Thèse Reconnaissance Automatique de Défauts par Méthodes d'Apprentissage de l'Analyse de Performance à la Qualifiabilité dans le Domaine Aéronautique H/F

Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes

Établissement : Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes
École doctorale : Sciences et Technologies de l'Information et de la Communication
Laboratoire de recherche : CEA /LIST - Laboratoire d'intégration de systèmes et de technologies
Direction de la thèse : Bastien CHAPUIS ORCID 0000000324609964
Début de la thèse : 2026-05-01
Date limite de candidature : 2026-06-30T23:59:59

L'objectif principal de la thèse est de développer des méthodes de démonstration de performances des solutions d'inspection des structures aéronautiques s'appuyant sur des algorithmes d'apprentissage machine.
En effet, les enjeux cruciaux de qualité et de sécurité dans le milieu aéronautique nécessitent d'améliorer continuellement l'efficacité et la productivité des méthodes de contrôle non-destructif (CND). L'introduction de l'IA dans l'analyse des données d'inspection est envisagée comme une solution pour pallier la pénurie d'inspecteurs CND qualifiés et pour augmenter la performance industrielle.

Les travaux de recherche sont organisés autour de trois axes principaux :
1.Analyse algorithmique : Étude théorique et expérimentale des différentes classes d'algorithmes d'apprentissage machine pour identifier celles ayant des propriétés favorables à la démonstration de performance. La notion d'explicabilité sera également abordée.
2.Exploration et génération de données : Recherche sur les méthodes d'exploration de données en termes de représentativité et de complétude pour les différents ensembles de données (entraînement, validation, vérification). L'aspect synthèse de données (simulation, generative AI) sera également exploré, sous l'angle de l'utilisabilité dans un contexte de démonstration de performances.
3.Modèles de performance : Proposition de modèles alternatifs de caractérisation de performances de détection, compte tenu que l'hypothèse de probabilité de détection (POD) croissante avec la taille du défaut n'est pas applicable en apprentissage machine.

L'approche méthodologique globale combine analyse théorique et mise en oeuvre pour présenter une thèse ancrée dans la réalité des problématiques applicatives.
Les travaux commenceront par une phase bibliographique pour établir un état de l'art complet sur les modèles et algorithmes d'apprentissage en reconnaissance d'anomalies ou défauts, ainsi que sur les aspects liés à la démonstration de performances de systèmes basés sur de l'apprentissage machine. Cette phase inclut également l'étude des applications et cas d'usages d'inspection chez Airbus.
Dans une deuxième phase, le doctorant travaillera sur l'analyse algorithmique et les méthodes d'exploration des données, en implémentant et testant les méthodes explorées à partir des cas d'usage d'inspection avec IA en cours de développement chez Airbus.
Enfin, les travaux s'orientent vers la partie démonstration de performances, avec une forte orientation « probabilités-statistiques ».

La qualité et la sécurité sont la priorité d'Airbus, dans un contexte économique mondial en mouvement très exigeant en termes de performance industrielle.
Comment combiner un haut niveau de qualité et un haut niveau de performance industrielle ? L'inspection des structures est un des leviers essentiels dans cette démarche. La problématique est de réaliser les contrôles non-destructifs (CND) avec un haut niveau de fiabilité mais en des temps courts et à des coûts réduits. Si les moyens d'inspection robotisés permettent d'accélérer et fiabiliser l'acquisition des données, aujourd'hui l'essentiel du temps d'inspection est consacré à l'analyse des données par des inspecteurs CND certifiés. Par ailleurs, il y a aujourd'hui une pénurie mondiale d'inspecteurs CND qualifiés, résultat d'un désamour des jeunes générations pour un métier à forte technicité, mais qui paraît parfois archaïque, et qui nécessite de passer et repasser des examens de certification tout au long de sa carrière.
Une solution envisagée à cette double problématique d'efficacité et de ressources humaines est d'introduire de l'intelligence artificielle dans l'analyse des données d'inspection.
La reconnaissance automatique d'objets ou d'anomalies fait aujourd'hui partie de notre quotidien dans des applications grand public déployées sur nos smartphones. Ses capacités peuvent aussi être appréciées dans les automobiles les plus récentes, mais sont, au mieux, utilisées comme outil d'assistance, ou même le plus souvent proposés comme un gadget censé démontrer la modernité technologique de la voiture.
Dans le domaine de l'imagerie médicale, assez proche par nature du CND aéronautique, l'utilisation d'algorithmes d'apprentissage pour la reconnaissance d'anomalies est également de plus en plus courante. Les images et résultats produits sont cependant totalement supervisés par un spécialiste.
Dans le cas du CND de structures aéronautiques, les premières étapes qui consistent à assister l'inspecteur dans son travail d'analyse sont intéressantes, mais le réel saut technologique et de valeur est attendu dans une version plus avancée qui permettrait à l'inspecteur de ne superviser qu'une partie des résultats préalablement analysés par une IA, ou encore, étape ultime, que l'IA analyse automatiquement les données et produise automatiquement le rapport d'inspection.
Les bénéfices financiers et en productivité seraient conséquents et permettraient à Airbus de faciliter la montée en cadence de sa production.
Cependant ces étapes nécessitent de démontrer soigneusement (et réglementairement) les performances de détection des algorithmes d'apprentissage concernés afin de s'assurer que les résultats produits par l'IA ne laissent pas passer de défauts qui devraient être détectés et reportés.

C'est la problématique de démonstration des performances d'algorithmes d'apprentissage qui motive les travaux de recherche proposés dans cette thèse.
En effet, traditionnellement les performances des procédés d'inspection sont démontrées en combinant le jugement de l'ingénieur et des études statistiques qui permettent d'établir des courbes de probabilités de détection (POD: Probability of Detection).
Or les algorithmes d'apprentissage (machine learning/deep learning) ne sont généralement pas explicables en termes d'ingénieurs, ce qui impose des démonstrations statistiques très exhaustives et prohibitives quant au nombre et à la nature des données à produire.
Par ailleurs, le contexte de l'interprétation par l'humain a amené la communauté du CND à établir des standards de démonstration de POD sur la base de l'hypothèse que plus le défaut est grand, plus il est facile à détecter, donnant lieu à des méthodes de régression statistiques utilisant des modèles de courbe POD continûment croissantes. Or en apprentissage machine, la propriété de probabilité de détection croissante avec la taille du défaut n'est en général pas vraie ou démontrable.
Enfin le troisième défi est lié au cadre de qualification en aéronautique qui impose de figer tous les paramètres du procédé lorsqu'il a été qualifié. Ce dernier point est contraire à l'idée même d'apprentissage, qui demanderait de pouvoir mettre à jour le modèle de détection quand des données intéressantes ont été observées, afin d'améliorer progressivement les performances du modèle d'IA.