Stage m2 utiliser le deep-learning pour étudier la déformation de l'aluminium h/f

Pour plus de détails, consulter le site internet de l'École : www.imt-nord-europe.fr Le stage sera effectué au sein du Centre d'Enseignement de Recherche et d'Innovation pour les Matériaux et Procédés (CERI MP) où sont menées des expertises techniques et scientifiques centrées principalement autour des matériaux du génie civil et des matériaux polymères et composites, ainsi que leur mise en oeuvre par des procédés innovants. Description du sujet de stage : La compréhension des mécanismes de déformation plastique à l'échelle micrométrique d'un métal permet de prédire son comportement mécanique à l'échelle mésoscopique, voir même à l'échelle du composant en utilisant la simulation numérique. Dans les métaux, la déformation est principalement gouvernée par le déplacement de défauts cristallins linéaires appelés dislocations. C'est en caractérisant la nature et le déplacement de ces dislocations qu'il est possible de comprendre le comportement mécanique macroscopique du matériau. Le moyen le plus communément utilisé pour leur observation directe est la microscopie électronique en transmission (MET). Les dislocations ainsi observées apparaissent sous la forme de « ficelles » noires sur fond gris. Afin d'étudier la dynamique de ces dislocations, des films sont acquis. Il est alors question d'extraire l'information de chaque image, c'est-à-dire de segmenter chaque dislocation de chaque image. Il n'est pas envisageable de les extraire manuellement si l'on considère que les vidéos peuvent durer plusieurs minutes. De même, à cause des contrastes non uniformes observés en MET il est très délicat de mettre en place un traitement d'image. Une solution envisagée serait d'utiliser le deep-learning (DL) pour segmenter ces dislocations. Missions et Activités : La première étape consistera à bâtir une base d'apprentissage à partir d'images existantes. Cette étape est fondamentale, et permet de fournir une base d'images « annotées » permettant de distinguer dislocations et autres défauts. Puis on pourra dans un deuxième temps effectuer une étude comparative des architectures classiques de détection de régions (ROI), RCNN et YOLO, pour identifier la meilleure configuration pour l'application, et effectuer un apprentissage à partir des images précédentes. Une étude prospective de transfert de l'architecture choisie vers une architecture NeRF (ou PINN) sera menée pour envisager un modèle continu (modèle physique) éventuel des dislocations {}