Dans ce contexte, le projet RADIANCE, financé dans le cadre de l’appel HORIZON-CL5-2024-D4-02-02, vise à transformer les pratiques de construction et de rénovation par l’intégration de technologies avancées de robotique, d’automatisation et de numérisation. L’un des principaux résultats attendus du projet est le développement de solutions robotiques innovantes pour la rénovation des façades. Dans ce cadre, l’Université Gustave Eiffel développe une sonde multi-physique d’évaluation non destructive (END), conçue pour être intégrée sur des plateformes de drones développées par les partenaires du projet, afin d’évaluer l’intégrité structurelle des façades en béton.

Objectifs

L’objectif de cette thèse de doctorat est de développer une méthodologie d’interprétation basée sur l’apprentissage automatique, exploitant les informations complémentaires fournies par les trois modalités physiques intégrées dans la sonde END, à savoir la résistivité électrique, la mesure capacitive et les ondes de surface ultrasonore [1].

La méthodologie proposée permettra la reconstruction quantitative de gradients spatiaux des propriétés du béton, tels que le taux de saturation en eau, le module mécanique et la porosité.

Tâches principales

Le/la doctorant(e) sera amené(e) à :

• Réaliser la modélisation numérique des trois techniques END afin d’évaluer l’influence des gradients pertinents de propriétés des matériaux sur chaque observable END, et de générer des jeux de données synthétiques d’apprentissage de grande taille ;

• Concevoir et mettre en œuvre des expériences en laboratoire pour produire des données expérimentales représentatives destinées à l’apprentissage ;

• Développer des algorithmes d’apprentissage automatique informés par la physique, entraînés à partir de simulations numériques et de mesures expérimentales, en s’appuyant sur une approche d’apprentissage par transfert, afin de reconstruire quantitativement les gradients de propriétés des matériaux [2], [3], [4] ;

• Démontrer l’intérêt et l’efficacité des algorithmes lors d’une expérimentation à l’échelle du terrain sur un mur en béton de dimension métrique, en utilisant la sonde END multi-physique intégrée sur un drone.

Résultats attendus

• Un cadre de calcul multi-physique basé sur Python pour l’apprentissage automatique, dédié à la caractérisation END des gradients de propriétés, intégrant des simulations multi-physiques et des mesures expérimentales ;

• Une validation expérimentale de la méthodologie proposée à l’aide de la sonde END multi-physique, en configurations laboratoire (portée à la main) et in situ (montée sur drone) ;

• Une diffusion en libre accès des résultats, comprenant des publications dans des revues à comité de lecture, du code source accessible publiquement (par exemple via GitHub), ainsi que des jeux de données expérimentaux et numériques structurés.

Références

1] M. Fengal, P. Mora, P. Shokouhi, O. Durand, X. Dérobert, S. Palma-Lopes, M. Lehujeur, G. Villain, E. Gennesseaux, O. Abraham, Coherent and incoherent Rayleigh wave attenuation for discriminating microstructural effects of thermal damage from moisture conditions in concrete, NDT & E International, 156, 2025.  https://doi.org/10.1016/j.ndteint.2025.103473

[2] Y. Hu, X. Wei, X. Wu, J. Sun, J. Chen, Y. Huang, J. Chen, A deep learning-enhanced framework for multiphysics joint inversion, Geophysics, 88(1), K13-K26, 2023. https://doi.org/10.1190/geo2021-0589.1 

[3] Y. Ren, B. Liu, B. Liu, Z. Liu, P. Jiang, Joint Inversion of Seismic and Resistivity Data Powered by Deep Learning, IEEE Transactions on Geoscience and Remote Sensing, 62, 5929614, 2024. https://doi.org/10.1109/TGRS.2024.3458402 

[4] M. Skiadopoulos, D. Kifer, P. Shokouhi, A transfer learning approach to the prediction of porosity in additively manufactured metallic components, NDT & E International, 157, 2026. https://doi.org/10.1016/j.ndteint.2025.103531