DTN/STCP/LISM - Méthode de reconstruction par IA d’un domaine conducteur en tomographie d’impédance électrique

Lieu: CEA Cadarache (Saint‑Paul‑lez‑Durance), France – DTN/STCP/LISM

Contexte: Développement d’une méthode de Tomographie d’Impédance Électrique (EIT) pour milieux métalliques en s’appuyant sur des Physics‑Informed Neural Networks (PINN).

Missions:

• Mettre en place le modèle direct (conductivité connue) avec intégration des équations de diffusion électrique et des conditions aux limites dans la fonction de perte; prise en compte de multiples configurations/paires d’électrodes.
• Construire le modèle inverse: reconstruction d’un champ de conductivité binaire via deux réseaux entraînés simultanément (potentiel + conductivité) avec contraintes de binarité et régularisation des frontières.
• Étudier l’influence des hyperparamètres, la robustesse vis‑à‑vis du bruit expérimental et la taille minimale des zones isolantes détectables.
• Préparer l’extension vers la formulation électromagnétique complète (équations de Maxwell en régime harmonique).

Profil/compétences:

• M2 scientifique ou dernière année d’école d’ingénieur.
• Notions en électromagnétisme; maîtrise de Python.

Outils: Python, PyTorch, COMSOL

Mots‑clés: Tomographie, EIT, IA, Physics‑Informed Neural Networks

Possibilité de thèse: Oui