Suivez

la liste

Récemment, le concept de méthode hybride (combinant données et modèles) a connu une popularité croissante dans la surveillance et le contrôle des processus. L'idée fondamentale est d'utiliser un modèle de simulation pour superviser le processus d'apprentissage. Le principal défi consiste à adapter le modèle de prédiction de la qualité aux données expérimentales disponibles. Les procédés de fabrication de composites tels que le préformage et le thermoformage sont sujets à la variabilité liée à l'équipement ainsi qu'aux matériaux. Des défauts apparaissent malgré les efforts de contrôle en amont sur l'approvisionnement en matières premières et le suivi (PHM) des équipements de transformation (fours, presses, outils). Ces défauts sont la conséquence d'un couplage de plusieurs facteurs liés au matériau et aux phénomènes physiques impliqués dans le procédé. Les simulations numériques traditionnelles basées sur des méthodes de type éléments finis des procédés sont coûteuses et prennent beaucoup de temps. Grâce aux méthodes d'apprentissage récentes, les données collectées deviennent une source d'information potentiellement précieuse qui peut être utilisée pour surveiller les procédés, détecter les défauts de production et identifier les causes à l'origine de ceux-ci afin de réduire la non-qualité en production.

Les objectifs de cette thèse sont de proposer scientifiquement :

  • un cadre méthodologique original (collecte de données et algorithmique)
  • le développement d'une modélisation hybride basée sur des données limitées et la construction d'un « soft model »

et industriellement :

  • le suivi d'un processus et l'analyse prédictive de la qualité des pièces produites (défaut ou non défaut).

Le doctorant travaillera dans un environnement multidisciplinaire qui associe conjointement l’IRT Jules Vernes ainsi que le Laboratoire en Génie Civil et Mécanique (GEM). Il sera amené́ à dialoguer avec différents partenaires industriels, notamment ceux impliqués dans l’IRT Jules Verne.