Sujet de Thèse
Titre :
Découverte et formalisation des connaissances pour la fabrication d'additifs par des méthodes d'intelligence artificielle et de recherche d'informations
Dates :
2020/10/01 - 2023/09/30
Encadrant(s) : 
Autre(s) encadrant(s) :
Dr. Yan LU (yan.lu@nist.gov) , Dr. Albert T. Jones (albert.jones@nist.gov)
Description :
L'ingénierie des systèmes interopérables est basée sur différents types et niveaux d'abstraction et de modèles. Le
contexte technologique et scientifique proposé se concentre sur plusieurs systèmes qui doivent interopérer. Les
processus de GA ont de multiples caractéristiques qui doivent être contrôlées et optimisées et qui sont en relation
entre elles. Ces systèmes doivent être modélisés et les résultats doivent exprimer non seulement l'aspect
"structurel" des composantes du système mais aussi leur comportement. L'un des problèmes fondamentaux de
ce travail est d'étudier les problèmes d'interopérabilité des modèles par l'ingénierie coopérative des systèmes
pilotés par les modèles (David, 2005).
Le défi scientifique est donc de fournir des langages et des outils de modélisation adaptés à chaque partie du
projet de modélisation, malgré l'hétérogénéité des données et la variété des processus. Ce défi a deux dimensions
: d'une part, la capacité de la modélisation à équiper les processus, par la définition et la formalisation de leurs
invariants ; d'autre part, l'étude des conditions d'utilisation des modèles dans la pratique, toujours évolutive et
incertaine.

L'analyse des concepts formels (FCA) (Ganter, 2004) est un outil utile et puissant pour décrire formellement les
liens entre des objets quelconques. Ce couple forme un contexte formel. Cette méthode est basée sur la théorie
du treillis (Wille, 2009), qui peut être utilisée pour résoudre les problèmes d'extraction de connaissances tacites à
partir de systèmes formalisés. Une extension des mécanismes de l'ACF a été introduite en (Rouane, 2013) et
appelée Analyse du Concept Relationnel (ACR), où l'accent est mis sur les ensembles de données compatibles
avec le Modèle d'Entité Relative (ER) ou, alternativement, avec le RDF (Resource Description Framework). Il s'agit
d'une méthode permettant d'extraire des connaissances conceptuelles à partir de données multi-relationnelles.
Ce type d'approche s'inscrit dans le domaine du Multi Relational Data Mining (MRDM).
La méthode RCA ne se limite pas à l'extraction de connaissances de contextes distincts : elle vise à exprimer des
connaissances en faisant interagir la sémantique de différents contextes, c'est-à-dire qu'en plus d'extraire la
connaissance d'un contexte, les données contenues dans les autres contextes sont utilisées afin d'enrichir
l'extraction de connaissances.

Proposition scientifique :
La méthodologie que nous proposons est basée sur l'application des algorithmes FCA et ML pour prédire l'impact
des paramètres du processus AM sur la qualité finale de la pièce AM fabriquée. Une telle prédiction donnerait des
informations exploitables sur les facteurs qui entrent en jeu lors de la production d'une pièce MA. Ces
informations utiles seront basées sur diverses données de capteurs en cours de fabrication qui doivent être
fusionnées avant d'exécuter l'algorithme/outil ML ou la méthode RCA. En utilisant les algorithmes ML, nous
formerons les données provenant des capteurs de processus AM pour créer ces informations exploitables. Les
données des capteurs d'entrée pourraient être dans différents formats tels que des images, des mesures, des
modèles 3D. Les autres informations d'entrée comprendraient les propriétés des matériaux, les paramètres du
processus en cours et les modèles de balayage, entre autres.

Cette étude explorera différents types d'algorithmes, notamment descriptifs, diagnostiques, prédictifs et
prescriptifs. En fonction du type d'entrée, des méthodes RCA et des techniques avancées de ML telles que le
réseau neuronal artificiel (en particulier le réseau neuronal profond et les réseaux neuronaux convolutifs) seront
appliquées pour analyser les informations d'entrée et extraire les règles d'association. Ces règles d'association
seraient établies sous forme de connaissances et représentées sous différents formats. Les résultats seraient
stockés dans une base de connaissances afin de pouvoir suivre les modifications apportées aux connaissances
existantes. Cette base de connaissances pourrait ensuite être interrogée au moyen d'un outil créé pour obtenir
des prévisions et prendre des décisions tout en créant des parties à l'aide de processus AM.

Les données d'entrée AM sont caractérisées par des données multimodales (modèle CAO, propriété des
matériaux, contrôle des processus et données de suivi), à taux et à échelle multiples. Il est essentiel que les
données d'entrée soient compréhensibles par les algorithmes qui vont extraire les règles de la GA. Une
méthodologie serait développée afin de représenter les données, puis de les fusionner si nécessaire, et enfin de
les intégrer en fonction du type d'entrée. Des méthodologies seraient également développées pour représenter
les règles extraites en connaissances.


Des modèles basés sur les mathématiques et la physique seraient utilisés comme base de gestion des données
AM pour l'utilisation des algorithmes d'IA. Pour ce faire, les résultats suivants seraient obtenus :
● Représentation mathématique des différents types de données
● Méthodologie pour représenter les fusibles et intégrer les données AM pour l'utilisation des algorithmes AI et
des méthodes RCA
● Outils et techniques utilisant l'AI/RCA pour extraire les règles des données AM
● Méthodologie pour transformer les règles extraites en connaissances
● Méthodologie pour représenter, formaliser et intégrer les données de connaissance
● Des outils avec des modèles AM basés sur la physique, qui font progresser la capacité de prédiction
● Solutions d'IA permettant la prise de décision pour les parties AM sur la base des prévisions

Objectifs :
L'objectif de cette recherche serait d'identifier, de formaliser, de développer et de valider des méthodologies
basées sur l'IA pour découvrir et formaliser les connaissances.
Mots clés :
Intelligence artificielle, Apprentissage automatique, Connaissances, Analyse Formelle des concepts
Conditions :
3 ans, NIST, USA et France (CRAN), 34000 euros pas an, Ingénieur informaticien qui a une très bonne connaissance
des méthodes de Machine Learning et des bonne aptitudes mathématiques.
Département(s) : 
Modélisation Pilotage des Systèmes Industriels
Financement :
4000 US$ par mois pendant trois ans payés par le NIST.