Équipements et services pour centrales nucléaires et autres secteurs.
Chez Framatome, filiale d’EDF, nous concevons et fournissons des équipements, des services, du combustible, et des systèmes de contrôle-commande pour les centrales nucléaires du monde entier.
Nos 23 000 salariés permettent chaque jour à nos clients de produire un mix énergétique bas-carbone toujours plus propre, plus sûr et plus économique.
Nos équipes développent également des solutions pour les secteurs de la défense, de la médecine nucléaire et du spatial.
Implantée dans une vingtaine de pays, Framatome rassemble les expertises d’hommes et de femmes passionnés et convaincus que le nucléaire est une énergie d’avenir.
Contexte
Les alliages de zirconium utilisés dans l’industrie nucléaire subissent au cours de leur fabrication différents traitements thermiques qui modifient leur microstructure et leurs propriétés mécaniques. Parmi ces traitements, les opérations de trempe peuvent conduire à l’apparition de structures dites en vannerie, susceptibles d’influencer les étapes ultérieures de mise en forme.
Aujourd’hui, l’évaluation de la proportion de vannerie dans une micrographie métallographique repose essentiellement sur l’expertise visuelle. Cette approche présente toutefois plusieurs limites : subjectivité de l’analyse, difficulté de reproductibilité et temps d’évaluation important. Une étude préliminaire a permis d’identifier plusieurs métriques et approches prometteuses pour automatiser cette caractérisation microstructurale.
Objectifs du stage
L’objectif du stage est de développer et qualifier une méthode robuste de classification automatique des structures de trempe à partir d’images métallographiques.
Les travaux porteront notamment sur :
Travail proposé
L'outil existant est développé en Python et s'appuie sur des bibliothèques open source d'analyse d'image. Il repose sur un pipeline déterministe combinant différentes étapes de traitement :
Selon l'avancement des travaux, des approches basées sur l'apprentissage automatique ou le deep learning pourront être étudiées et comparées aux méthodes déterministes existantes.
Étudiant(e) en dernière année d'école d'ingénieur ou de Master 2 avec une spécialisation en :
Compétences souhaitées :
Une expérience en analyse d'image constitue un atout, mais n'est pas indispensable. Une forte motivation pour l'apprentissage de nouvelles méthodes et une capacité à exploiter efficacement la littérature scientifique seront particulièrement appréciées.
Étudiant(e) en dernière année d'école d'ingénieur ou de Master 2 avec une spécialisation en :
Compétences souhaitées :
Une expérience en analyse d'image constitue un atout, mais n'est pas indispensable. Une forte motivation pour l'apprentissage de nouvelles méthodes et une capacité à exploiter efficacement la littérature scientifique seront particulièrement appréciées.