Description

Le contrôle non destructif par ultrasons est une technique largement utilisée pour caractériser et surveiller la microstructure polycristalline des composants métalliques dans les structures aérospatiales notamment. Les modèles numériques simulant la propagation des ondes élastiques fournissent des informations précieuses sur la relation entre les propriétés microstructurales et la propagation des ondes ultrasonores, mais leur coût de calcul les rend impraticables pour une caractérisation automatisée à haut débit. Pour pallier cette limitation, nous proposons de construire un modèle de substitution qui associe une grande variété de microstructures polycristallines – de caractéristiques simplifiées mais représentatives des applications aérospatiales réelles – à des déplacements de surface simulés. Un exemple d'application est le contrôle ultrasonore en ligne des composants métalliques produits par fabrication additive par laser (WLAM). Pour résoudre ce problème complexe de régression multidimensionnelle, plusieurs techniques d'apprentissage automatique peuvent être envisagées, notamment les encodeurs-décodeurs convolutionnels classiques ou les opérateurs neuronaux de Fourier (FNO). Ces modèles de substitution devraient capturer les principaux effets des caractéristiques microstructurales sur la propagation des ondes, même pour les structures anisotropes non incluses dans les données d'entraînement. Par exemple, dans les composants WLAM, les microstructures présentent souvent de grands grains allongés et une anisotropie de texture (c'est-à-dire des orientations cristallines préférentielles) due aux forts gradients thermiques présents lors du processus de fabrication. Ces caractéristiques microstructurales, influencées par les paramètres du procédé, peuvent affecter significativement la diffusion ultrasonore. De plus, la modélisation efficace des ultrasons générés par laser, avec un large spectre de fréquences, est particulièrement difficile à réaliser à l'aide de techniques numériques classiques, notamment pour les applications en temps réel, même en 2D. Enfin, le problème d'inversion, qui consiste à déduire les propriétés microstructurales à partir de données ultrasonores en ligne, est encore plus complexe. L'inversion est intrinsèquement mal posée, plus coûteuse en calcul (nécessitant souvent plusieurs exécutions du modèle direct) et très sensible aux écarts entre les modèles et les données observées, dus aux hypothèses et simplifications du modèle ou au bruit de mesure.

L'objectif de ce travail est de développer une approche d'IA basée sur la physique pour générer des données ultrasonores synthétiques cartographiées par diverses microstructures polycristallines, en combinant des FNO et des modèles de diffusion. Ces derniers sont censés enrichir les prédictions basses et moyennes fréquences des FNO, qui présentent généralement des biais spectraux, en y intégrant des informations hautes fréquences pertinentes. L'amélioration du contenu spectral des champs d'ondes de surface transitoires inférés est nécessaire pour résoudre le problème inverse : l'estimation des microstructures à toutes les échelles et pour tous les degrés d'anisotropie. Les FNO servent généralement de substituts à la propagation des ondes élastiques pour des microstructures et des impulsions laser arbitraires, tandis que les modèles de diffusion sont entraînés à générer de nouveaux échantillons à partir d'une distribution de probabilité complexe et multimodale, connue uniquement grâce à des échantillons antérieurs. Appliqué à la génération d'instantanés de déplacement de surface, ce processus peut être amélioré en utilisant les champs élastiques inférés par les FNO comme conditionnement, ou guide, selon la terminologie de la littérature sur l'IA générative. On tâchera d'explorer plus en détail cette stratégie d'hybridation dans la thèse.

Compétences requises

Diplôme ingénieur / master en mécanique numérique, mécanique des structures et des matériaux, mathématiques appliquées, sciences des données.

Bibliographie

- F. Allaire, F. Gatti, R. Miorelli, V. Dorval, J. Laurent. Metamodeling elastic wave propagation using a mixed factorized Fourier encoder–decoder for online laser-ultrasound testing in additive manufacturing. Eng. Appl. Artif. Intell. 160, 111893 (2025).
- I. Baydoun, É. Savin, R. Cottereau, D. Clouteau, J. Guilleminot. Kinetic modeling of multiple scattering of elastic waves in heterogeneous anisotropic media. Wave Motion 51, 1325-1348 (2014).
- X. Cao, Q. Ding, X. Liu, L. Zhang, X. Zhang. Diff-ANO: Towards fast high-resolution ultrasound computed tomography via conditional consistency models and adjoint neural operators. arXiv:2507.16344 (2025).
- H. Gabrielidis, F. Gatti, S. Vialle. Physics-based super-resolved simulation of 3D elastic wave propagation adopting scalable diffusion transformer. Comput. Phys. Commun. 320, 109930 (2026).
- W. Genuist, É. Savin, F. Gatti, D. Clouteau. Autoregressive regularized score-based diffusion models for multi-scenarios fluid flow prediction. arXiv:2505.24145 (2025).
- W. Genuist, É. Savin, F. Gatti, D. Clouteau. Divergence-free diffusion models for incompressible fluid flows. arXiv:2601.19368 (2026).
- H. Kamalinia, A. Barbarulo, B. Tie. A coupled acoustic/elastic discontinuous Galerkin finite element method: Application to ultrasonic imaging of 3D-printed synthetic materials. Comput. Struct. 291, 107208 (2024).
- F. Lehman, F. Gatti, D. Clouteau. Multiple-input Fourier Neural Operator (MIFNO) for source-dependent 3D elastodynamics. J. Comput. Phys. 527, 113813 (2025).
- C. Zou, Z. E. Ross, R. W. Clayton, F.-C. Lin, K. Azizzadenesheli. Ambient noise full waveform inversion with neural operators. JGR Solid Earth 130, e2025JB031624 (2025).

Mots clés

IA générative, Opérateurs neuronaux de Fourier, Contrôle non destructif par ultrasons, Milieu polycristallin