Sujet :

Traitement de signal par Deep Learning pour des applications en vélocimétrie

Contexte :

Dans le domaine de la physique des chocs ou plus généralement de l’étude du comportement dynamique des matériaux, l’interférométrie Doppler de type VISAR (Velocity Interferometer System for Any Reflector), développé dans les années 1970, a représenté une avancée considérable. Des phénomènes rapides (quelques nanosecondes à quelques microsecondes) et à grande vitesse (plusieurs centaines de mètres par seconde) pouvaient alors être mesurés. Ces systèmes ont évolué au fil des ans, donnant lieu à différentes générations d’équipements et à de nombreux développements. L’apparition de composants optiques fibrés dans le domaine des télécommunications a facilité la réalisation de systèmes Vélocimétrie Hétérodyne (VH, aussi dénommé Interférométrie Doppler Fibré ou Photonic Doppler Velocimetry en anglais). Ces systèmes offrent de nombreux avantages en termes d’exactitude et de reproductibilité des mesures. L’une des orientations du CEA-Gramat sur les recherches et développements actuels porte sur la mise à niveau de l’outil de traitement du signal par l’ajout d’une méthode basée sur le « deep learning ». Les techniques de « deep learning » connaissent actuellement un vif succès dans le domaine de la reconnaissance d’objet(s) dans des images ou des vidéos. Ces techniques peuvent aussi être utilisées dans le traitement de signaux expérimentaux complexes avec pour but d’alléger les temps de calculs et également gagner en performance.

Objectif :

L’objectif de ce post-doc est de développer une solution adaptée pour traiter des signaux de mesures de vitesse par effet Doppler et de quantifier l’erreur résiduelle sur la mesure de vitesse.
Ce travail reprendra un premier travail réalisé récemment au CEA/Gramat. Le(a) candidat(e) effectuera une analyse du besoin et des performances requises pour nos besoins afin de guider le choix de l’architecture et des algorithmes d’un réseau de neurones. Le développement sera réalisé avec le langage de programmation Python. La base de données pour les phases d’apprentissage du réseau de neurones sera fournie et alimentée avec des données expérimentales et théoriques. Le(a) candidat(e) devra proposer des évaluations numériques de la technique et tester le réseau de neurones. Enfin, l’algorithme développé sera comparé à ceux développés dans nos outils classiques de traitement de signaux et l’estimation des incertitudes sur la mesure d’un profil de vitesse sera réalisée. De bons résultats générés pourraient certainement être publiés dans un article scientifique par le(a) candidat(e).
Un volet expérimental complémentaire est également envisagé avec la validation d’un nouveau système VH mis en oeuvre sur des expérimentations de dynamique des matériaux notamment sur un générateur de rampe de compression nommé GEPI (Générateur Electrique de Pressions Intenses) utilisant les Hautes Puissances Pulsées (HPP), qui permet d’atteindre des contraintes maximales de l’ordre de 100 GPa avec des temps de montée caractéristiques de 450-500 ns.

Contact :

BARBARIN Yohan
CEA/GRAMAT – BP80200 – 46500 Gramat
Tél. : 05.65.10.54.32 – yohan.barbarin@cea.fr