Fouad OUBARI : soutenance de thèse

Fouad OUBARI

Modèles Génératifs Profonds pour la Génération de Systèmes Industriels Multi-composants Complexes

Résumé

Cette thèse étudie l’usage des modèles génératifs profonds pour la conception industrielle multi-composants sous contraintes, en prenant la génération d’architectures de pneumatiques comme cas d’étude représentatif. La difficulté centrale ne consiste pas seulement à générer des composants plausibles pris isolément, mais à produire des assemblages globalement cohérents au regard de contraintes géométriques, structurelles et fonctionnelles. Dans les contextes industriels, ce problème est renforcé par la rareté des données, l’absence de benchmarks publics adaptés, ainsi que par l’inadéquation des critères d’évaluation standards aux problèmes de conception structurée.

Pour répondre à ces enjeux, le manuscrit suit une progression allant de cadres contrôlés vers des données industrielles plus réalistes. Il introduit d’abord des benchmarks dédiés à la génération multi-composants sous contraintes, ainsi que des critères d’évaluation adaptés à la cohérence physique, à la plausibilité structurelle et à la validité conditionnelle. Il explore ensuite deux directions pour améliorer la modélisation des dépendances au sein de la famille des VAE : une formulation hiérarchique, qui dissocie la génération des composants de leur coordination globale, et une approche à espace latent structuré, qui représente explicitement les relations entre composants. Ces développements montrent que l’introduction d’une hiérarchie et d’une structure latente améliore la contrôlabilité et la cohérence structurelle, tout en mettant en évidence les limites de ces raffinements sur des données industrielles réalistes.

La thèse examine enfin la sélection de modèles à l’échelle des paradigmes au moyen d’une évaluation comparative de plusieurs grandes familles génératives sur des benchmarks de pneumatiques à la fois synthétiques et industriels, dans des cadres de génération libre, conditionnelle, de complétion partielle et d’extrapolation. Plutôt que de faire émerger une approche universellement optimale, les résultats montrent que la pertinence d’un modèle dépend du régime de génération, de l’objectif de conditionnement et du niveau de réalisme requis en pratique. Dans son ensemble, ce travail apporte à la fois des éléments de compréhension sur la modélisation générative et un cadre d’évaluation contribuant à rapprocher les avancées des modèles génératifs profonds des contraintes propres à la conception industrielle.

Mots clés

Modèles génératifs, Apprentissage profond, Industrie

Direction

• Mathilde Mougeot, Professeure des Universités
• Rodrigue Décatoire, Ingénieur-Chercheur, Michelin
• Raphael Meunier, Ingénieur-Chercheur, Michelin

Composition du jury

• M. Bruno Galerne, Professeur, Université d’Orléans, Institut Denis Poisson — Rapporteur
• M. Sylvain Le Corff, Professeur, Sorbonne Université, LPSM — Rapporteur
• Mme Agnès Desolneux, Directrice de recherche CNRS, ENS Paris-Saclay, Centre Borelli — Examinatrice
• M. Stéphane Canu, Professeur, INSA Rouen Normandie, LITIS — Examinateur
• M. Erwan Le Pennec, Professeur, École polytechnique, CMAP — Examinateur