Apprentissage profond par transfert pour la modélisation mécanique à base d'images

Dans l'industrie, de plus en plus de capteurs fournissent diverses images d'objets pour lesquels peuvent se poser des questions de maintenance predictive, de nocivité, de défauts, de non qualité, de déploiement de jumeaux numériques, de prise de décision sous incertitudes. Ces images sont 2D, 3D ou 4D, et produites par différents types de capteurs optiques, infrarouges, ultrasons, RX...

Dans ce contexte, il existe actuellement un fort potentiel de développement de capteurs intelligents, dans le sens où ces capteurs intègreraient plus de capacité de modélisation, de calcul et de connection à un réseau informatique. Ce type de capteur aurait de nouvelles fonctionnalités de recommandation et d'apprentissage statistique. Ces fonctionnalites restent a inventer en exploitant les avancées récentes en intelligence articielle et en réduction de modèles mécaniques.

Nous proposons d'accompagner le déploiement des algorithmes issus de l'intelligence articielle en développant des méthodes d'apprentissage profond par transfert pour la modélisation accélerée d'objets vu par des techniques d'imagerie. On se limite ici à des applications mécaniques en secteur industriel, pour lequel il y a peu de soucis éthiques. Le transfert concerne les connaissances et les données acquises en mécaniques des matériaux en exploitant des modèles hyper-réduits.