Stage - Deep Learning Géométrique en Optimisation de Conception (F/H)

- - - - - - - - - - - -

 I4.0 - Exploration de stratégies de deep learning géométrique pour l’optimisation de conception mécanique

Niveau d’études : Bac + 5

Date : A partir de Mars 2026

Flexibilité : + ou - 2 mois

Durée : 6 mois

Lieux : Clermont-Ferrand

Contexte

Pour rester leader dans un marché du pneumatique de plus en plus compétitif, le groupe Michelin s’engage quotidiennement à mettre au point de manière rapide des produits assurant le meilleur compromis de performances (comportement, durée de vie, usure, résistance au roulement, …). L’un des leviers pour réussir ce challenge est la conception mécanique optimale des équipements industriels impliqués dans la fabrication des pneumatiques.

 

Les méthodes traditionnelles, telles que l’optimisation topologique, restent souvent limitées face à la complexité des formes ou aux contraintes de production. L’émergence des techniques d’intelligence artificielle, et plus particulièrement du deep learning géométrique et des réseaux de neurones graphiques (GNN).

 

Mission et objectif

Le stage proposé vise à explorer l’application de méthodes avancées en deep learning pour l’optimisation de la géométrie de pièces mécaniques. En effet, le geometric deep learning commence à prendre de l’ampleur dans le domaine de la conception par ordinateur. Des références récentes couvrent la génération de modèles 2D et 3D, ainsi que la synthèse de modèles CAO à partir de nuages de points.

 

Parallèlement, de nouvelles stratégies basées sur des modèles géométriquement informées (GINNs) ont fait leur apparition et montrent des capacités à explorer efficacement l’espace des formes tout en garantissant le respect des contraintes mécaniques et géométriques.

L’objectif du stage sera donc d’appréhender et implémenter ces méthodes afin d’évaluer leur capacité à proposer des conceptions innovantes pour notre industrie.

Références

[1] Heidari, Negar and Alexandros Iosifidis. “Geometric Deep Learning for Computer-Aided Design: A Survey.” IEEE Access 13 (2024): 119305-119334.

[2] Yongcheng Li, Changsheng Wang, Wenbin Hou. “A universal surrogate modeling method based on heterogeneous graph neural network for nonlinear analysis.” Computer Methods in in Applied Mechanics and Engineering (2025)

[3] Berzins, Arturs et al. “Geometry-Informed Neural Networks.” ArXiv abs/2402.14009 (2024)

 

Missions du stagiaire

Le premier objectif du stage sera de mener un état de l’art des approches exploitant des stratégies deep learning géométrique. Par la suite, le travail consistera à tester les différentes stratégies étudiées sur des cas industriels et à mener les adaptations appropriées si nécessaire.

Les différents travaux feront l’objet de :

• Développement de code et de rédaction de documentations d’utilisation et de conception

• Rapports mettant en avant les avantages/inconvénients des diverses approches

• Présentations aux différents contributeurs de l’équipe projet, à l’équipe de datascientists dont le/la candidat.e fera partie ainsi qu’à potentiellement des équipes R&D.

 

Interlocuteurs

Data Scientists de l’équipe Exploration I4.0, ingénieurs mécaniciens.

Apports pour le/la candidat.e

Le/La stagiaire aura la possibilité de mener des expériences sur des données réelles et d’évaluer les opportunités d’application de ses développements sur des cas industriels. Il/elle appréhendera les enjeux du digital chez Michelin et approfondira dans un contexte industriel les connaissances acquises durant son cursus.

Profil recherché

Idéalement étudiant.e en Ecole d’Ingénieur ou en Master 2 spécialisé IA, avec un goût prononcé pour la recherche et l'innovation. Le/la candidat.e sera également à l’aise en programmation (Python) et dans l’exploitation de librairies de machine learning/deep learning (PyTorch).

- - - - - - - - - - - -