Les aimants permanents sont intégrés dans de nombreuses technologies modernes, notamment les moteurs électriques, les générateurs et les capteurs magnétiques. Les performances des aimants sont fortement influencées par leurs propriétés microstructurales, qui peuvent être optimisées grâce à un contrôle précis du procédé de fabrication. Le coulage en bandes (strip casting) est une technique de solidification rapide utilisée pour produire des rubans présentant des microstructures fines et maîtrisées, essentielles pour améliorer les propriétés magnétiques des aimants permanents. Le contrôle et l’optimisation de ces microstructures sont donc cruciaux pour atteindre des performances magnétiques supérieures.

Les rubans obtenus par strip casting présentent une microstructure lamellaire, constituée de lamelles de phase magnétique séparées par de fines phases interdendritiques. L’épaisseur des lamelles de la phase magnétique, correspondant à la distance entre deux couches interdendritiques adjacentes, est un paramètre clé du procédé, communément appelé espacement interdendritique. Ce paramètre détermine l’épaisseur, l’homogénéité et les caractéristiques microstructurales des grains formés. La quantification de l’espacement interdendritique dans les microstructures des rubans coulés en bande revêt donc un intérêt particulier.
Les méthodes traditionnelles de quantification des paramètres microstructuraux dans les aimants permanents reposent souvent sur l’analyse manuelle d’images obtenues par microscopie dans plusieurs directions ([1], [2]). Bien qu’efficaces, ces méthodes sont longues et sujettes aux erreurs humaines. L’apprentissage profond (Deep Learning) offre une alternative plus précise et plus efficace. Des modèles d’apprentissage profond ont déjà été appliqués avec succès à l’analyse des microstructures de solidification d’alliages d’aluminium [3] ou de superalliages monocristallins à base de nickel [4].
L’objectif principal de ce stage est de mettre en œuvre des techniques avancées d’apprentissage profond pour la quantification de l’espacement interdendritique dans les microstructures de rubans obtenus par strip casting. Les données expérimentales, incluant les images microstructurales, seront déjà acquises avant le début du stage.

Vous allez comparer et évaluer différents modèles d’apprentissage profond, tels que U-Net, VGG16 et ResNet, préalablement entraînés sur de grandes bases de données. Le but est de déterminer le modèle le plus performant pour quantifier avec précision l’espacement interdendritique à partir d’images de coupes transversales réalisées selon une seule direction du ruban — une approche beaucoup plus rapide et moins contraignante que l’imagerie multidirectionnelle.
Ce stage vous permettra d’acquérir une expérience en apprentissage profond, en analyse d’images et en science des matériaux. 

De formation bac+5, vous êtes à la recherche d'un stage d'une durée comprise en 4 et 6 mois en lien direct avec votre formation et votre futur projet professionnel.

Compétences scientifiques : Sciences des matériaux - Programmation en Python
Connaissances : Machine Learning

Vous êtes reconnu(e) pour votre : autonomie, force de proposition, rigueur, capacité à rendre compte,