Thèse de Doctorat - Classification des signaux acoustiques créés lors de la déformation rapide de micro

Sujet de thèse :
Grâce au son (émission acoustique - EA), il est possible de détecter divers processus à l'échelle atomique (fracture, mouvement des défauts, transformation de la structure) dans un matériau au cours de sa déformation. Mais pouvons-nous catégoriser les différents types de ces processus par le son ? Peut-on également prédire la structure cristalline elle-même par le son induit et anticiper la micro-déformation, voire extrapoler le comportement d'autres matériaux ? L'objectif du projet est d'utiliser l'intelligence artificielle (‘machine learning’, ML) pour classer les signaux d'EA provenant d'échantillons microscopiques capturés pendant la déformation. CASCADE-RAPIDE utilisera des expériences micromécaniques pour étudier systématiquement les propriétés des signaux d'EA dans diverses conditions. Des algorithmes ML et des tests de perception seront utilisés pour analyser et classer les données expérimentales.
Contexte :
L'objectif du projet de doctorat est d'étudier les vitesses de déformation extrêmes, d'analyser les signaux expérimentaux d'EA sur la base des propriétés des ondes par ML, et de fournir des informations sur les mécanismes de déformation rapide à petite échelle. Pour atteindre cet objectif, CASCADE-RAPIDE utilisera un dispositif in situ unique, qui associe les essais micromécaniques et la détection des signaux d'EA à un large régime de vitesse de déformation (plus de 8 ordres de grandeur). Ce dispositif fonctionne à l'intérieur d'un microscope électronique à balayage (MEB), où la surface et la microstructure des petits piliers peuvent être observées pendant la déformation. Les données d’ EA collectées seront traitées par des algorithmes ML avancés et des tests de perception humaine pour la classification. Le projet implique une collaboration avec ELTE Budapest (P. D. Ispánovity) et JUNIA Lille (A. Paté).

Résumé des travaux:
1. Des essais de compression seront réalisés sur des micropiliers fabriqué par ‘focused ion beam’ (FIB) à différentes vitesses de déformation, mesurées sur différents matériaux.
2. Des techniques d'intelligence artificielle seront employées pour apprendre les dépendances à long terme dans le domaine temporel et à la lumière des informations sur la déformation.
3. Application de tests de perception humaine pour classer les signaux d'EA.

L'équipe d'encadrement : Les expériences seront réalisées au LGF CNRS (Mines Saint Etienne) sous la direction de Szilvia Kalacska et Guillaume Kermouche. Les travaux d'usinage par FIB seront réalisés dans les locaux de Manutech-USD (St. Etienne). La partie ML sera réalisée à Cergy-Pontoise sous la supervision d'Alexandre Pitti et Péter D. Ispánovity.

L'institution d'accueil : The Les groupes de recherche du LGF (SURF et PMM) sont des experts dans les domaines de la métallurgie, de la mécanique des matériaux et de la fonctionnalité des surfaces (par exemple contre la corrosion). Ils se consacrent à la conception
Voir plus sur le site emploi.cnrs.fr...