Stage en Laboratoire

**Collecte et exploration des données hétérogènes pour lacaractérisation de la dégradation d’une buse Cold Spray**

**Présentation du laboratoire d’accueil, du projet SCoDD, et de l’offre de stage**

Le laboratoire Informatique et Société Numérique (LIST3N) est une Unité de Recherche (UR) de l’Université de Technologie de Troyes. En 2024, cette UR englobe 64 permanents, pour un effectif total de 166 personnes, réunies autour d’un projet scientifique commun structuré en quatre axes : _Réseaux et Cybersécurité_ (RECY), _Optimisation_ (OPTI), _Technologies et Pratiques_ (TPRA) et _Modélisation stochastique apprentissage & décision_ (MSAD). Ce projet s’inscrit dans une approche intégrée de la chaîne de traitement des données.

Le projet SCoDD (Smart Cold Spray Degradation Diagnostics) s’intègre pleinement dans les thématiques de l’axe MSAD, ainsi que dans sa stratégie à mettre en place des collaborations industrielles et des projets structurants avec des acteurs régionaux. Il s’inscrit dans la perspective du montage futur d’un projet ANR ou européen, portant sur le couplage d’approches orientés données avec des modèles de sûreté de fonctionnement, dans le but de développer un _système intelligent de diagnostic de la dégradation des buses Cold Spray_, en partenariat avec le CRITT TJFU (Centre de Recherche d’Innovation et de Transfert de Technologie en Techniques Jet Fluide et Usinage). Cette collaboration permet de développer une solution innovante, à un niveau de maturité technologique TRL 7-8, répondant aux besoins croissants du marché de la réparation de pièces et de surfaces ainsi que de la fabrication additive de pièces de grandes dimension par le procédé Cold Spray. Il s’agit de développer une méthode universelle, basée sur l’intelligence artificielle, permettant de caractériser la dégradation d’une buse en technologie Cold Spray à partir de données expérimentales hétérogènes et évolutives dans le temps.

La technologie Cold Spray est un procédé innovant de projection à froid de poudres métalliques, utilisée pour la réparation ou la fabrication additive de pièces métalliques. En évitant la fusion des matériaux, ce procédé permet de préserver les propriétés mécaniques et microstructurales des métaux projetés. Des travaux récents ont mis en évidence l'importance du design des buses pour améliorer la performance de dépôt (Li et al., 2025), et l’intérêt de l’apprentissage automatique pour modéliser la formation de défauts tels que la porosité (Sharma et al., 2024). Toutefois, un défi majeur de cette technologie réside dans la dégradation progressive de la buse d’injection, qui impacte directement la qualité, l’uniformité et les performances des dépôts métalliques réalisés (Eberle et al., 2025).

L’objectif principal de ce stage est de contribuer à une meilleure compréhension du phénomène de dégradation de la buse, en s’appuyant sur les données collectées à partir d’expérimentations qui seront réalisées au CRITT TJFU sur un banc d’essai instrumenté. Ces données, potentiellement de nature hétérogène et évolutives dans le temps (mesures acoustiques ou thermiques, signaux temporels et fréquentielles, paramètres physiques du procédé, indicateurs de performance des dépôts, etc.), constituent une base précieuse, mais complexe, à analyser et à traiter efficacement par une méthode unique.

Dans ce contexte, le stage consistera à adopter une approche intégrée, combinant les techniques les plus appropriées pour le traitement de chaque type de données collectées, en vue d’en extraire des caractéristiques pertinentes. Ces traitements seront ensuite fédérés par un réseau de neurones profond, capable d’exploiter l’ensemble des informations disponibles pour synthétiser un indicateur de la dégradation de la buse. Une telle approche promet de déboucher sur une méthodologie robuste, généralisable et adaptable à d'autres contextes de surveillance de composants critiques dans les procédés de fabrication avancés.

**Références**

Li, H., Le, Y., Xu, H., & Li, Z. (2025). Design of the Dual-Path Cold Spray Nozzle to Improve Deposition Efficiency. _Journal of Manufacturing and Materials Processing_, 9(5), 144.

Sharma, D., Boruah, D., Bakir, A. A., Ameen, A., & Paul, S. (2024). Machine learning-based predictions of porosity during cold spray deposition of high entropy alloy coatings. _Coatings_, _14_(4), 404.

Eberle, M., Pinches, S., King, H., Guzman, P., Qin, K., & Ang, A. (2025). Predicting Deposition Efficiency Across Diverse Cold Spray Process Parameters Using Machine Learning. _Journal of Thermal Spray Technology_, 1-24.

**Description de la mission**

La mission principale du/de la stagiaire s’articulera autour des étapes suivantes:

- Étude bibliographique sur la technologie Cold Spray, les mécanismes d’usure des buses et les approches IA pertinentes pour l’analyse de données hétérogènes et temporelles.
- Collecte, exploration et structuration des données à partir d’un banc d’essai expérimental instrumenté proposé par CRITT TJ