Description

L'objectif principal de la thèse est de développer des méthodes de démonstration de performances des solutions d’inspection des structures aéronautiques s’appuyant sur des algorithmes d'apprentissage machine.
En effet, les enjeux cruciaux de qualité et de sécurité dans le milieu aéronautique nécessitent d'améliorer continuellement l'efficacité et la productivité des méthodes de contrôle non-destructif (CND). L'introduction de l'IA dans l'analyse des données d'inspection est envisagée comme une solution pour pallier la pénurie d'inspecteurs CND qualifiés et pour augmenter la performance industrielle.

Les travaux de recherche sont organisés autour de trois axes principaux :
1. Analyse algorithmique : Étude théorique et expérimentale des différentes classes d'algorithmes d'apprentissage machine pour identifier celles ayant des propriétés favorables à la démonstration de performance. La notion d'explicabilité sera également abordée.
2. Exploration et génération de données : Recherche sur les méthodes d'exploration de données en termes de représentativité et de complétude pour les différents ensembles de données (entraînement, validation, vérification). L'aspect synthèse de données (simulation, generative AI) sera également exploré, sous l'angle de l'utilisabilité dans un contexte de démonstration de performances.
3. Modèles de performance : Proposition de modèles alternatifs de caractérisation de performances de détection, compte tenu que l'hypothèse de probabilité de détection (POD) croissante avec la taille du défaut n'est pas applicable en apprentissage machine.

L'approche méthodologique globale combine analyse théorique et mise en œuvre pour présenter une thèse ancrée dans la réalité des problématiques applicatives.
Les travaux commenceront par une phase bibliographique pour établir un état de l'art complet sur les modèles et algorithmes d'apprentissage en reconnaissance d'anomalies ou défauts, ainsi que sur les aspects liés à la démonstration de performances de systèmes basés sur de l’apprentissage machine. Cette phase inclut également l'étude des applications et cas d'usages d'inspection chez Airbus.
Dans une deuxième phase, le doctorant travaillera sur l'analyse algorithmique et les méthodes d'exploration des données, en implémentant et testant les méthodes explorées à partir des cas d'usage d'inspection avec IA en cours de développement chez Airbus.
Enfin, les travaux s'orientent vers la partie démonstration de performances, avec une forte orientation « probabilités-statistiques ».

Compétences requises

Le candidat recherché à un profil de mathématicien appliqué, avec un fort intérêt pour la physique et l’aéronautique. En effet les avancées recherchées relèvent essentiellement de la science des données et des probabilités-statistiques, dans un contexte de données physiques qui proviennent des différentes physiques utilisées dans les contrôles non-destructifs (acoustique, électromagnétique, radiographique, optique).

Bibliographie

• European Union Aviation Safety Agency: Artificial Intelligence Roadmap 2.0
• European Union Aviation Safety Agency: EASA Concept Paper: First usable guidance for Level 1&2 machine learning applications
• ARP 6983 Draft rev. 5B: Recommended Practice for Development and Certification of Aeronautical Safety Related Products Implementing ML (Non-adaptive ML in supervised mode)
• “Exploring the Role of Explainable AI in the Development and Qualification of Aircraft Quality Assurance Processes: A Case Study”, B. Milcke, xAI conference 2024
• “Standard Guide for the Qualification and Control of the Assisted Defect Recognition of Digital Radiographic Test Data”, ASTM International

Mots clés

démonstration de performances, contrôle non destructif, IA