HAL-MINES ParisTech
Not a member yet
27348 research outputs found
Sort by
Impact des modèles génératives profonds pour la résolution de problèmes inverses non-linéaires : application à l'imagerie sismique
No full textNonlinear inverse problems in seismic imaging, particularly Full Waveform Inversion (FWI), are ill-posed and face challenges such as non-uniqueness, slow convergence, and limited ability to quantify uncertainty. This thesis presents a Bayesian framework that incorporates deep generative models, specifically a Generative Adversarial Network (GAN), to provide data-driven priors that help constrain solutions to geologically plausible structures. Variational inference techniques are applied to approximate the posterior distribution, enabling scalable inversion that accounts for uncertainty while remaining consistent with the governing physical equations. To reduce the high dimensionality of the problem, the inversion is reparameterized in the latent space of pretrained generative models, which may simplify the search space and improve convergence. A GAN-based latent reparameterization is also introduced, acting as a learned preconditioner that can accelerate optimization and reduce sensitivity to local minima. In addition, a diffusion-based Bayesian regularization strategy is proposed, where generative diffusion models are integrated directly into the FWI gradient without relying on reverse sampling, thereby avoiding instability in noisy intermediate states. Numerical experiments are used to demonstrate proof of concept, indicating that the approach may provide improved reconstructions, meaningful uncertainty estimates, and more efficient computations compared to conventional methods. Overall, the results suggest that combining generative models with Bayesian inference can offer a practical direction for advancing seismic imaging and related nonlinear inverse problems.Les problèmes inverses non linéaires en imagerie sismique, en particulier la Full Waveform Inversion (FWI), sont mal posés et présentent des difficultés telles que la non-unicité, la convergence lente et une capacité limitée à quantifier l'incertitude. Cette thèse propose un cadre bayésien intégrant des deep generative models, en particulier un Generative Adversarial Network (GAN), afin de fournir des a priori issus des données et de contraindre les solutions à rester géologiquement plausibles. Des techniques d'inférence variationnelle sont appliquées pour approximer la distribution a posteriori, permettant une inversion à la fois scalable et cohérente avec les équations physiques. Pour réduire la forte dimensionnalité du problème, l'inversion est reparamétrée dans l'espace latent de modèles génératifs pré-entraînés, ce qui peut simplifier l'espace de recherche et améliorer la convergence. Une reparamétrisation latente basée sur un GAN est également introduite, agissant comme un préconditionneur appris pouvant accélérer l'optimisation et réduire la sensibilité aux minima locaux. De plus, une stratégie de régularisation bayésienne basée sur les diffusion models est proposée, intégrant directement ces modèles dans le gradient de la FWI sans recourir à l'échantillonnage inverse, ce qui permet d'éviter l'instabilité des états intermédiaires bruités. Des expériences numériques servent de preuve de concept, indiquant que cette approche peut offrir de meilleures reconstructions, des estimations d'incertitude plus pertinentes et des calculs plus efficaces que les méthodes conventionnelles. Dans l'ensemble, les résultats suggèrent que la combinaison des generative models avec l'inférence bayésienne peut constituer une voie pratique pour faire progresser l'imagerie sismique et les problèmes inverses non linéaires associés
Développement de mini-éprouvettes pour évaluer la ténacité de tubes de transport pour application H2
No full textThe transition towards renewable energy sources has led to increased interest in hydrogen as a clean energy vector, especially in transportation applications. However, the interaction of hydrogen with materials, particularly steels used in gas pipelines, poses challenges related to hydrogen embrittlement (HE), which compromises material performance. This research focuses on the development and application of sub-size mechanical specimens to evaluate the mechanical properties of pipeline steels in hydrogen environments.The thesis is carried out under the ANR Industrial Chair MESSIAH, in collaboration with Air Liquide and Mannesmann Precision Tubes France. It aims to develop experimental methodologies for testing miniature specimens extracted from in-service pipelines to evaluate degradation induced by gaseous hydrogen. The novelty of this approach lies in the use of small-scale samples for advanced mechanical testing, providing a practical solution for in-situ evaluation while maintaining the structural integrity of critical infrastructures.The thesis investigates two types of steel, a modern alloy and a vintage counterpart, to assess the influence of microstructural characteristics, such as inclusions, on HE susceptibility. The mechanical tests include tensile and fracture toughness experiments conducted under both atmospheric and gaseous hydrogen conditions. An innovative test setup was developed to perform mechanical characterization of hydrogen embrittlement in a gaseous environment using sub-size specimens.The key findings of this research indicate that sub-size specimens are effective in capturing the fracture behavior and hydrogen embrittlement effects in pipeline steels. Through extensive mechanical testing and fracture characterization, the study discusses the correlation between the results obtained from sub-size and standard-size specimens, aiming to validate the reliability of mini-specimen tests for material degradation analysis.The outcomes of this research will contribute to the standardization of miniature specimen testing for hydrogen-exposed infrastructures. Furthermore, they provide insights into the mechanical performance of steels under hydrogen exposure, supporting the design and safety of future hydrogen transport systems.La transition vers des sources d'énergie renouvelables a suscité un intérêt croissant pour l'hydrogène en tant que vecteur énergétique propre, notamment dans les applications de transport. Cependant, l'interaction de l'hydrogène avec les matériaux, en particulier les aciers utilisés dans les gazoducs, présente des défis liés à la fragilisation par l'hydrogène (FH), qui compromet la performance des matériaux. Cette recherche se concentre sur le développement et l'application de mini-éprouvettes pour évaluer les propriétés mécaniques des aciers de pipeline dans des environnements contenant de l'hydrogène.Cette thèse est réalisée dans le cadre de la Chaire Industrielle ANR MESSIAH, en collaboration avec Air Liquide et Mannesmann Precision Tubes France. Elle vise à développer des méthodologies expérimentales pour tester des mini-éprouvettes extraites de pipelines en service afin d'évaluer la dégradation induite par l'hydrogène gazeux. La nouveauté de cette approche réside dans l'utilisation d'échantillons de petite taille pour des essais mécaniques avancés, offrant une solution pratique pour des évaluations in-situ tout en préservant l'intégrité structurelle des infrastructures critiques.La thèse examine deux types d'acier, un alliage moderne et un acier vintage, afin d'évaluer l'influence des caractéristiques microstructurales, telles que les inclusions, sur la susceptibilité à la FH. Les essais mécaniques incluent des tests de traction et de ténacité à la rupture réalisés dans des conditions atmosphériques et sous hydrogène gazeux. Un banc d'essai innovant a été développé pour réaliser la caractérisation mécanique de la fragilisation par l'hydrogène en milieu gazeux à l'aide de mini-éprouvettes.Les résultats principaux de cette recherche montrent que les mini-éprouvettes sont efficaces pour capturer le comportement de fracture et les effets de la fragilisation par l'hydrogène dans les aciers de pipeline. Grâce à des essais mécaniques et à une caractérisation approfondie de la rupture, l'étude discute de la corrélation entre les résultats obtenus avec des mini-éprouvettes et des éprouvettes de taille standard, dans le but de valider la fiabilité des tests sur mini-éprouvettes pour l'analyse de la dégradation des matériaux.Les résultats de cette recherche contribueront à la normalisation des tests sur mini-éprouvettes pour les infrastructures exposées à l'hydrogène. De plus, ils apportent des connaissances sur les performances mécaniques des aciers sous exposition à l'hydrogène, soutenant ainsi la conception et la sécurité des futurs systèmes de transport d'hydrogène
méthodes par apprentissage profond pour la tomographie 3 D par rayons x en vues éparses
No full textX-ray computed tomography (CT) involves the reconstruction of the 3D image of an object from a set of measurements called radiographs. It is an essential imaging technique in the medical field, as well as the non-destructive testing of industrial components. In these two applications, there is a common need to produce reliable and high-quality images using a minimal number of radiographs. Reducing the number of measurements is done to limit the patient's dose or reduce the acquisition time, making it compatible with online production control. Unfortunately, reducing the number of projections leads to the appearance of artifacts in the reconstructed image, significantly affecting its quality.Recently, deep learning has received considerable attention for its ability to address a wide range of high-dimensional problems by leveraging pairwise information in a collection of data. This thesis focuses on building a family of techniques and tools to tackle the problem of sparse-view 3D X-ray CT using deep learning methods. The work in this manuscript can be divided into three main directions.In the first part, we focus on describing the current state of the art in deep learning methods for sparse-view CT and linear imaging inverse problems in general. We provide a comprehensive review of the literature, highlighting the main challenges and the most promising approaches. This first part allows us to identify gaps in the current literature and propose new research directions.The second part of this thesis is dedicated to developing new deep-learning methods for sparse-view CT. We tackle this problem with two main approaches. In the first work, we propose a memory-efficient procedure to reconstruct 3D images from a minimal number of projections. We combine the Neural Field framework with learned Regularization by Denoising to develop a new method that is efficient and demonstrates state-of-the-art performance. In a second work, we try to bridge the performance gap between Plug-and-Play (PnP) methods and unrolled optimization methods. We design a new training strategy to build restoration priors tailored for the sparse-view CT reconstruction problem. Along with this new training strategy, we also develop a simple relaxation scheme that allows using a large class of networks to build stable updates for the PnP framework.In the last part, we focus on evaluating the quality of a reconstructed image. We show that standard distortion metrics are insufficient to decide if an image's quality is acceptable for a given application. Consequently, ranking and pushing new algorithms based on these metrics might favor methods that are not necessarily the best for downstream tasks based on computational imaging. We propose to use the observer framework to build a procedure that correctly evaluates and ranks reconstruction methods based on their performance for a given task. We present first results suggesting that this new framework might be more robust and reliable than standard distortion metrics. Further investigations are needed to test the observer framework on a larger class of reconstruction methods.La tomographie par rayons X, aussi appelée tomodensitométrie, consiste à reconstruire le volume 3D d'un objet à partir d'un ensemble de mesures appelées radiographies. C'est une technique d'imagerie essentielle dans le domaine médical, ainsi que dans le contrôle non destructif de composants industriels. Pour ces deux applications, on cherche à produire des images fiables et de haute qualité en utilisant un nombre minimal de radiographies. La réduction du nombre de mesures a pour but de limiter la dose de rayons ionisants reçue par le patient ou réduire le temps d'acquisition, le rendant compatible avec le contrôle de production en ligne. Malheureusement, la réduction du nombre de projections entraîne l'apparition d'artefacts dans l'image reconstruite, affectant considérablement sa qualité.Récemment, l'apprentissage profond a reçu une attention considérable pour sa capacité à traiter une grande quantité de données et résoudre une large gamme de problèmes en haute dimension. Cette thèse se concentre sur le développement de techniques et d'outils pour traiter le problème de tomographie 3D par rayons X. Plus particulièrement, ce travail se concentre sur l'utilisation de méthode d'apprentissage profond pour la reconstruction en vues éparses. Le travail dans ce manuscrit peut être divisé en trois directions principales.Dans la première partie, nous nous concentrons sur la description de l'état de l'art en méthodes d'apprentissage appliquées à la tomographie en vues éparses, et plus généralement aux problèmes inverses linéaires en imagerie. Nous fournissons une revue complète de la littérature, soulignant les principaux défis et les approches les plus prometteuses. Cette première partie nous permet d'identifier les lacunes dans la littérature actuelle et de proposer de nouvelles directions de recherche.La deuxième partie de cette thèse est consacrée au développement de nouvelles méthodes d'apprentissage profond pour la tomodensitométrie en vues éparses. Nous abordons ce problème avec deux approches principales. Dans un premier travail, nous proposons une méthode économe en mémoire pour reconstruire des images 3D à partir d'un nombre minimal de projections. Nous combinons les méthodes par champs de neurones avec de la régularisation par débruitage apprise pour développer une nouvelle méthode efficace et légère. Dans un second travail, nous essayons de combler l'écart de performance entre les méthodes Plug-and-Play (PnP) et les méthodes d'optimisation déroulées. Nous développons une nouvelle stratégie d'apprentissage pour construire des réseaux de restauration adaptées au problème de reconstruction tomographiques en vues éparses. Parallèlement à cette nouvelle stratégie d'apprentissage, nous développons également un schéma de relaxation simple qui permet d'utiliser une classe plus large de réseaux pour construire des mises à jour stables dans le cadre d'itérations PnP.Dans la dernière partie, nous nous concentrons sur l'évaluation de la qualité des images reconstruites. Nous montrons que les métriques standards de distorsion sont insuffisantes pour décider si la qualité d'une image est acceptable pour une application donnée. En conséquence, classer et promouvoir de nouveaux algorithmes basés sur ces métriques pourraient favoriser des méthodes qui ne sont pas nécessairement adaptées pour des tâches en aval utilisant des techniques d'imagerie physique. Nous proposons d'utiliser l'évaluation par observateur pour construire une procédure qui évalue et classe correctement les méthodes de reconstruction en fonction de leurs performances pour une tâche donnée. Nous présentons des premiers résultats suggérant que cette nouvelle méthode d'évaluation pourrait être plus robuste et fiable que les métriques standards de distorsion. Des travaux supplémentaires sont nécessaires pour tester cette approche sur une classe plus large de méthodes de reconstruction
Flow-Induced fretting in DEMO divertor targets equipped with swirl tapes: Numerical investigation through one-way fluid-structure interaction simulations
No full textInternational audienceThe divertor targets in DEMO, sustaining a quasi-steady state heat flux up to 20 MW/m², are made of pure tungsten armoring actively water-cooled CuCrZr pipes. The heat exhaust capability of the divertor targets can be improved by adding a swirl tape in the cooling channel. Analysis from WEST samples and several laboratory studies highlight that under DEMO-like cooling conditions, the insertion of swirl tapes in the pipes triggers surface wear damage. This is due to flow-induced vibrations of the swirl tape within the hosting pipe leading to fretting which takes place whenever two bodies in contact, submitted to normal load, undergo microdisplacement oscillatory motion. Fretting wear damage is a serious problem that may reduce the lifetime of the divertor components and their thermal efficiency. Hence, the objective of this study is to quantify tribological loadings in the divertor inducing fretting through fluid-structure interaction simulations (FSI) to set up dedicated fretting tests in laboratory. One-way FSI simulations are performed using URANS (Unsteady Reynolds-Averaged Navier-Stokes equations) and LES (Large Eddy Simulation) to assess the fluid pressure in order to perform transient structural analysis allowing the estimation of stresses, deformations and tribological loadings (contact forces and sliding amplitude) at the CuCrZr pipe/swirl-tape contact area. Benefits and drawbacks of each modelling method (LES and URANS) are discussed. The numerical outputs highlight that one-way FSI simulation reflects complex contact loading between the swirl and the pipe involving fretting sliding with both impact and fluctuating normal forces. The obtained loads drive the choice of the normal forces and the sliding distance ranges which will be explored in laboratory via fretting wear experiments
Closed-form solutions for simplified fretting wear profiles prediction incorporating an inverse identification of local wear rates
No full textInternational audienceThis paper proposes a method for estimating the local wear rates operating within a flat-on-flat contact subjected to fretting wear through an inverse identificationapproach. Using an error minimization strategy involving a limited number of experimental tests, it is possible to identify the wear rate coefficients associated withadhesive or abrasive wear domains observed within the fretting interface. This work is then extended by the development of an analytical formulation for thecalculation of simplified surface wear profiles. This model shows that the wear increment profile tends towards a flat distribution. In other words, the materialremoval increment is inclined towards a constant value over the entire fretting interface, regardless of the varying wear coefficients operating within the contact. Agood correlation is observed between the proposed model and the experimental results, not only for predicting the total wear volumes, but also for predicting thewear profiles, and particularly the evolution of the maximum wear depth. Contrary to the iterative FEM approaches, which are time consuming and demanding, thisanalytical formulation provides a quasi-instantaneous estimation of the wear profiles, which can be very interesting for fast and efficient fretting wear design
Comment bifurquer. Les principes de la planification écologique, Cédric Durand, Razmig Keucheyan,Zones, 2024
No full textInternational audienc
Diffusive Stochastic Master Equation (SME) with dispersive qubit/cavity coupling
No full textA detailed analysis of the diffusive Stochastic Master Equation (SME) forqubit/cavity systems with dispersive coupling is provided. This analysis incorporates clas-sical input signals and output signals (measurement outcomes through homodyne detec-tion). The dynamics of the qubit/cavity density operator is shown to converge exponen-tially towards a slow invariant manifold, parameterized via a time-varying deterministicKraus map by the density operator of a fictitious qubit. This fictitious qubit is governedby a SME incorporating the classical input/output signals. Extension where the qubit isreplaced by any qudit dispersively coupled to an arbitrary set of modes with collectiveinput/output classical signals
GW231123: A Binary Black Hole Merger with Total Mass 190–265 M
No full textInternational audienceOn 2023 November 23, the two LIGO observatories both detected GW231123, a gravitational-wave signal consistent with the merger of two black holes with masses 137−18+23M⊙and 101−50+22M⊙(90% credible intervals), at a luminosity distance of 0.7–4.1 Gpc, a redshift of 0.40−0.25+0.27, and with a network signal-to-noise ratio of ∼20.7. Both black holes exhibit high spins—0.90−0.19+0.10and 0.80−0.52+0.20, respectively. A massive black hole remnant is supported by an independent ringdown analysis. Some properties of GW231123 are subject to large systematic uncertainties, as indicated by differences in the inferred parameters between signal models. The primary black hole lies within or above the theorized mass gap where black holes between 60–130 M should be rare, due to pair-instability mechanisms, while the secondary spans the gap. The observation of GW231123 therefore suggests the formation of black holes from channels beyond standard stellar collapse and that intermediate-mass black holes of mass ∼200 M form through gravitational-wave-driven mergers
Threats, Bans, and Competition: Ripple Effects in the Global Smartphone Market
No full textThis paper investigates the ripple effects of non-tariff measures during the U.S.-China trade war on the global smartphone market, using Huawei's placement on the U.S. Entity List in May 2019 as a natural experiment. Analyzing data on Google search volumes, daily smartphone prices for over 3,400 models, and monthly market shares across six European countries, I examine how the shock affected consumer attention, pricing, and market dynamics. My results highlight that the sanctions intensified consumer concerns, particularly regarding Huawei's operating system, as evidenced by increased search volumes. The shock also caused a significant reduction in Huawei's product prices, with an average decline of 4.2%, concentrated in its high-end models. However, the prices of the firm's sub-brand Honor remained unaffected, suggesting that media attention (primarily focused on Huawei) was one of the key mechanisms affecting the demand, triggering price adjustments. In the short term, Huawei maintained its market share in Europe. However, over the long term, the forced transition to HarmonyOS in 2021, coupled with supply chain disruptions, resulted in a sharp decline in Huawei's market position both in Europe and globally, allowing Chinese and American competitors to gain ground. Although Android's position in the focal countries was affected, the overall impact remained moderate on the operating system market