Sourish GHOSH soutient sa thèse lundi 23 mars 2026, sur le campus Arts et Métiers d'Aix-en-Provence. Ses travaux portent, au sein du laboratoire MSMP, sur « Métrologie de surface assistée par intelligence artificielle pour l’usinage : une approche intégrée de l’évaluation de la qualité de surface en machine ».
Titre
« Métrologie de surface assistée par intelligence artificielle pour l’usinage : une approche intégrée de l’évaluation de la qualité de surface en machine »
Jury
• Mme Caroline RICHARD, Professeure Université de Tours – Rapporteure
• M. Abdelali OUDRISS, Professeur, Mines Paris PSL - Rapporteur
• M. Arnaud GOTLIEB, Professeur, Simula Research Laboratory - Examinateur
• M. Mohamed EL MANSORI, Professeur des Universités, ENSAM - Examinateur
• M. Ricardo KNOBLAUCH, Professeur associé, ENSAM – Examinateur
Résumé de la thèse
La qualité de surface est un facteur déterminant pour les performances et la fiabilité des composants usinés. À mesure que les systèmes de production évoluent vers des stratégies de « Zéro Défaut » et un contrôle en cours de fabrication, il devient essentiel de relier le comportement d’usinage, la formation de la surface et la fiabilité des mesures au sein d’un cadre cohérent. Ce travail doctoral propose une méthodologie intégrée combinant la mécanique de coupe, l’analyse de signaux et l’intelligence artificielle afin de prédire et de réguler la qualité de surface pendant l’usinage. Des modèles d’IA interprétables sont développés pour établir le lien entre les signaux, les paramètres d’usinage et la rugosité de surface, constituant ainsi la base d’un cadre de contrôle qualité proactif. En parallèle, des techniques d’analyse multiscalaire sont introduites pour caractériser l’évolution de la texture au-delà des indicateurs classiques de rugosité, tandis que des approches basées sur l’IA sont explorées pour améliorer la robustesse des mesures optiques sans contact. L’objectif de cette thèse est de contribuer au développement de systèmes de fabrication intelligents et fiables, en permettant une détection plus précoce des dégradations de surface et en soutenant une prise de décision pilotée par les données dans les procédés d’usinage.
