Safran est un groupe international de haute technologie opérant dans les domaines de l'aéronautique (propulsion, équipements et intérieurs), de l'espace et de la défense. Sa mission : contribuer durablement à un monde plus sûr, où le transport aérien devient toujours plus respectueux de l'environnement, plus confortable et plus accessible. Implanté sur tous les continents, le Groupe emploie 92 000 collaborateurs pour un chiffre d'affaires de 23,2 milliards d'euros en 2023, et occupe, seul ou en partenariat, des positions de premier plan mondial ou européen sur ses marchés. Safran s'engage dans des programmes de recherche et développement qui préservent les priorités environnementales de sa feuille de route d'innovation technologique.
Safran est la 1ère entreprise du secteur aéronautique et défense du classement « World's Best Companies 2023 » du magazine TIME.
Descriptif mission
Les aubes de la turbine haute pression sont placées juste après la chambre de combustion des moteurs d'avion où elles subissent des contraintes thermomécaniques élevées : la température est notamment plus haute que le point de fusion du matériau. Pour résister à cet environnement sévère, les aubes de turbine sont monocristallines et comportent des circuits de refroidissement internes.
La plateforme Safran Tech « Aubes de Turbine avancée » travaille sur le développement de la nouvelle génération d'aube de Turbine. Cette génération devra supporter des températures supérieures de plus de 150°C aux générations actuelles. Cela permettra un gain de carburant et une limitation des rejets de CO2.
L'avènement de ces aubes nouvelles générations entraîne une redéfinition du processus de fabrication, avec notamment l'adaptation des moyens de contrôles à des géométries de plus en plus complexes.
Pour automatiser ces contrôles, une voie nouvelle est d'intégrer des méthodes de Deep Learning de type discriminatif.
Les méthodes discriminatives se concentrent sur la modélisation de la limite de décision entre les échantillons anormaux et nominaux. Ces méthodes reposent sur l'extraction d'images d'entrée et leur comparaison avec des images de référence dérivées d'échantillons sans défaut. La distance résultante est utilisée comme score d'anomalie pour identifier les écarts et classifier la pièce comme anormale ou non.
Si les méthodes discriminatives peuvent être efficaces, leur coût de calcul constitue un inconvénient majeur, car la formation de tels modèles peut prendre beaucoup de temps. Cependant, des avancées récentes, telles que la méthode "PatchCore" ont considérablement amélioré l'efficacité en réduisant le temps d'entraînement tout en maintenant une grande précision dans la détection des anomalies.
L'objectif de ce stage sera donc de tester et de valider ces méthodes à la fois sur des données 2D issues de mesures radiologiques et sur des données 3D. Les objets mesurés seront également divers, de noyaux céramiques faibles densités jusqu'à des aubes de turbines en superalliages.
Phases du stage
1. Coder ou améliorer le code existant
2. L'appliquer sur des radiographies, évaluer les performances
3. Etendre le code à des données 3D
4. L'appliquer sur des tomographies, évaluer les performances
5. Faire une interface pour permettre l'utilisation du code par des opérateurs
#J-18808-Ljbffr
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.