Description
Sujet de stage résumé
Ce stage a pour l’objectif de détecter et localiser la position de fuites sans avoir besoin de réaliser une excavation. La détection non-destructive est réalisée par le radar qui permet de caractériser le contraste diélectrique entre le sol sec et le sol mouillé par la fuite autour des tuyaux. Ce contraste se traduit par une anomalie dans le radargramme, fournissant une indication sur la position potentielle de la fuite.
Projet de thèse/stage
Contexte scientifique
Le stage s’inscrit dans le cadre des enjeux liés aux sécheresses potentielles induites par le changement climatique. L’un des défis majeurs est la réduction des pertes d’eau potable dans les réseaux souterrains, celles-ci pouvant atteindre jusqu’à 20 % de la consommation. La détection précoce et précise des fuites constitue donc un enjeu environnemental et économique crucial.
Sujet de stage
L’objectif de ce stage est d’utiliser un radar géophysique (Ground Penetrating Radar, GPR) pour localiser la position de fuites sans avoir besoin de réaliser une excavation. Le radar permet de caractériser le contraste diélectrique entre le sol sec et le sol mouillé par la fuite autour des tuyaux. Ce contraste se traduit par une anomalie dans le radargramme, fournissant une indication sur la position potentielle de la fuite. Mais en réalité, le monde souterrain est compliqué et il y a beaucoup de choses qui peuvent créer des anomalies. Le problème est donc de savoir si l’anomalie créée par la fuite est suffisamment remarquable par rapport aux autres anomalies créées par d’autres causes. Parallèlement, on s’intéresse aussi aux limites de la détection par le radar, notamment le volume d’eau répandu dans le sol. Pour répondre à ces questions, on a besoins de faire des simulations en utilisant le logiciel gprMax et la full waveform inversion (FWI). Au cours ce stage, nous proposons d’explorer une méthode hybride combinant FWI et les réseaux neuronaux informés par la physique (PINNs), afin de bénéficier à la fois de la précision de l’inversion complète et de la flexibilité des réseaux de neurones aidés par la physique, dans le but d’améliorer l’interprétation des résultats simulé par gprMax.
Antériorité du sujet dans le laboratoire
Lors d’un précédent stage réalisé au sein de LINEACT, des approches d’apprentissage profond ont été développées pour la localisation d’un robot, la prédiction des propriétés mécaniques de matériaux innovants et la détection précoce d’anomalie du signal santé.
Programme de travail
Pour y parvenir, le plan de travail proposé est le suivant :
1. Recherche bibliographique et connaissance sur l’utilisation de gprMax et des codes FWI/PINNs ;
2. Simulation de fuites en fonction du volume, de la profondeur, de l’orientation dans les sols de différents types ;
3. Application du code FWI/PINNs pour vérifier la sensibilité des modèles
4. Analyse des résultats et rédaction du rapport.
Production scientifique/technique attendue
A la fin de ce stage, un rapport de stage est attendu. Un projet de papier scientifique type (i) article de journal ou (ii) conférence internationale est aussi ciblé.
Les résultats attendus à l’issue de ce stage devraient ouvrir de nouvelles pistes de recherche, tant sur le plan scientifique que technologique. En développant un modèle de prédiction performant et validé expérimentalement, ce travail pourra susciter l’intérêt de partenaires industriels.
Ce stage représente également une opportunité de collaboration interdisciplinaire, en croisant les domaines traitement du signal, IA, informatique, électromagnétisme. Il pourra servir de base à des projets collaboratifs, des publications scientifiques, ou encore des communications dans des congrès spécialisés, valorisant ainsi les résultats obtenus.
Pour le candidat, ce stage constitue une expérience formatrice dans l’application concrète de l’IA au domaine traitement du signal/électronique pour la détection non-destructive. Il lui permettra de développer des compétences en modélisation, en traitement de données expérimentales complexes, et en interprétation des résultats, tout en contribuant activement à l’amélioration d’un modèle existant. Ce projet, à fort potentiel scientifique et applicatif, s’inscrit pleinement dans les enjeux actuels de la détection non-destructive.
Références.
5. Lai W.W.L., Dérobert X., Annan A.P. A review of Ground Penetrating Radar application in civil engineering: A 30-year journey from Locating and Testing to Imaging and Diagnosis. NDT E Int. ; 96:58–78. doi: 10./j.ndteint..04.
6. gprMax /en/latest/
7. Craig Warren, Antonios Giannopoulos, Iraklis Giannakis, gprMax: Open source software to simulate electromagnetic wave propagation for Ground Penetrating Radar, in Computer Physics Communications, Volume,, Pages -.
8. H. Sun, X. Yang, J. Gong, X. Qu and T. Lan, "Joint Physics and Data Driven Full-Waveform Inversion for Underground Dielectric Targets Imaging," in IEEE Transactions on Geoscience and Remote Sensing, vol. 60, pp. 1-11,
Profile
Pré-requis du poste
Compétences scientifiques et techniques :
9. Compétences en programmation et intelligence artificielle et ses outils (Python, bibliothèques IA, régression, réseaux de neurones, IA générative, VAE, GAN …),
10. Bonnes connaissances sur la propagation d’ondes électromagnétiques
11. Bonnes connaissances des équations Maxwell
12. Connaissance sur logiciel python gprMax est un plus.
13. Capacité de synthèse et de gestion des données,
14. Intérêt pour l’analyse de données et la modélisation,
15. Maitrise de l’anglais, expression écrite et orale,
Compétences relationnelles :
16. Etre autonome, avoir un esprit d’initiative et de curiosité,
17. Savoir travailler en équipe et avoir un bon relationnel,
18. Etre rigoureux
19. Communiquer efficacement avec son encadrant
Starting date
-03-01
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.