Méthodes d'apprentissage profonds visant le contrôle des structures critiques : vers des solutions en quasi temps réel pour la résolution de problèmes directes et inverses

L'utilisation des méthodes d'Intelligence Artificielle (i.e., méthodes d'apprentissage par réseaux neuronaux profondes) ouvre des perspectives très intéressantes dans le domaine du contrôle non destructif (CND) appliqué dans le domaine industriel comme par exemple l'assistance au diagnostic sur la base de mesures non-destructives. Récemment, l'utilisation des techniques d'apprentissage profond a montré des premieres résultats encourageants dans le domaine du contrôle de la santé intégré [1], dans le contrôle des températures par méthodes d'imagerie infrarouge dans les centrales de fusion nucléaires [2, 3] et pour la génération de données réalistes dans le cas d'imagerie par ultrasons, entre autres. Néanmoins, malgré plusieurs succès récents des techniques d'apprentissage automatique appliquées au CND, des verrous restent encore à lever pour rendre performantes et robustes ces techniques et les utiliser de manière fiable et systématique dans le domaine du CND hautement critique. Cette thèse vise à répondre à deux principaux points qui jouent un rôle dominant sur les performances des modèles d'apprentissage : i) le manque de données labélisées disponibles pour l'apprentissage des réseaux de neurones et ii) l'impact de incertitudes, qu'elles soient aléatoires ou bien épistémiques. Dans ce contexte, l'usage de la simulation permet de dépasser une grande partie des limitations actuelles, liées au manque de données de terrain labellisées, en créant de grandes bases de données synthétiques d'apprentissage, capable de couvrir tous types de scénarios et des cas non encore observés. La difficulté, cependant ici, est d'être capable de gérer les incertitudes inhérentes à la mesure expérimentale (erreur de calibration, bruit de mesure, etc.) et les incertitudes du modèle lui-même (i.e., les erreurs à la fois du modèle physique utilisé pour l'apprentissage et celle du modèle d'apprentissage ?réseaux de neurones). Cette thèse vise à améliorer la qualité des prédictions par IA dans le cas des modèles direct (de l'observable à la mesure) et dans le cas de modèles inverses (de la mesure à l'observable). En première lieu, une attention particulière sera mise sur la conception d'outils d'apprentissage profond de type générative conditionnées (e.g., auto-encodeurs variationels conditionnés, architectures de type UNET conditionnées, etc.) -reposant sur l'utilisation de données multi-fidélités- pour la génération de données réalistes, l'analyse et l'optimisation des problèmes d'inspection CND. Dans une deuxième étape, une forte attention sera donnée aux schémas d'apprentissage profond capable de promouvoir l'estimation des incertitudes (e.g., méthodes d'ensemble, Monte Carlo drop out, etc.) associées à la tâche d'apprentissage menées (i.e., régression, classification, etc.). Dans ce travail de thèse, l'application des outils d'apprentissage développées se fera dans deux principaux domaines d'intérêt : le contrôle des parois des centrales de fusion nucléaire par imagerie infrarouge et l'inspection de pièces industrielles par imagerie ultrasonore.