Contexte : Les méthodes d'apprentissage profond basées sur les réseaux de neurones sont des approximateurs universels et sont appliquées depuis de nombreuses années pour identifier les paramètres de systèmes représentés par des modèles
mathématiques. Cependant, leurs performances dépendent des données utilisées pour l'entraînement. L'objectif du stage est de contribuer au développement d’un algorithme d'apprentissage profond dans lequel la convergence serait pilotée par des contraintes issues de la physique du système. Ces contraintes peuvent être exprimées, par exemple, sous la forme d'EDP ou d'un modèle par éléments finis.[...]

Mission : L'objectif de ce stage est de créer un couplage entre l'apprentissage automatique et un modèle basé sur le comportement mécanique d’une structure (poutre ou plaque) dans l’objectif d’identifier
des propriétés de structures qui ne sont pas toujours simple d’accès sans essais destructifs (module élastique, facteur de perte, …), notamment pour les structures composites.Il combinera développements numériques sous Python (algorithmes d’apprentissage et d’identification), simulations éléments finis et caractérisations expérimentales.

Durée : 5 à 6 mois à partir de Février 2025, avec une poursuite en thèse envisageable.