Ia pour le nucléaire – recherche automatisée de défauts sur les structures en béton – optimisation f/h

Présentation du contexte :

Le parc nucléaire français comprend 57 tranches, dont 28 tours aéroréfrigérantes en béton et des enceintes de confinement. Ces ouvrages font l’objet d’inspections régulières par drone, générant des images utilisées pour détecter les défauts structurels (fissures, etc.) et orienter les réparations. Ce processus manuel est chronophage et complexe.

Pour automatiser cette tâche, EDF R&D a développé un outil basé sur des algorithmes de deep learning, validé sur trois tours aéroréfrigérantes entièrement ré-annotées. L’objectif est désormais de généraliser cette validation aux 25 tours restantes, malgré des annotations moins précises et des variations visuelles de la surface du béton.

Trois axes de travail majeurs sont envisagés pour optimiser la base de données d’apprentissage et améliorer les performances de l’outil:

1. L’intégration de données synthétiques : Il s’agit d’évaluer l’impact de l’ajout d’images artificielles générées pour enrichir la diversité des cas d’apprentissage, améliorer la robustesse des algorithmes et réduire le nombre de ré-annotations manuelles.

2. La ré-annotation ciblée de nouvelles images issues d’inspections : Une campagne de ré-annotation est à prévoir sur certaines tours aéroréfrigérantes. Pour en optimiser le coût, il faudra classer les tours selon leur intérêt pour l’apprentissage, en tenant compte de la qualité des annotations existantes et de la représentativité des défauts observés.

3. La complétion de la base de données existante à partir des bonnes prévisions faites par le procédé sur les 25 tours aéroréfrigérantes non ré-annotées.

En cas de résultats probants sur l’ensemble des tours aéroréfrigérantes, l’outil devra également être testé sur les enceintes de confinement.

Enfin, pour évaluer rigoureusement les performances des algorithmes, il sera nécessaire de définir ou concevoir une métrique adaptée aux spécificités du contexte industriel.

Travail à réaliser :
Le stagiaire devra réaliser les tâches suivantes :
- Réaliser une étude bibliographique sur les méthodes d’optimisation d’une base de données d’apprentissage basée sur des images et sur l’influence des données synthétiques dans une base de données d’apprentissage,
- Mettre en place un plan d’expérience pour tester l’influence de la composition données réelles/synthétiques de la base de données d’apprentissage,
- Tester la performance du procédé de détection de défauts sur les 25 tours aéroréfrigérantes non réannotées et évaluer sa performance
- Proposer une méthode de classement des 25 tours aéroréfrigérantes en vue d’une priorisation de leur ré-annotation

- Développer une méthode pour compléter la base de données existante à partir des bonnes prévisions de défauts faites par le procédé sur ces 25 tours,

- Discuter les résultats obtenus et en réaliser la synthèse.



Spécialités : Data Science, développement informatique (Python indispensable, les langages web sont un plus)/



Qualités requises : Autonomie, force de proposition, inventivité, esprit d’analyse/synthèse, curiosité, rigueur, maitrise de l’anglais.

Environnement informatique :
- Logiciels bureautiques de base (Word, Excel).

- Python indispensable