Madyen Nouri

- Conception de systèmes de deep learning (CNNs + PointNet++) pour la prédiction des propriétés des matériaux à partir de données microstructurales 3D — de bout en bout : traitement des données, conception du modèle, entraînement et évaluation. - Développement de modèles génératifs basés sur des CVAE produisant des microstructures synthétiques conditionnées sur des propriétés mécaniques cibles, réduisant significativement le coût des expériences physiques. - Conception de pipelines d’apprentissage actif couplés à des simulations FEM Abaqus afin d’optimiser l’acquisition de données et réduire les coûts de calcul. - Traitement de sorties FEM haute dimension — maillages, tenseurs de contraintes/déformations, champs volumétriques et séquences temporelles — avec mise en place de pipelines complets vers des tenseurs exploitables par des modèles IA sur clusters HPC. - Encadrement de deux étudiants et communication de méthodes de modélisation IA auprès d’équipes d’ingénierie multidisciplinaires.

- Développement de modèles hybrides de deep learning informés par la physique pour la prédiction de la porosité de retrait dans des simulations de coulée 3D, validés sur des cas industriels réels de fabrication aérospatiale Safran. - Construction de pipelines prédictifs orientés production combinant sorties de simulation, paramètres de procédé structurés, représentations d’ordre réduit et modèles de machine learning pour une inférence quasi temps réel. - Présentation des résultats auprès de spécialistes IA et d’ingénieurs non-spécialistes dans les secteurs automobile et aérospatial.

- Développement de modèles de deep learning pour la reconstruction 3D, la reconnaissance de formes et le traitement de géométries à partir de nuages de points, données LiDAR et données 3D structurées. - Construction de pipelines complets de traitement et de visualisation de données en Python pour des jeux de données 3D haute dimension.

- Algorithmes de deep learning pour la segmentation de modèles CAO 3D et la reconstruction géométrique. - Optimisation des flux de travail GPU/CUDA pour des calculs d'ingénierie haute performance.