Apprentissage profond informé par la physique pour le contrôle non destructif // physics informed deep learning for non-destructive testing

Topic description

Ce projet de thèse s’inscrit dans le domaine du contrôle non destructif (CND), un ensemble de techniques qui permettent de détecter des défauts dans des structures (câbles, matériaux, composants) sans les endommager. Le diagnostic repose sur des mesures physiques (réflectométrie, ultrasons…), dont l’interprétation nécessite de résoudre des problèmes inverses souvent mal posés.

Les approches classiques par algorithmes itératifs sont précises mais coûteuses en calcul et difficiles à embarquer pour un traitement proche du capteur. Le travail proposé vise à dépasser ces limites en explorant des approches de deep learning informé par la physique notamment :

* des réseaux neuronaux inspirés des algorithmes classiques (méthode d’unrolling),
* des PINNs (Physics-Informed Neural Networks) qui intègrent directement les lois physiques dans l’apprentissage,
* des modèles différentiables simulant la mesure (réflectométrie notamment).

L’objectif est de développer des modèles profonds interprétables dans un cadre modulaire pour le CND, capables de fonctionner sur des systèmes embarqués. Le cas d’étude principal concernera les câbles électriques (TDR/FDR), avec une ouverture possible vers d'autres modalités comme les ultrasons. Cette thèse combine optimisation, apprentissage et modélisation physique, et s'adresse à un profil motivé par l’interdisciplinarité entre sciences de l’ingénieur, mathématiques appliquées et intelligence artificielle.

------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This PhD project lies within the field of Non-Destructive Testing (NDT), which encompasses a range of techniques used to detect defects in structures (cables, materials, components) without causing any damage. Diagnostics rely on physical measurements (e.g., reflectometry, ultrasound), whose interpretation requires solving inverse problems, which are often ill-posed.

Classical approaches based on iterative algorithms are accurate but computationally expensive, and difficult to embed for near-sensor, real-time analysis. The proposed research aims to overcome these limitations by exploring physics-informed deep learning approaches, in particular:

* Neural networks inspired by traditional iterative algorithms (algorithm unrolling),
* PINNs (Physics-Informed Neural Networks) that incorporate physical laws directly into the learning process,
* Differentiable models that simulate physical measurements (especially reflectometry).

The goal is to develop interpretable deep models in a modular framework for NDT, that can run on embedded systems. The main case study will focus on electrical cables (TDR/FDR), with possible extensions to other NDT modalities such as ultrasound. The thesis combines optimization, learning, and physical modeling, and is intended for a candidate interested in interdisciplinary research across engineering sciences, applied mathematics, and artificial intelligence.


------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département d’Instrumentation Numérique
Service : Service Monitoring, Contrôle et Diagnostic
Laboratoire : Laboratoire Instrumentation Intelligente, Distribuée et Embarquée
Date de début souhaitée : 01-11-
Ecole doctorale : Sciences et Technologies de l’Information et de la Communication (STIC)
Directeur de thèse : GOUY-PAILLER Cédric
Organisme : CEA
Laboratoire : DRT/DIN//LIIDE
URL :

Funding category

Public/private mixed funding

Funding further details