Vous êtes ici : Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

9 juin 2022

Image segmentation of 3D woven composite materials with deep learning


Catégorie : Doctorant


 

Image segmentation of 3D woven composite materials with deep learning

Thèse CIFRE*

Contexte et enjeux

L’utilisation de plus en plus fréquente des matériaux composites tissés dans le secteur aéronautique témoigne de leurs excellentes propriétés spécifiques. Par exemple, la substitution des anciens matériaux des aubes de soufflante et carter par des composites tissés 3D a permis au moteur LEAP d’obtenir des gains de consommation significatifs par rapport à son prédécesseur, le CFM56. Ces composites sont obtenus avec un motif de tissage (arrangement de fils) spécialement conçu et optimisé pour atteindre les propriétés mécaniques exigées pour la sûreté de fonctionnement. Pour garantir la qualité et l’intégrité des pièces composites produites, Safran a développé des chaînes de traitement numérique pour modéliser et analyser leurs propriétés thermomécaniques et leur mise en forme.

Pour bien mener ces études numériques, il est nécessaire de développer des modèles numériques fiables de ces tissages. Une manière de les obtenir est d’acquérir des images tomographiques pour observer l’intérieur des pièces et faire appel à des outils de traitement d’images pour décrire leur géométrie 3D. Or, à ce jour, la quasi-totalité des méthodes ont été conçues pour des situations avec des régions d’intérêt relativement petites contenant seulement plusieurs dizaines de fils et peu de variabilité dans leurs formes et tailles. En effet, la plupart de ces méthodes se fondent sur des techniques de traitement d’images classiques (ex. tenseur de structure, descripteurs de texture). Alors, elles ne se révèlent pas suffisamment robustes pour des pièces pouvant contenir plusieurs milliers de fils, avec des tailles et orientations différentes ainsi que des densités locales variables selon leur position à l’intérieur de la pièce.

Objectif et démarche envisagée

L’objectif principal de ce sujet de thèse est le développement d’une nouvelle démarche pour l’extraction robuste des modèles textiles de grande taille, tout en garantissant la compatibilité entre la géométrie 3D extraite, celle observée dans l’image et celle attendue par conception (cf. motif de tissage initial).

Afin de répondre à ces objectifs, les méthodes proposées seront fondées sur une combinaison des techniques d’intelligence artificielle et de modèles déformables. L’intérêt de cette combinaison de stratégies est de profiter de la capacité des modèles déformables pour contraindre le problème grâce à l’utilisation d’un modèle initial (cf. tissage initial attendu) et également de profiter de la capacité des réseaux de neurones pour identifier des relations entre les différentes régions de l’image et du modèle (ex. identifier la signature image correspondant à une disposition de fils donnée). Un volet intéressant à considérer est le recours à des connaissances mécaniques sur le comportement des fils pour contraindre la déformation du modèle général (cf. obtention d’un modèle physiquement admissible). Il est envisageable de développer des architectures inspirées des réseaux de neurones de graphes capables de gérer simultanément une image volumique et un modèle textile avec un système de dialogue entre le modèle de segmentation local et le modèle textile global. Une manière possible d’obtenir une telle architecture end-to-end qui résoudrait ce problème serait d'utiliser des modèles d'apprentissage basés sur la physique (physics-informed models).

Profil du candidat

Titulaire d'un diplôme d'ingénieur ou d'un master équivalent en mathématiques appliquées ou similaire, si possible dans le domaine de l’intelligence artificielle et/ou l’apprentissage automatique appliqués au traitement d’images. Des compétences en développement logiciel pour mettre en œuvre les modèles d’apprentissage (ex. PyTorch, scikit-learn, etc.) sont aussi hautement désirables. Des connaissances complémentaires en mécanique expérimentale ou sciences des matériaux seraient appréciées.

 

Encadrement de thèse

-Hugues TalbotCVN / CentraleSupélec91190 Gif-sur-Yvette

-Stéphane RouxLMPS / ENS Paris-Saclay91190 Gif-sur-Yvette

-Yanneck WielhorskiSafran Aircraft Engines77550 Moissy-Cramayel

-Arturo MendozaSafran Tech78117 Châteaufort

 

Pour candidater, veuillez contacter : arturo.mendoza-quispe@safrangroup.com

 

Références

Y. Wielhorski, A. Mendoza, M. Rubino and S. Roux, Numerical modeling of 3D woven composite reinforcements: A review, in Composites Part A (2022) 10.1016/j.compositesa.2021.106729

A. Mendoza, R. Trullo, Y. Wielhorski, Descriptive modeling of textiles using FE simulations and deep learning, in Composites Science and Technology (2021) 10.1016/j.compscitech.2021.108897

J. Bénézech, G. Couégnat, Variational segmentation of textile composite preforms from X-ray computed tomography, in Composite Structures (2019) 10.1016/j.compstruct.2019.111496

A. Allred, L. J. Abbott, A. Doostan, K. Maute, Automated processing of X-ray computed tomography images via panoptic segmentation for modeling woven composite textiles, retrieved from arXiv (2022) arXiv:2202.01265

 

 

* Sous réserve d’acceptation par l’ANRT

 

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2022.