Forum 'Thèses et Post-Docs' - Sujet créé le 2026-02-13 par Nicolas Jozefowiez
Modèles de substitution et optimisation multi-objectif pour le procédé de Cold Spray
Encadrement :
- Bernardetta Addis — bernardetta.addis@loria.fr (LORIA, Université de Lorraine)
- Nicolas Jozefowiez — nicolas.jozefowiez@univ-lorraine.fr (LORIA, Université de Lorraine)
- Tanguy Lacondemine — tanguy.lacondemine@cea.fr (CEA Tech)
- Financement : Projet PEPR
- Durée : 3 ans
- Début : Dès que possible à partir de mars 2026
- Lieu : LORIA, Metz ou Nancy
Contexte scientifique
Les procédés de Cold Spray présentent des défis d'optimisation complexes dus aux interactions multi-physiques entre les paramètres du procédé (température du gaz, pression, vitesse de projection, distance buse-substrat) et les propriétés finales des revêtements. L'expérimentation étant coûteuse en temps et en ressources, il est essentiel de pouvoir prédire des configurations intéressantes à explorer. Cette thèse porte sur la construction de modèles de substitution (surrogate models) permettant de prédire les qualités obtenues en fonction des paramètres d'entrée, et sur le développement de méthodes d'optimisation multi-objectif pour identifier les configurations les plus prometteuses.
Objectifs de la thèse
Le ou la candidat(e) développera une approche intégrée autour de deux piliers méthodologiques principaux.
1. Construction de modèles de substitution intelligents
- Développement de modèles de substitution par apprentissage automatique intégrant des données expérimentales et, le cas échéant, des données issues de simulations numériques.
- Exploration de différentes approches de modélisation : processus gaussiens (y compris hétéroscédastiques pour capturer l'incertitude liée aux différentes sources de données), réseaux de neurones, ou méthodes hybrides.
- Traitement et analyse des données multi-sources :
- Analyse exploratoire et prétraitement des données hétérogènes (instrumentations in situ, caractérisations post-dépôt et, éventuellement, simulations).
- Extraction et sélection de caractéristiques pertinentes, physiquement guidées, pour améliorer la performance et l'interprétabilité des modèles.
- Gestion de la dimensionnalité et de la parcimonie des données expérimentales.
- Définition de critères de qualité pertinents et mesurables pour l'évaluation des revêtements (composition, microstructure, porosité, efficacité de dépôt).
2. Optimisation multi-objectif sous contraintes
- Développement et adaptation d'algorithmes d'optimisation multi-objectif adaptés aux fonctions « boîte noire » coûteuses à évaluer.
- Exploration d'approches d'optimisation bayésienne multi-objectif exploitant les modèles de substitution développés.
- Investigation de métaheuristiques adaptées au contexte (algorithmes évolutionnaires, optimisation par essaims, etc.).
- Gestion du compromis entre objectifs contradictoires (par exemple, propriétés mécaniques vs. efficacité du procédé vs. coût énergétique).
- Stratégies d'échantillonnage séquentiel pour la mise à jour adaptative des modèles de substitution.
Collaboration et interaction
Ce travail s'inscrit dans un projet plus large où les aspects de simulation numérique du procédé seront développés par d'autres collaborateurs. Le ou la candidat(e) travaillera en interaction avec ces équipes, notamment pour :
intégrer les résultats de simulation comme source de données complémentaires pour les modèles de substitution ;
fournir des recommandations de configurations optimales à tester expérimentalement ou en simulation ;
valider les prédictions des modèles de substitution.
Applications et retombées
Les outils développés permettront :
- d'accélérer la découverte de paramètres de procédé optimaux pour différents objectifs applicatifs ;
- de réduire significativement le nombre d'expérimentations physiques nécessaires ;
- de mieux comprendre les relations entre paramètres d'entrée et propriétés des revêtements ;
- de fournir une méthodologie générique transférable à d'autres procédés de fabrication additive.
Profil recherché
- Master (ou équivalent) en informatique ou en mathématiques appliquées, avec des compétences en optimisation et/ou en apprentissage automatique. Une appétence pour les applications industrielles et le travail interdisciplinaire sera appréciée.
Candidature
Envoyer par courriel ou via la plateforme ADUM :
- un CV détaillé ;
- un relevé de notes ;
- le rapport de stage de master (si disponible).
Contacts : bernardetta.addis@loria.fr, nicolas.jozefowiez@univ-lorraine.fr, tanguy.lacondemine@cea.fr
Mots-clés : modèles de substitution, optimisation multi-objectif, optimisation bayésienne, apprentissage automatique, processus gaussiens, métaheuristiques, Cold Spray, fabrication additive.