Pause
Lecture
Moteur de recherche d'offres d'emploi CEA

Résolutions de problèmes inverses par deep learning appliqués à l'interférométrie


Détail de l'offre

Informations générales

Entité de rattachement

Le CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat.

Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale. Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs.

Implanté au cœur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international.

Les 20 000 collaboratrices et collaborateurs du CEA partagent trois valeurs fondamentales :

• La conscience des responsabilités
• La coopération
• La curiosité
  

Référence

SL-DAM-24-0696  

Direction

DAM

Description du sujet de thèse

Domaine

Sciences pour l'ingénieur

Sujets de thèse

Résolutions de problèmes inverses par deep learning appliqués à l'interférométrie

Contrat

Thèse

Description de l'offre

Dans la continuité des travaux de thèse de Benoît Rougier et de Jérémi Mapas appliqués à l'interférométrie radiofréquence sur la compréhension de la propagation d’une onde électromagnétique à travers une onde de choc pour l'étude à coeur des propriétés de matériaux innovants, cette thèse vise à exploiter les signaux bruts du radio-interféromètre pour déterminer simultanément la vitesse d’un choc et la vitesse matérielle dans des solides inertes ou énergétiques soumis à un choc soutenu ou non-soutenu. Un modèle de propagation des ondes millimétriques dans un milieu dissipatif présentant deux couches diélectriques séparées par des interfaces en mouvement a été élaboré pour adresser le cas du choc soutenu. Une résolution du problème inverse du modèle à deux couches avec pertes a été proposée avec l'apport du deep learning et des réseaux convolutifs. Un modèle multicouche sans pertes diélectriques a été également initié pour le cas du choc non soutenu.

Université / école doctorale

Génie Electrique - Electronique - Télécommunications (GEET)
Toulouse III

Localisation du sujet de thèse

Site

Gramat

Critères candidat

Formation recommandée

bac + 5

Demandeur

Disponibilité du poste

01/10/2024

Personne à contacter par le candidat

Lefrançois Alexandre alexandre.lefrancois@cea.fr
CEA
DAM GRAMAT
CEA Gramat
BP 80 200
46500 Gramat
05 65 10 52 07

Tuteur / Responsable de thèse

AUBERT Hervé herve.aubert@enseeiht.fr
INP Toulouse / ENSEEIHT
LAAS-CNRS
INP Toulouse
2, rue Charles Camichel
31071 TOULOUSE Cedex 7

0561336361

En savoir plus