Développement d'Une Méthode Automatique de Classification des Structures de Trempe dans les Alliages H/F - Framatome
Les missions du poste
Implantée dans une vingtaine de pays, Framatome rassemble les expertises d'hommes et de femmes passionnés et convaincus que le nucléaire est une énergie d'avenir. Entreprise responsable, Framatome déploie des actions pour former et accompagner les premières expériences professionnelles (label Happy Trainees), intégrer tous les talents, dont les personnes en situation de handicap, oeuvrer pour l'égalité professionnelle et la mixité de nos métiers (94/100 à l'index de l'égalité hommes-femmes) et concilier les temps de vie.
Rejoignez-nous et suivez notre actualité sur www.framatome.com, LinkedIn ou bien Instagram.
Contexte
Les alliages de zirconium utilisés dans l'industrie nucléaire subissent au cours de leur fabrication différents traitements thermiques qui modifient leur microstructure et leurs propriétés mécaniques. Parmi ces traitements, les opérations de trempe peuvent conduire à l'apparition de structures dites en vannerie, susceptibles d'influencer les étapes ultérieures de mise en forme.
Aujourd'hui, l'évaluation de la proportion de vannerie dans une micrographie métallographique repose essentiellement sur l'expertise visuelle. Cette approche présente toutefois plusieurs limites : subjectivité de l'analyse, difficulté de reproductibilité et temps d'évaluation important. Une étude préliminaire a permis d'identifier plusieurs métriques et approches prometteuses pour automatiser cette caractérisation microstructurale.
Objectifs du stage
L'objectif du stage est de développer et qualifier une méthode robuste de classification automatique des structures de trempe à partir d'images métallographiques.
Les travaux porteront notamment sur :
- l'analyse critique des approches identifiées lors de la pré-étude ;
- la validation des métriques et critères de classification retenus ;
- l'exploration de nouvelles méthodes de caractérisation d'images ;
- l'évaluation de l'apport potentiel de techniques d'intelligence artificielle pour améliorer les performances de détection ;
- la qualification de la méthode développée à travers la comparaison avec les évaluations réalisées par des experts métier.
Travail proposé
L'outil existant est développé en Python et s'appuie sur des bibliothèques open source d'analyse d'image. Il repose sur un pipeline déterministe combinant différentes étapes de traitement :
- prétraitement des images ;
- extraction de caractéristiques géométriques et texturales ;
- calcul d'indicateurs microstructuraux ;
- agrégation des résultats sous la forme d'un score de proportion de vannerie.
- Le stagiaire participera à l'amélioration de ce pipeline et à son évaluation sur un ensemble représentatif de micrographies industrielles.
Selon l'avancement des travaux, des approches basées sur l'apprentissage automatique ou le deep learning pourront être étudiées et comparées aux méthodes déterministes existantes.
Le profil recherché
Étudiant(e) en dernière année d'école d'ingénieur ou de Master 2 avec une spécialisation en :
- informatique scientifique ;
- science des matériaux ;
- traitement d'image ;
- intelligence artificielle ou data science.
Compétences souhaitées :
- programmation Python ;
- traitement et analyse de données ;
- rigueur scientifique et esprit critique ;
- autonomie et capacité de synthèse.
Une expérience en analyse d'image constitue un atout, mais n'est pas indispensable. Une forte motivation pour l'apprentissage de nouvelles méthodes et une capacité à exploiter efficacement la littérature scientifique seront particulièrement appréciées.
Compétences requises
- Capacité à synthétiser
- Python
- Programmation
- Intelligence artificielle
- Autonomie
- Traitement d'image
- Machine learning
- Analyse de données
- Science des matériaux