Thèse (H/F) – Surveillance éparse de la santé des structures à l’aide d’une modélisation fondée sur les signatures

Description du Poste

Sujet De Thèse

Informations pratiques

- Durée : 36 mois
- Début : flexible entre mai-septembre 2026 (financement ANR acquis)
- Lieu : Laboratoire PIMM, ENSAM, Paris, France
- Encadrants : Dimitri Goutaudier (chargé de recherche CNRS) et Marc Rébillat (maître de conférences, HDR, ENSAM)
- Salaire : selon la réglementation en vigueur
- Collaboration internationale : possible avec l’EPFL (Suisse), des séjours de recherche courts pourraient être organisés.


Profil recherché

- Diplôme d’ingénieur ou Master 2 dans au moins l’une des disciplines suivantes : mécanique numérique, calcul scientifique, intelligence artificielle guidée par la physique.
- Intérêt pour la surveillance intelligente des systèmes mécaniques, la réduction de modèles, l’assimilation de données et l’intelligence artificielle.
- Motivation pour rejoindre un projet de recherche interdisciplinaire incluant des activités théoriques, numériques et expérimentales.

Compétences attendues

- Bases solides en calcul scientifique (méthodes numériques pour les EDP, algèbre linéaire)
- Maîtrise d’un langage de programmation scientifique : MATLAB ou Python.

Contexte

La surveillance de l’intégrité des structures (Structural Health Monitoring - SHM) consiste à évaluer l’état d’une structure à partir de mesures in situ de capteurs [1]. Cela soulève trois défis. Le premier est de déterminer quelles informations indiquent l’intégrité de la structure. Il est courant de se concentrer sur des paramètres physiquement interprétables, portant par exemple sur l’emplacement d’un dommage, des propriétés mécaniques, des conditions aux limites, un chargement externe ou l’apparition d’instabilités. Dans des environnements opérationnels incertains, ces paramètres doivent être identifiés avec des intervalles de confiance statistiques. Le second est de déterminer quelles connaissances a priori utiliser pour étudier la structure. Les approches fondées sur des modèles mécanistes - explicables mais limités aux systèmes simples - et celles fondées sur des bases de données de mesures - capturant des phénomènes complexes mais peu interprétables - sont complémentaires [2]. Enfin, le dernier défi est de déterminer quelle technologie de capteurs déployer, en tenant compte des contraintes industrielles. Le choix dépend du nombre et de l’emplacement des capteurs, de leur taille, poids, durabilité, conformité réglementaire, et surtout du rapport coût-bénéfice.
Dans les applications industrielles, le rapport coût-bénéfice constitue souvent un obstacle majeur à l’adoption de systèmes de SHM. Par exemple, dans le domaine de l’aviation commerciale, l’utilisation du SHM reste limité, en partie en raison des difficultés à établir un cas d’usage rentable [3]. En effet, le déploiement d’un réseau dense de capteurs pour surveiller de vastes zones d’un aéronef n’est pas seulement coûteux, mais aussi difficile à concilier avec les réglementations strictes régissant l’installation des capteurs. De plus, atteindre un niveau élevé de fiabilité est d’une importance capitale. Développer des systèmes de surveillance intelligents, peu intrusifs mais fiables, représente donc un défi critique et urgent pour le SHM. Relever ce défi avec succès pourrait débloquer des applications économiquement viables dans divers secteurs (aéronautique, turbomachines, procédés industriels, etc.).
Cette thèse s’inscrit dans le cadre du projet ANR JCJC SPARSE-SHM (Sparse structural health monitoring using signature-informed hybrid modeling). L’objectif est de développer une méthodologie innovante de SHM capable de fonctionner avec un nombre très limité de capteurs. Le concept central repose sur la modélisation fondée sur les signatures, qui consiste à élaborer un modèle d’ordre réduit capturant suffisamment d’informations spatiales et temporelles pour estimer des paramètres d’intérêt. Une preuve de concept a été démontrée dans [4] pour un problème industriel de localisation d’impacts sur des fuselages d’avions en composite. Pour améliorer cette approche et ouvrir la voie à de nouvelles applications de surveillance intelligente, des techniques d’assimilation de données [5, 6] et d’intelligence artificielle [7, 8] seront utilisées pour renforcer l’adaptabilité à des conditions opérationnelles variables.

Objectifs de la thèse

Cette thèse combine développements théoriques, méthodes numériques et validation expérimentale. Le·a candidat·e devra :
- Formaliser le concept de signature dans un cadre de réduction de modèle, permettant de développer des modèles rapides encodant des informations critiques sur les paramètres d’intérêt.
- Mettre en œuvre des techniques d’assimilation de données pour améliorer l’adaptabilité des modèles, notamment en présence de facteurs de nuisance tels que la variabilité opérationnelle.
- Concevoir une architecture d’intelligence artificielle permettant d’extraire efficacement des signatures à partir de mesures en ligne de capteurs.
- Valider le concept SPARSE-SHM sur des démonstrateurs expérimentaux réalistes.

Les méthodes proposées seront testées sur une gamme de modèles numériques pertinents pour la surveillance intelligente, allant des systèmes vibratoires dissipatifs (SHM passif) aux systèmes dominés par les ondes (SHM actif).

Références
[1] C. R. Farrar and K. Worden. An introduction to structural health monitoring. In: Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences (2007).
[2] R. Liu et al. Dynamic load identification for mechanical systems: A review. In: Archives of Computational Methods in Engineering (2022).
[3] D. M. Steinweg and M. Hornung. Cost and Benefit of Scheduled Structural Health Monitoring for Commercial Aircraft. In: Proceedings of ICAS 2021, Shanghai, China (2021).
[4] D. Goutaudier et al. Long-range impact localization with a frequency domain triangulation technique: Application to a large aircraft composite panel. In: Composite Structures (2020).
[5] Y. Maday and T. Taddei. Adaptive PBDW approach to state estimation: noisy observations; userdefined update spaces, In: SIAM Journal on Scientific Computing (2019).
[6] G. Revach et al. KalmanNet: Neural network aided Kalman filtering for partially known dynamics. In: IEEE Transactions on Signal Processing (2022).
[7] Le-Khac et al. Contrastive representation learning: A framework and review. In: IEEE Access (2020).
[8] E. J. Cross et al. Physics-informed machine learning for structural health monitoring. In: Structural Health Monitoring Based on Data Science Techniques (2022).

Votre Environnement de Travail

Le laboratoire PIMM est une unité mixte de recherche du CNRS, des Arts et Métiers et du Cnam, dédiée à l’innovation dans les domaines du génie mécanique, des sciences des matériaux et de la simulation numérique avancée. Situé au cœur du 13ᵉ arrondissement de Paris, le laboratoire offre un équilibre privilégié entre une vie universitaire dynamique et une vie urbaine animée.

Rémunération et avantages

Rémunération

2300,00 € bruts mensuels

Congés et RTT annuels

44 jours

Pratique et Indemnisation du TT

Pratique et indemnisation du TT

Transport

Prise en charge à 75% du coût et forfait mobilité durable jusqu’à 300€

À propos de l’offre

À propos du CNRS

Le CNRS est un acteur majeur de la recherche fondamentale à une échelle mondiale. Le CNRS est le seul organisme français actif dans tous les domaines scientifiques. Sa position unique de multi-spécialiste lui permet d’associer les différentes disciplines pour affronter les défis les plus importants du monde contemporain, en lien avec les acteurs du changement.

Le CNRS

Les métiers de la recherche