L'objectif est d'apprendre une représentation compacte et transférable du comportement de rupture des particules, que nous appelons la « signature de fragmentabilité », et de l'utiliser pour prédire, à l'échelle de la particule, la probabilité de rupture, les distributions de taille des fragments et la sensibilité au régime de chargement, et à l'échelle du procédé, la consommation énergétique et la distribution granulométrique du produit des équipements de fragmentation, permettant une comparaison hiérarchisée des options de machines pour un minerai et une granulométrie cible donnés. En tant que chercheur post-doctorant au sein d'InnovTech ST3.1.1, vous contribuerez au développement de méthodes d'apprentissage automatique de nouvelle génération pour des données scientifiques et industrielles. Le projet vise à comprendre et prédire le comportement de fragmentation des particules minérales à partir d'observations expérimentales hétérogènes. Les principales directions de recherche incluent : - Apprentissage multimodal et fusion de données : développer des approches d'apprentissage automatique capables d'intégrer des sources de données scientifiques et industrielles hétérogènes, incluant l'imagerie, la caractérisation des matériaux, les mesures mécaniques et les expériences de fragmentation. - Apprentissage de représentations pour les systèmes matériels complexes : concevoir des représentations compactes, interprétables et transférables caractérisant les propriétés des particules et le comportement de fragmentation. - Apprentissage automatique probabiliste et quantification des incertitudes : développer des modèles prédisant des distributions et des estimations de confiance plutôt que des sorties déterministes uniques. - Modélisation prédictive multi-échelle : développer des modèles capables de relier des observations collectées à différentes échelles spatiales et temporelles, de la caractérisation des matériaux et des particules au comportement de fragmentation et aux performances à l'échelle du procédé. - Apprentissage automatique économe en données : explorer des méthodologies adaptées aux jeux de données limités, hétérogènes et partiellement observés, incluant l'apprentissage par transfert, l'apprentissage autosupervisé, la modélisation par substitut, l'apprentissage actif et les approches de décision tenant compte des incertitudes.