Offre en lien avec l’Action/le Réseau : – — –/Doctorants

Laboratoire/Entreprise : CEA List
Durée : 36 mois
Contact : roberto.miorelli@cea.fr
Date limite de publication : 2023-07-21

Contexte :
In this thesis, we focus on the study and the application of generative methods aiming at enhancing the quality of predictions in case of forward and inverse ML models (i.e., metamodels) for safety critical problems in industry.

Sujet :
L’utilisation des méthodes d’Intelligence Artificielle (i.e., méthodes d’apprentissage par réseaux neuronaux profondes) ouvre des perspectives très intéressantes dans le domaine du contrôle non destructif (CND) appliqué dans le domaine industriel comme par exemple l’assistance au diagnostic sur la base de mesures non-destructives. Récemment, l’utilisation des techniques d’apprentissage profond a montré des premières résultats encourageants dans le domaine du contrôle de la santé intégré [1], dans le contrôle des températures par méthodes d’imagerie infrarouge dans les centrales de fusion nucléaires [2, 3] et pour la génération de données réalistes dans le cas d’imagerie par ultrasons, entre autres.

Néanmoins, malgré plusieurs succès récents des techniques d’apprentissage automatique appliquées au CND, des verrous restent encore à lever pour rendre performantes et robustes ces techniques et les utiliser de manière fiable et systématique dans le domaine du CND hautement critique. Cette thèse vise à répondre à deux principaux points qui jouent un rôle dominant sur les performances des modèles d’apprentissage : i) le manque de données labélisées disponibles pour l’apprentissage des réseaux de neurones et ii) l’impact de incertitudes, qu’elles soient aléatoires ou bien épistémiques. Dans ce contexte, l’usage de la simulation permet de dépasser une grande partie des limitations actuelles, liées au manque de données de terrain labellisées, en créant de grandes bases de données synthétiques d’apprentissage, capable de couvrir tous types de scénarios et des cas non encore observés. La difficulté, cependant ici, est d’être capable de gérer les incertitudes inhérentes à la mesure expérimentale (erreur de calibration, bruit de mesure, etc.) et les incertitudes du modèle lui-même (i.e., les erreurs à la fois du modèle physique utilisé pour l’apprentissage et celle du modèle d’apprentissage –réseaux de neurones).

Cette thèse vise à améliorer la qualité des prédictions par IA dans le cas des modèles direct (de l’observable à la mesure) et dans le cas de modèles inverses (de la mesure à l’observable). En première lieu, une attention particulière sera mise sur la conception d’outils d’apprentissage profond de type générative conditionnées (e.g., auto-encodeurs variationels conditionnés, architectures de type UNET conditionnées, etc.) -reposant sur l’utilisation de données multi-fidélités- pour la génération de données réalistes, l’analyse et l’optimisation des problèmes d’inspection CND. Dans une deuxième étape, une forte attention sera donnée aux schémas d’apprentissage profond capable de promouvoir l’estimation des incertitudes (e.g., méthodes d’ensemble, Monte Carlo drop out, etc.) associées à la tâche d’apprentissage menées (i.e., régression, classification, etc.).

Dans ce travail de thèse, l’application des outils d’apprentissage développées se fera dans deux principaux domaines d’intérêt : le contrôle des parois des centrales de fusion nucléaire par imagerie infrarouge et l’inspection de pièces industrielles par imagerie ultrasonore.

———————————————————————————————-
English version:
———————————————————————————————-

Title: Enhancing the monitoring capabilities for safety critical problems via deep learning-based models: toward quasi real-time forward and inverse applications

Machine learning (ML) and in particular deep learning (DL) methods are gaining the attention of the engineering scientific and industry communities for enhance data analysis capabilities, in supporting human decisions, etc.. In the context of nondestructive testing and evaluation (NDT&E) and structural health monitoring (SHM), the use of ML methods is gaining the attention of scholars, researchers and experts. Indeed, the possibility to develop and deploy tailored ML strategies for detecting, classify and possibly provide quantitative information on anomalies (i.e., defects) in inspected structures in one of the most active investigation field in the community. That is, the application of deep learning methods (i.e., deep convolutional neural networks) has been recently applied with success in the domain of SHM based on guided wave imaging data [1], in the field of infrared thermography applied to tokamak plasma temperature monitoring [2, 3] and for the realistic simulation of ultrasound testing images under uncertainties, for instance.

Nevertheless, despite some recent successes in applying ML schema in NDT&E problems, there is still room of improvements different directions. Indeed, in NDT&E one faces two main challenges i) the chronical lack of properly labelled experimental data (e.g., security and secrecy issues) and ii) the impact of uncertainties on the measurements (e.g., experimental conditions, knowledge on the actual material properties). In this context, the use of advanced numerical models can be used to mitigate the impact of such issues by exploiting simulations results to be integrated into the ML model (the so-called model-driven ML) and possibly coupled to experimental data too.

In this thesis, we focus on the study and the application of generative methods aiming at enhancing the quality of predictions in case of forward and inverse ML models (i.e., metamodels). Firstly, a particular emphasis will be given on deep learning schemas aiming at enhancing the computational performance of advanced numerical solvers. Toward this end, conditional generative models (e.g., cVAE, cUNET, etc.) based on multi-fidelity data will be considered for fast and reliable generation of data for understanding, analyzing and optimize the NDT&E scenario considered. In a second and tightly related stage, a particular focus will be given on the study of deep learning strategies (e.g., deep ensembles, Monte Carlo drop out, etc.) aiming at performing forward and inverse tasks providing the uncertainty estimation associated to the predictions.

In the context of this thesis the use of data issued from infrared thermography and ultrasound testing will be privileged with a specific emphasis on imaging post-processed data.

Ref.:

[1] Miorelli, Roberto, et al. “Defect sizing in guided wave imaging structural health monitoring using convolutional neural networks.” NDT & E International 122 (2021): 102480.

[2] Juven et al., “Temperature Estimation in Fusion Devices using Machine Learning techniques on Infrared Specular Synthetic Data,” 2022 IEEE 14th Image, Video, and Multidimensional Signal Processing Workshop (IVMSP), 2022, pp. 1-5, doi: 10.1109/IVMSP54334.2022.9816270.

[3] Aumeunier, M. H., et al. “Development of inverse methods for infrared thermography in fusion devices.” Nuclear Materials and Energy 33 (2022): 101231.

Contacts : Roberto Miorelli, Ph.D.

Université Paris-Saclay, CEA, List – Département Instrumentation Numérique

roberto.miorelli@cea.fr;

Profil du candidat :
Niveau M2 en Physique, Mathématiques Appliquées ou Statistique

Formation et compétences requises :
Niveau M2 en Physique, Mathématiques Appliquées ou Statistique

Adresse d’emploi :
CEA Saclay