Optimisation de la détection d'émission acoustiques pour le suivi de la santé structurelle à l'aide h/f

Contexte

La surveillance des infrastructures critiques telles que celles du secteur nucléaire ; du génie civil et de l’ingénierie pétrochimique, est essentielle pour garantir leur sécurité et leur intégrité. Elle peut se faire de manière dite passive au moyen des émissions acoustiques (EA) qui sont des ondes produites au sein de la structure par des événements tels que la formations de fissures ou des micro-frictions. Cette approche non intrusive permet une surveillance continue sans nécessité d’arrêts prolongés des opérations, et une détection précoce des anomalies réduisant le risque de défaillances catastrophiques.

La mise en œuvre de la surveillance par émissions acoustiques présente cependant des challenges importants. Premièrement, les événements d’intérêt sont rares et souvent masqués par un bruit de fond important rendant la détection des formes d’onde recherchée complexe. De ce fait, la surveillance requiert généralement l’enregistrement d’une quantité importante de données ce qui entraîne de fortes contraintes matérielles pour le stockage et la transmission des signaux acquis.

L’objectif principal du stage sera de développer une méthode de segmentation embarquée de signaux de vibrations d’une structure mécanique afin de n’enregistrer que les segments de signaux contenant potentiellement des salves d’émissions acoustiques.

Déroulement du stage
Les travaux de stage se dérouleront en quatre grandes étapes décrites ci-dessous.

Acquisition de données expérimentales contrôlées
A l’aide de la plateforme du département dédiée au suivi de la santé structurelle, des émissions acoustiques seront simulées sur une structure expérimentale et les vibrations induites seront mesurées au moyen de capteur piézo-électrique et du carte d’acquisition dédiée.

Développement d’un modèle de détection d’émissions acoustiques
Une méthode précédemment développée pour la détection d’anomalie dans les séries temporelles sera évaluée, améliorée et adaptée au traitement de données en flux.

Portage sur cible matérielle
Il s’agira d’implémenter le modèle de détection sur la plateforme embarquée dédiée avec des contraintes de mémoire et de puissance. Cela inclut la quantification des paramètres du modèle, l’interfaçage avec l’environnement logiciel de la plateforme embarquée.

Evaluation de la robustesse
La robustesse du modèle face aux variations de distribution des données causées par les capteurs (par exemple un décollage) ou les changements du bruit ambiant sera évaluée et des pistes d’amélioration recommandée.

Master 2/Bac+5 école d’ingénieurs, traitement du signal, data sciences ; compétences en IA embarquée appréciées.

Curieux, autonomes, à l'aise avec la méthodologie (travail algorithmique) et les manipulations expérimentales.

Conformément aux engagements pris par le CEA en faveur de l’intégration de personnes en situation de handicap, cet emploi est ouvert à tous et toutes.