Stage : exploration des méthodes de deep learning discriminatives pour les cnd f/h

Stage : Exploration des méthodes de Deep Learning discriminatives pour les CND F/H

Publié 20.03.2025

Société : Safran
Domaine d'activité : Mathématiques et Algorithmes
Emplacement : Magny-les-hameaux, Ile de France, France
Type de contrat : Stage
Durée du contrat : Temps complet
Diplôme requis : BAC+5
Expérience requise : Jeune diplômé-e/Première expérience
Statut professionnel : Etudiant

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. 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, permettant un gain de carburant et une limitation des rejets de CO2.

L'avènement de ces aubes nouvelle génération entraîne une redéfinition du processus de fabrication, avec 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. 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 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 divers, de noyaux céramiques de faibles densités jusqu'à des aubes de turbines en superalliages.

Les phases de ce stage seront :

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


Parlons de vous

Nous recherchons un-e élève ingénieur-e et/ou un-e universitaire d'un niveau Master pour un stage de 6 mois. Il/elle devra avoir des compétences en programmation (Python), en traitement du signal et la faculté à comprendre des méthodes de machine learning innovantes.

De plus, il/elle devra avoir de grandes qualités d'adaptabilité, de créativité et une forte motivation pour l'activité de recherche. Il/elle aura à échanger avec des experts de plusieurs domaines. Un candidat issu d'un cursus en informatique, en science du signal ou dans le domaine mathématique pourrait avoir les atouts nécessaires. Il/elle devra avoir un bon niveau de culture générale et scientifique pour englober les différents champs de la recherche.


Quelques précisions

L'offre de stage est à pourvoir sur le site de Colombes (92) à partir de juillet 2025.


Localisez votre futur site

Rue des jeunes bois 78114
Magny-les-hameaux, Ile de France, France

Nous valorisons et encourageons les candidatures de personnes en situation de handicap pour nos opportunités d'emploi.

#J-18808-Ljbffr