Soutenance de thèse – Léo Théodon – 25 novembre 2024

Léo Théodon soutiendra sa thèse intitulée « Caractérisation morphométrique d’agrégats par analyse d’image et géométrie stochastique » le 25 novembre 2024 à 10h en amphi F1 du bâtiment principal de l’École des mines de Saint-Étienne (158 cours Fauriel 42100 Saint-Étienne).

La soutenance sera suivie par le traditionnel pot de thèse auquel les participants sont cordialement conviés.

Jury

• Hermine Bierme, Professeur, Université de Tours (rapporteur)
• Maxime Moreaud, Chercheur Senior HdR, IFPEN Solaize (rapporteur)
• Mohamed Daoudi, Professeur, IMT Nord Europe (examinateur)
• Anne Estrade, Professeur, Université Paris Cité (examinatrice)
• Bruno Figliuzzi, Maître Assistant HdR, Mines ParisTech (examinateur)
• Jérôme Yon, Professeur, INSA Rouen Normandie (examinateur)
• Christine Frances, Directeur de Recherche CNRS, Université de Toulouse (invitée)
• Carole Coufort-Saudejaud, Maître de conférences, Université de Toulouse (co-encadrante)

Cette thèse a été dirigée par Johan Debayle.

Résumé

Cette thèse s’inscrit dans le cadre du projet MORPHING financé par l’Agence Nationale de la Recherche (ANR) et d’une problématique industrielle posée par l’entreprise ARKEMA. Elle vise à développer des méthodes pour caractériser la morphologie 3D d’agrégats de nanoparticules de latex dans un contexte industriel, à partir d’images 2D in-situ. En effet, les propriétés morphologiques de ces agrégats influencent fortement la qualité des produits finis et l’efficacité des procédés, mais ne peuvent être estimées que par imagerie en conditions de production.

La thèse aborde cette problématique sous deux angles complémentaires : une approche scientifique visant à développer des modèles géométriques stochastiques 3D exploitant les informations 2D issues de l’analyse d’image, et une approche industrielle ciblant une mise en oeuvre en quasi temps réel. Plusieurs contributions sont apportées, notamment trois modèles géométriques stochastiques originaux permettant de générer des agrégats 3D à partir de mesures morphométriques 2D, ainsi qu’un modèle génératif d’apprentissage profond pour estimer directement la morphologie 3D à partir d’images 2D.

Ces approches sont validées numériquement et expérimentalement sur des images in-situ et ex-situ. Les résultats montrent que l’approche purement géométrique stochastique offre une précision légèrement supérieure, tandis que l’approche par apprentissage profond est plus adaptée à un contexte industriel de par sa rapidité et sa simplicité de mise en oeuvre. Des pistes d’amélioration sont identifiées concernant la qualité des données expérimentales et l’optimisation des modèles.

Cette thèse ouvre ainsi de nouvelles perspectives pour la caractérisation morphologique 3D de populations d’agrégats par analyse d’images 2D, en proposant des méthodes efficaces applicables aux conditions industrielles. Ses résultats pourront bénéficier à de nombreux procédés dont la maîtrise morphologique des produits est un enjeu clé.