Description
L’étude des matériaux cimentaires montre que leurs propriétés mécaniques dépendent fortement de leur microstructure. Les techniques de microscopie (MEB, EDS, µCT, etc.) permettent d’obtenir des une microstructures complexes incluant la morphologie et la structure porale, les phases hydratées et anhydres, ainsi que l’interface pâte/granulats. Ces paramètres influencent directement les propriétés mécaniques, mais la relation entre ces images et le comportement mécanique reste complexe et difficile à modéliser par des approches traditionnelles classiques. Ce projet de stage propose d’utiliser le deep learning multimodal[1-2] pour prédire le comportement mécanique à partir d’images MEB et de données EDS, en exploitant des modèles combinant réseaux de neurones convolutifs (CNN) pour l’analyse d’images, réseaux denses pour les spectres EDS, et régression pour les prédictions mécaniques. Les données, extraites de la littérature scientifique, nécessitent une collecte et une harmonisation rigoureuses face à leur hétérogénéité (composition des matières premières, conditions expérimentales, formats d’image). Ce projet interdisciplinaire vise à développer un prototype prédictif pour optimiser la conception des bétons, réduisant les essais physiques coûteux et soutenant des applications en construction durable. L'objectif final est la création d'un outil prédictif fiable et innovant pour estimer les propriétés mécaniques à partir de caractérisations microstructurales.
Profile
Le(la) candidat(e) devra être en Master 2 recherche ou élève ingénieur en dernière année, dans les domaines de l'intelligence artificielle, de la data science, de la vision par ordinateur, de la modélisation numérique ou du génie civil numérique.
Il/elle disposera de connaissances solides en Deep Learning (réseaux de neurones convolutifs, réseaux denses), avec un intérêt marqué pour la science des matériaux et la caractérisation microstructurale. Des bases en traitement d'images (segmentation, filtrage, normalisation) et en analyse de données spectroscopiques sont indispensables, ainsi qu'une maîtrise confirmée de l'écosystème Python et de ses bibliothèques spécialisées (PyTorch, OpenCV, Scikit-learn, Pandas).
Une familiarité avec les outils d'extraction de données et d'automatisation (PyMuPDF, scripts de scraping) ainsi qu'une connaissance des principes de la microscopie (MEB/EDS) seraient un atout majeur. Le(la) candidat(e) devra faire preuve d’autonomie, de rigueur scientifique, d’un fort esprit d’analyse et d’un goût prononcé pour la recherche interdisciplinaire (IA appliquée à la construction durable).
Starting date
Dès que possible
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.