Thèse Traçabilité Numérique et Indicateur Qualité en Fabrication Additive Lpbf une Approche Low Data par Fusion de Données Fao et Monitoring Multi-Capteurs Machine H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes École doctorale : Sciences Mécaniques et Energétiques, Matériaux et Géosciences Laboratoire de recherche : Laboratoire Universitaire de Recherche en Production Automatisée Direction de la thèse : Yann QUINSAT ORCID 0000000335456019 Début de la thèse : 2026-09-01 Date limite de candidature : 2026-04-21T23:59:59 La fabrication additive par fusion laser sur lit de poudre (LPBF) est stratégique pour les secteurs aéronautique, énergétique et médical, mais son déploiement industriel reste freiné par le manque d'expertise (production en petite série, procédé récent), et l'absence de traçabilité. Les machines LPBF génèrent pourtant de nombreuses données issues de capteurs variés (bain de fusion, imagerie, thermique, atmosphère, états machine). Ces données sont massives, hétérogènes et peu annotées, rendant les approches classiques de type big data ou deep learning peu adaptées au contexte industriel. Cette thèse propose une méthodologie de traçabilité numérique en contexte low data, fondée sur la fusion de deux sources complémentaires : les données FAO, déterministes et décrivant les consignes nominales de fabrication, et les données de monitoring multi-capteurs, reflétant l'état réel du procédé. L'objectif est de construire une traçabilité exploitable permettant d'estimer un niveau de confiance, malgré peu d'essais expérimentaux et peu de défauts avérés. Les travaux s'articulent autour de quatre axes : (1) valoriser les données FAO comme socle explicatif du procédé via des descripteurs géométriques et physique ; (2) exploiter de manière frugale et interprétable les signaux capteurs ; (3) extraire des indicateurs robustes, multi-capteurs et multi-échelles, caractérisant la stabilité locale et global du procédé ; (4) fusionner ces informations pour définir un indice de confiance qualité. Le cadre méthodologique repose sur des outils adaptés au low data : modèles bayésiens pour la fusion probabiliste et la quantification d'incertitude, la détection d'anomalies, réduction de dimension (ACP), clustering non supervisé et modèles physiques simplifiés issus de la FAO pour établir un référentiel nominal. Les contributions attendues incluent une méthodologie de traçabilité multi-capteurs industrialisable, de nouveaux descripteurs physiques interprétables, une représentation multi-échelle de la fabrication et un indice de confiance qualité destiné à orienter les contrôles non destructifs et soutenir la certification des pièces LPBF. La fabrication additive par fusion laser sur lit de poudre (LPBF) se positionne comme une technologie clé dans les secteurs
aéronautique, énergétique et médical. Cependant, son déploiement industriel à grande échelle se heurte à plusieurs défis majeurs :
l'absence de traçabilité fiable des pièces produites, la production en petites séries ou unitaire rendant inapplicables les méthodes
statistiques classiques, et la difficulté à constituer des bases de données volumineuses de défauts.
Les machines LPBF modernes génèrent une grande variété de données issues de multiples capteurs embarqués (monitoring du bain
de fusion, images de mise en couche, données sur la chambre d'impression, capteurs machine et états procédés). Ces données sont
massives, hétérogènes, et rarement annotées, tandis que les anomalies avérées restent peu fréquentes. Contrairement aux procédés
conventionnels, cette abondance de données brutes ne se traduit pas directement par une compréhension utilisable du procédé. En
effet, la très grande majorité des données acquises concernent une production stable et sans défaut induit sur la pièce.
Face à ces contraintes, les approches traditionnelles de type big data ou deep learning s'avèrent inadaptées. Cette thèse propose une
méthodologie fondée sur le context low data, visant à maximiser l'extraction d'informations pertinentes à partir d'un nombre limité
d'essais expérimentaux, tout en exploitant la complémentarité entre données déterministes (FAO) et données capteurs multi-sources
reflétant la réalité physique du procédé. Comment construire une traçabilité numérique fiable et exploitable des pièces LPBF, permettant d'estimer un niveau de confiance
qualité à l'échelle locale, c'est-à-dire au niveau des voxels ou des couches de fabrication, ainsi qu'à l'échelle globale, correspondant à la
qualité et à la conformité de la pièce finale dans son ensemble, dans un contexte caractérisé par peu de données expérimentales, peu
de défauts observés, et des signaux capteurs multiples, bruités et partiellement redondants ?
Cette problématique se décline en quatre axes :
1. Comment valoriser les données de Fabrication Assistée par Ordinateur (FAO), déterministes et disponibles a priori, comme socle
explicatif structurant du procédé ?
2. Comment exploiter de manière frugale et physiquement interprétable l'ensemble des capteurs machine LPBF (bain de fusion,
optique, thermique, atmosphère, états machine), malgré un nombre limité d'exemples annotés ?
3. Comment extraire des descripteurs robustes, multi-capteurs et multi-échelles, capables de caractériser la stabilité locale du procédé
et ses dérives potentielles ?
4. Comment fusionner ces informations hétérogènes pour associer un niveau de confiance qualité local (voxel, trajectoire, couche) et
global à la pièce finale ?

Le/la candidat(e) doit être un/une avoir suivi des formations en ingénierie mécanique et/ou science mécanique.
Avoir un goût pour le traitement de données, la mesure et la FAO