Post-doctorat en IA frugale et durabilité des composites F/H

Il y a 1 jour

Angers, Pays de la Loire, France Arts et Métiers Temps plein

Qui sommes-nous ?

Grand établissement technologique, Arts et Métiers compte 14 sites

et a pour mission principale de former les leaders des industries

responsables, qui conçoivent et mettent en œuvre les innovations

technologiques et organisationnelles impactantes, indispensables aux

transitions énergétiques environnementales et sociétales. Il forme

chaque année plus de 6 000 étudiant·e·s du bac+3 jusqu’au bac+8.

Par ses formations, ses 15 laboratoires et sa recherche partenariale, Arts

et Métiers est un acteur socio-économique au service des territoires.

Environnement du poste

Le poste est rattaché au projet COMPOSIA et s’inscrit au sein de l’équipe

du Laboratoire Angevin de Mécanique, Procédés et InnovAtion (LAMPA).

L’équipe du LAMPA possède une expertise dans la mise en place d’essais

pour prédire la durabilité des composites ainsi dans la mise en place de

méthodes numériques avancées avec notamment des modèles d’IA

basés sur la physique qui permettent de prédire des phénomènes

physiques avec un nombre de données expérimentales limitées. Ce

projet bénéficie d’un double financement Angers Loire Développement

et Carnot Arts. Ce projet Carnot Arts est en collaboration avec l’équipe

du PIMM (Procédés et Ingénierie en Mécanique et Matériaux), reconnue

pour ses compétences en IA et en compréhension des mécanismes de

vieillissement des composites, la post-doctorante ou le post-doctorant

bénéficiera d’un environnement de travail en équipe avec des expertises

à la fois en numérique, modélisation et expérimental.

Missions et activités principales

Le projet COMPOSIA s’inscrit dans le cadre des transitions écologique et

numérique. Il vise à développer une méthodologie hybride basée sur des

outils d’intelligence artificielle qui combinent données et modèles

physiques (IA frugale) pour prédire la durabilité des matériaux composites

à matrice thermodurcissable utilisés dans le bâtiment en zone inondable.

Compte tenu des changements climatiques en milieu urbain, il est

important de contrôler en temps réel la dégradation des bâtiments et de

proposer des solutions de prédiction des durées de vie. Le matériau choisi

pour cette étude est un composite verre/époxy unidirectionnel, matériau

qui occupe une place centrale dans le secteur du bâtiment pour des

applications de renforcement, de réhabilitation ou d’éléments structurels

exposés. Leur utilisation repose sur un compromis favorable entre

performances mécaniques spécifiques, faible masse volumique et

résistance à la corrosion. Néanmoins, en zone inondable, ces matériaux

sont soumis à des sollicitations hygrothermiques sévères caractérisées par

une humidité élevée, des variations de température, ce qui induit des

mécanismes de dégradation progressifs et fortement couplés. Dans ce

contexte, les industriels du bâtiment sont confrontés à une problématique

majeure liée à l’exploitation de données expérimentales coûteuses à

acquérir et souvent insuffisantes pour alimenter des modèles robustes.

Cette limitation freine la capacité à anticiper la durabilité des structures et

à optimiser les choix de conception ou de maintenance. La problématique

scientifique du projet s’inscrit précisément dans ce cadre et vise à établir

un lien prédictif entre conditions de vieillissement hygrothermique et

Localisation

Campus d’Angers

Poste ouvert aux titulaires et aux contractuels

Emploi de catégorie

Référentiel des métiers

Durée du contrat (sidétachement ou contractuel)

12 mois

Quotité de travail

2900€ bruts/mois

Poste disponible à partir de

CV et lettre de motivation

à envoyer par mail à

Personne en charge du recrutement :

Date de publication

Post-doctorat en IA frugale et durabilité des

évolution des propriétés mécaniques à partir de jeux de données limités, en s’appuyant sur des approches

d’intelligence artificielle intégrant des contraintes physiques. Une telle approche nécessite de dépasser les

limites actuelles des modèles purement analytiques et des approches purement basées sur les données (data

driven), en développant des stratégies hybrides capables de capturer la complexité des mécanismes en jeu

tout en restant compatibles avec des volumes de données réduits.

Les verrous scientifiques associés à cette problématique sont multiples. Ils concernent : - d’une part la nature

limitée et hétérogène des données expérimentales disponibles, qui impose le développement de méthodes

d’apprentissage adaptées aux faibles volumes de données ; - d’autre part la complexité des mécanismes de