Les matériaux composites tissés en 3D sont au cœur de grandes innovations dans le domaine aéronautique, avec des applications concrètes dans des dispositifs tels que le moteur LEAP. L'importance croissante de ces matériaux impose la nécessité d'outils d'analyse numérique capables d'extraire des données quantitatives pertinentes à partir des images disponibles.
Actuellement, l'imagerie tomographique par rayons X est la méthodologie de choix pour observer l'intérieur de ces pièces fabriquées. Elle est suivie d'analyses numériques visant à extraire leur architecture 3D, bien que cette méthode rencontre certaines limites. Par exemple, l'étude [1] décrit une approche d'apprentissage profond pour extraire les fibres de manière automatique ; toutefois, elle ne parvient pas à saisir les formes des sections transversales associées. Pour remédier à cette insuffisance, l'approche [2] suggère l'utilisation d'un module de génération d'images basé sur des modèles créés à partir de modèles éléments finis. Cela pourrait compenser le manque d'informations et surtout de couvrir l'espace des représentations par des configurations synthétiques.
Dans ce sens, la génération d'images via des modèles génératifs représente une avancée innovante, permettant d'accéder à des représentations visuelles souvent inaccessibles dans le monde réel. Cela devient encore plus intéressant lorsque les modules de générations sont conditionnés par des informations externes, comme proposé dans [3]. Ces informations peuvent inclure des textes descriptifs des images souhaitées, des schémas décrivant la position et la dimension des objets souhaités, ou des schémas délimitant les différents objets observés. En plus d'aider à l'interprétation de la génération, ces conditionnements permettent de structurer l'espace de caractéristiques participant à la généralisation.
L'objectif de ce stage est de produire des images tomographiques synthétiques illustrant des pièces composites complexes, comme dans [1], tout en adoptant une philosophie de génération conditionnée par l'architecture, conformément aux approches proposées par [2] et [3]. Ce travail vise à générer des scénarios d'analyse où les informations manquantes, telles que les sections transversales et divers indicateurs matériels, seront enrichies par des jumeaux numériques.
Objectifs du Stage :
- Explorer et maîtriser les modèles génératifs de diffusion conditionnés pour la génération d'images synthétiques réalistes.
- Mettre en place un algorithme intégrant la génération conditionnée par des schémas de tissage.
* Créer une base de données d'images synthétiques pour des analyses ultérieures.
Références :
1. Y. Sinchuk, Y. Wielhorski, A. Mendoza S. Blusseau, & S. Velasco-Forero. (2024). Automatic yarn path extraction of large 3D interlock woven fabrics with confidence estimation. In Composites Part A
2. A. Mendoza, R. Trullo, & Y. Wielhorski. (2021). Descriptive modeling of textiles using FE simulations and deep learning.

Compétences Requises :
* Connaissances en apprentissage profond et génération d'images.
- Expertise en programmation Python, notamment d'outils comme PyTorch ou Tensorflow.
* Expertise en traitement d'images et analyse de données.
- Esprit d'innovation et capacité à travailler dans des projets interdisciplinaires.