Optimisation de la détection d'émission acoustiques pour le suivi de la santé structurelle à l'[...]

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

Description du poste

Mathématiques, information scientifique, logiciel

Sujet de stage

La surveillance des infrastructures critiques, telles que celles du secteur nucléaire ou de l'ingénierie pétrochimique, est cruciale pour assurer leur sécurité. Les émissions acoustiques (EA) permettent une surveillance passive, en captant les ondes générées par des anomalies comme les fissures, sans nécessiter d'interruption des opérations. Cette technique permet de détecter précocement les anomalies, diminuant les risques de défaillances graves.

Cependant, cette méthode pose des défis techniques, car les signaux d'intérêt sont rares et souvent masqués par le bruit de fond, rendant la détection difficile et nécessitant le stockage de grandes quantités de données. Le stage vise à développer une méthode embarquée pour segmenter les signaux et ne sauvegarder que ceux contenant des salves d'émissions acoustiques, réduisant ainsi les besoins en stockage et transmission.

Déroulement du stage

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

1. 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.
2. 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.
3. 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.
4. Evaluation de la robustesse: La robustesse du modèle face aux variations de distribution des données causées par les capteurs ou les changements du bruit ambiant sera évaluée et des pistes d’amélioration recommandées.

Profil du candidat

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.

Référence

2024-34154