Informations générales
Entité de rattachement
Le CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat.
Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale. Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs.
Implanté au cœur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international.
Les 20 000 collaboratrices et collaborateurs du CEA partagent trois valeurs fondamentales :
• La conscience des responsabilités
• La coopération
• La curiosité
Référence
2024-34147
Description de l'unité
Le Laboratoire Instrumentation Intelligente, Distribuée et Embarquée (LIIDE) a pour mission de développer une plateforme mixte, matérielle et logicielle, pour concevoir les fonctionnalités de l'instrumentation du futur. Le laboratoire développe conjointement 1) le volet matériel, visant des cartes électroniques polyvalentes et modulaires, accompagnées des logiciels nécessaires à leur fonctionnement, pour couvrir une large gamme de technologie de capteurs ; et 2) des fonctionnalités innovantes d'intelligence artificielle pour la mesure répartie et l'apprentissage frugal et distribué. Le stage est proposé, en collaboration avec le Laboratoire d'Instrumentation MultiTEchnique (LIMTEC), dont les missions incluent l'étude et le développement des techniques de contrôle et de diagnostic basées sur la réflectométrie électrique et ses variantes.Le laboratoire est ancré dans un environnement riche centré autour de l'instrumentation numérique pour le contrôle, le monitoring et le diagnostic. Le département auquel il appartient s'appuie sur une large gamme de capteurs (fibres optiques, capteurs piézo-électriques, sondes Courants de Foucault, rayons X) ainsi que sur des plateformes d'expérimentation de pointe. Les applications sont principalement focalisées sur le contrôle non-destructif (Non-Destructive Evaluation - NDE) ou la surveillance de l'état de santé de structures (Structural Health Monitoring - SHM).
Description du poste
Domaine
Mathématiques, information scientifique, logiciel
Contrat
Stage
Intitulé de l'offre
Apprentissage par transfert pour le diagnostic de câble par réflectométrie H/F
Sujet de stage
La réflectométrie permet de détecter et caractériser les défauts sur les câbles en analysant les signaux réfléchis générés par des variations d'impédance. Pour une analyse précise, une bande passante élevée est nécessaire, ce qui pose des défis sur des systèmes embarqués. Des modèles d'apprentissage automatique allégés peuvent aider à détecter les défauts sans nécessiter de lourds calculs.
Toutefois, la précision de ces modèles dépend de la correspondance entre les données d'entraînement et celles en conditions réelles, affectées par divers facteurs comme la longueur et le type de câble. Le stage vise à évaluer l'impact de ces variations et à appliquer l'apprentissage par transfert pour adapter les modèles malgré ces changements.
Durée du contrat (en mois)
6
Description de l'offre
Contexte
La réflectométrie est une méthode de diagnostic qui permet d’identifier et caractériser des défauts électriques sur des câbles ou plus généralement des lignes de transmission. Elle exploite les propriétés physiques de la propagation des ondes dans un milieu, et en l’occurrence un câble. En effet, lorsqu’on y injecte un signal approprié, les variations d’impédance dues à la présence d’un défaut provoquent la naissance d’un signal réfléchi qui peut être exploité pour détecter, localiser et caractériser le défaut. L’analyse de ces défauts permet d’améliorer la maintenance des câbles.
Afin de caractériser finement les défauts, il est nécessaire d’augmenter la bande passante du signal injecté, ce qui pose différents défis lorsque l’analyse doit être exécutée sur un système embarqué ayant des capacités computationnelles limitées.
Une réponse peut y être apportée en utilisant des modèles d’apprentissage automatique allégés et préalablement entraînés pour inférer la présence et les propriétés de défauts sans passer par une chaîne de traitements coûteuses en mémoire et en calculs.
Changement de distribution des données
Cependant, leur précision peut être garantie à condition que les données vues en phase d’inférence suivent la même distribution que les données vues en phase d’entraînement.
En pratique, plusieurs facteurs indépendants de la nature des défauts peuvent affecter la distribution des données : la longueur de câble, les différences de fabrication entre câbles de même type et de même longueur, le type de câble, les contraintes physiques auxquelles est soumis le câble, la fréquence du signal injecté ou encore l’encodage du signal réfléchi dans le convertisseur analogique numérique. De plus, en conditions opérationnelles, on ne dispose d’aucune ou de très peu de données annotées qui permettraient d’entraîner un nouveau modèle à partir de zéro.
L’objectif du stage sera d’évaluer l’impact de ces changements de distribution sur les performances des modèles de détection des défauts et de mettre en œuvre des stratégies d’apprentissage par transfert permettant de le mitiger.
Déroulement du stage
Les travaux de stage se dérouleront en deux étapes décrites ci-dessous.
Étude exploratoire des variations distributionnelles selon leur origine
Il s’agira à l’aide de techniques de visualisation de caractériser qualitativement les changements de distributions des données dans différents cas de figure : type de câble, longueur, compression, etc.
Mise en œuvre et évaluation de trois stratégies d’adaptation de modèles
- Apprentissage avec augmentation de données
- Ré-entraînement partiel de modèle
- Adaptation de domaine
L’objectif sera de proposer une méthodologie qui permette d’obtenir le meilleur compromis entre précision de détection des défauts du modèle adapté et quantité de nouvelles données nécessaires pour l’adaptation du modèle.
Moyens / Méthodes / Logiciels
Transfert learning / Python
Profil du candidat
Master 2/Bac+5 école d’ingénieurs
Formation : traitement du signal, data sciences
Curieux, autonome, à l'aise en rédaction
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.
Localisation du poste
Site
Saclay
Localisation du poste
France, Ile-de-France, Essonne (91)
Ville
Saclay