Offre de thèse
Modèles de substitution et optimisation multi-objectif pour le procédé de Cold Spray
Date limite de candidature
30-06-2026
Date de début de contrat
01-10-2026
Directeur de thèse
JOZEFOWIEZ Nicolas
Encadrement
Encadrement en personnes, formation via l'école doctorale
Type de contrat
école doctorale
équipe
OPTIMISTcontexte
Collaboration avec le CEA Tech qui fournira les données et l'expertise sur le processspécialité
Informatiquelaboratoire
LORIA - Laboratoire Lorrain de Recherche en Informatique et ses Applications
Mots clés
modèles de substitution, optimisation multi-objectif, apprentissage automatique
Détail de l'offre
Les procédés de Cold Spray présentent des défis d'optimisation complexes dus aux interactions multi-physiques entre les paramètres du procédé (température du gaz, pression, vitesse de projection, distance buse-substrat) et les propriétés finales des revêtements. L'expérimentation étant coûteuse en temps et en ressources, il est essentiel de pouvoir prédire des configurations intéressantes à explorer. Cette thèse porte sur la construction de modèles de substitution (surrogate models) permettant de prédire les qualités obtenues en fonction des paramètres d'entrée, et sur le développement de méthodes d'optimisation multi-objectif pour identifier les configurations les plus prometteuses.
Keywords
surrogate models, multi-objective optimization, machine learning
Subject details
Cold Spray processes present complex optimization challenges due to the multi-physics interactions between process parameters (gas temperature, pressure, spray velocity, nozzle-to-substrate distance) and the final coating properties. Since experimentation is costly in terms of both time and resources, it is essential to be able to predict promising configurations to explore. This thesis focuses on building surrogate models to predict coating qualities as a function of input parameters, and on developing multi-objective optimization methods to identify the most promising configurations.
Profil du candidat
Master (ou équivalent) en informatique ou en mathématiques appliquées, avec des compétences en optimisation et/ou en apprentissage automatique. Une appétence pour les applications industrielles et le travail interdisciplinaire sera appréciée.
Candidate profile
Master's degree (or equivalent) in Computer Science or Applied Mathematics, with skills in optimization and/or machine learning. An interest in industrial applications and interdisciplinary work will be appreciated.
Référence biblio
- Ehrgott, M. Multiobjective Optimization. AI Magazine 29, 47–57 (2008).
- Rasmussen, C. E. & Williams, C. K. I. Gaussian Processes for Machine Learning. (The MIT Press, 2005). doi:10.7551/mitpress/3206.001.0001.