis quelques années au développement d’une méthode industrielle de PIV acoustique (ou écho-PIV).
Une première thèse a permis des avancées notables et le CEA envisage aujourd’hui la commercialisation d’échographes d’écho-PIV à travers un projet de start-up.
Cependant, certains verrous restent à lever et en particulier celui de l’imagerie à travers des parois à fortes rupture d’impédance acoustique.
Votre objectif principal sera de lever ces verrous. Cette mission s’articulera de la façon suivante :
- Etude bibliographique et prise en main de la méthode d’écho-PIV
- Étude numérique et développement d’une solution permettant de résoudre les problématiques de transmission d’énergie à travers la paroi métallique
- Validation expérimentale de détection de réflecteurs microscopiques à travers une paroi métallique
- Étude numérique et développement d’une solution au problème de réflexion multiple au sein de la paroi métallique, entrainant une mauvaise reconstruction de l’image finale
- Validation expérimentale de la solution aux problématiques de réflexions
- Adaptation de la méthode d’imagerie acoustique afin de résoudre en simultanée les problématiques de transmission et de réflexion
- Publication dans des revues scientifiques (et/ou brevets)
POST-DOC/CDD Reconstruction tomographique en rayons X basée sur des méthodes 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 donné, de simuler l’ensemble des radiographies en prenant en compte divers phénomènes physiques associés, ainsi que la reconstruction tomographique correspondante. Le CEA-LIST comporte par ailleurs une plateforme expérimentale pour l’inspection robotisée par tomographie à rayons X.
Le travail proposé s’intègre dans la contribution du laboratoire à une ANR bilatérale franco-allemande impliquant des partenaires académiques et industriels et portant sur l’inspection d’objets de grandes dimensions permise par la plateforme robotisée. Afin de pouvoir mener à bien la reconstruction 3D de l'objet, un nombre suffisant de radiographies doit être réalisé. Dans bien des situations, certains angles de vues ne peuvent pas être acquis en raison des dimensions de l'objet et/ou des limitations de mouvement des robots utilisés, entraînant une perte de qualité de la reconstruction 3D.
Les contributions attendues portent sur l’utilisation de méthodes de Deep-Learning, pour compléter les projections manquantes d’une part, et réduire les artéfacts de reconstruction d’autre part. Ce travail inclut des étapes basées sur CIVA que sont la constitution d’une base de données simulées et l’évaluation par mesure POD (Probability Of Detection).
Le(la) candidat(e) aura accès aux facilités du centre de recherche de Paris Saclay et sera amené(e) à valoriser ses résultats sous la forme de communications scientifiques (conférences internationales, publications).
Profil du candidat :
Docteur en traitement de données ou intelligence artificielle.
Anglais niveau courant (présentation orale, rédaction de publications scientifiques).
Une connaissance préalable de la physique des rayons X et des méthodes de reconstruction tomographique serait appréciée.
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.