Résolutions de problèmes inverses par deep learning appliqués à l'interférométrie

CEA; Gramat; Sur place; EUR 30 000 - 50 000; Plein temps

Résumé du poste

Une thèse passionnante est proposée dans un environnement de recherche dynamique, axée sur l'application du deep learning à l'interférométrie. Le candidat aura l'opportunité d'explorer des phénomènes électromagnétiques complexes, en utilisant des approches innovantes pour améliorer l'analyse des résultats. Ce projet vise à développer des modèles de propagation des ondes et à concevoir des expériences pour valider ces modèles, contribuant ainsi à des avancées significatives dans le domaine de la métrologie. Rejoignez une équipe de recherche engagée et participez à des travaux qui pourraient transformer notre compréhension des matériaux innovants.

Qualifications

• Expérience en traitement du signal et en modélisation des phénomènes électromagnétiques.
• Compétences en deep learning et réseaux de neurones pour l'analyse des résultats.

Responsabilités

• Approfondir la compréhension des phénomènes de transmission d'ondes dans des matériaux soumis à choc.
• Concevoir des campagnes expérimentales pour valider les modèles développés.

Connaissances

Deep Learning

Traitement du signal

Métrologie

Réseaux de neurones

Formation

Doctorat en Génie Electrique

Master en Métrologie

Description du poste

Description du sujet de thèse

Domaine

Sciences pour l'ingénieur

Sujets de thèse

Résolutions de problèmes inverses par deep learning appliqués à l'interférométrie

Contrat

Thèse

Description de l'offre

Dans la continuité des travaux de thèse de Benoît Rougier et de Jérémi Mapas appliqués à l'interférométrie radiofréquence sur la compréhension de la propagation d'une onde électromagnétique à travers une onde de choc pour l'étude à cœur des propriétés de matériaux innovants, cette thèse vise à exploiter les signaux bruts du radio interféromètre pour déterminer simultanément la vitesse d'un choc et la vitesse matérielle dans des solides inertes ou énergétiques soumis à un choc soutenu ou non-soutenu. Un modèle de propagation des ondes millimétriques dans un milieu dissipatif présentant deux couches diélectriques séparées par des interfaces en mouvement a été élaboré pour adresser le cas du choc soutenu. Une résolution du problème inverse du modèle à deux couches avec pertes a été proposée avec l'apport du deep learning et des réseaux convolutifs. Un modèle multicouche sans pertes diélectriques a été également initié pour le cas du choc non soutenu.

L'exploitation des signaux bruts de l'interférométrie laser pour la mesure de vitesse d'interface fait également l'objet de nombreux travaux en traitement du signal avec par exemple l'utilisation de la transformée de Fourrier glissante, et/ou de la méthode des ondelettes. L'application du deep learning à l'interférométrie laser est recherchée pour permettre d'améliorer l'analyse des résultats. La synergie entre les deux approches métrologiques est un atout pour améliorer l'architecture des réseaux de neurone, notamment avec des méthodes d'apprentissage basées sur la modélisation des signaux bruts.

Objectif de la thèse

L'objectif consistera à approfondir la compréhension et la modélisation des phénomènes de transmission et de réflexion d'une onde électromagnétique se propageant dans un matériau soumis à un choc, à améliorer le travail d'inversion du modèle de propagation à partir de réseaux de neurones afin de pouvoir extraire de manière plus précise la vitesse de choc, la vitesse matérielle et l'indice de réfraction choqué du signal rétrodiffusé dans le matériau et enfin de concevoir des campagnes expérimentales afin d'acquérir des données nous permettant de valider les différents modèles développés.

Université / école doctorale

Génie Electrique - Electronique - Télécommunications (GEET)
Toulouse III

Localisation du sujet de thèse

Site

Gramat

Critères candidat

Formation recommandée

traitement du signal, métrologie

Demandeur

Disponibilité du poste

01/09/2025

Personne à contacter par le candidat

LEFRANCOIS Alexandre < email supprimé pour raison de sécurité >
CEA
DAM/DEA//DEA
Centre CEA Gramat
BP80200
46500 Gramat
0565105207

Tuteur / Responsable de thèse

AUBERT Hervé < email supprimé pour raison de sécurité >
INP Toulouse / ENSEEIHT
LAAS-CNRS
INP Toulouse
2, rue Charles Camichel
31071 TOULOUSE Cedex 7

0561336361

En savoir plus

LAAS
CEA