Il est essentiel, pour la sécurité publique, de s’assurer de l’intégrité structurelle des matériaux utilisés dans les véhicules. Sina Negarandeh, étudiant à la maîtrise en informatique avec concentration en intelligence artificielle appliquée, souhaite soutenir cet objectif grâce à un modèle d’IA qui accélère considérablement l’analyse radiographique des dommages structuraux. Tout aussi précis que les techniques conventionnelles, ce modèle n’exige qu’une fraction du temps habituellement nécessaire.
Une collaboration financée par le gouvernement fédéral
C’est en se penchant sur l’histoire du génie que Sina Negarandeh a eu envie d’entreprendre cette recherche. « Je réfléchis souvent à la façon dont notre quotidien est influencé par les spécialistes du génie et les scientifiques qui nous ont précédés, explique-t-il. La possibilité de contribuer à cet effort collectif, même modestement, est ce qui me motive. » Il est également animé par un vif intérêt pour l’intégration de l’intelligence artificielle aux sciences physiques.
Son projet de recherche s’inscrivait dans une initiative plus vaste, financée par le Conseil de recherches en sciences naturelles et en génie du Canada, et visant à réduire le gaspillage et les émissions de carbone. Sina Negarandeh a collaboré avec l’Université de Waterloo, plus précisément avec son laboratoire d’analyse de la fatigue et des contraintes, ainsi qu’avec plusieurs partenaires de l’industrie automobile. Il souligne l’apport de la professeure Vasiliki (Verena) Kantere, sa directrice de recherche principale. Le professeur Hamid Jahed et le doctorant Sepehr Ghazimorady de l’Université de Waterloo ont également collaboré au projet.
Entraîner l’IA à détecter rapidement les dommages structuraux
Pour évaluer l’intégrité structurelle de divers matériaux, Sina Negarandeh a eu recours à l’intelligence artificielle afin d’analyser les données recueillies. Il a d’abord appliqué des contraintes mécaniques à un alliage d’aluminium afin de reproduire l’usure normale à laquelle sont soumis les métaux utilisés dans les véhicules. Il a ensuite observé les dommages au moyen d’une technique non destructive appelée « diffraction des rayons X ». Cette méthode permet d’examiner l’intérieur des matériaux sans les abîmer, et de repérer les dommages invisibles de l’extérieur.
L’objectif du chercheur consistait à analyser ces données à l’aide d’un nouveau modèle rapide et efficace. « Je souhaite combiner la précision des méthodes de modélisation traditionnelles à la vitesse des réseaux d’IA modernes, explique-t-il. Les matériaux pourraient ainsi être évalués en temps réel plutôt qu’après plusieurs heures d’analyse. »
Pour ce faire, il a conçu son modèle d’IA en recourant à un cadre de type « enseignant-élève ». Le processus débute avec un modèle initial précis, mais exigeant en temps de calcul (l’enseignant), qui transmet ensuite l’information à un modèle d’IA (l’élève). À mesure que ce dernier apprend du modèle enseignant, il gagne en efficacité tout en produisant des résultats fiables et précis.
Des résultats sûrs, efficaces et durables
L’approche de Sina Negarandeh s’est révélée concluante. Le modèle élève a appris avec succès du modèle enseignant sans perdre en précision. Lors d’essais réalisés sur des échantillons d’aluminium, les deux modèles ont produit les mêmes résultats, mais le modèle élève y est parvenu beaucoup plus rapidement. « Le modèle d’IA a réduit le temps de calcul nécessaire pour analyser les données radiographiques du matériau, le faisant passer de près de deux heures à une fraction de seconde », indique-t-il.
Le modèle est également capable de respecter des directives techniques d’ingénierie et de satisfaire à des normes de sécurité.
Cette nouvelle approche met fin au compromis que les ingénieures et ingénieurs devaient souvent faire entre rapidité et précision. « Nos travaux montrent qu’il n’est plus nécessaire de choisir entre les deux, affirme Sina Negarandeh. En faisant intervenir un modèle enseignant précis, mais plus lent, auprès d’un élève IA rapide et efficace, on obtient la précision de l’approche traditionnelle en une fraction du temps. »
Cette avancée revêt une importance particulière pour les secteurs de l’automobile et de l’aérospatiale, où la rapidité et la précision sont essentielles afin d’éviter des défaillances catastrophiques. Elle présente aussi des avantages environnementaux. En détectant plus tôt les dommages internes, les spécialistes peuvent prolonger la durée de vie utile des véhicules et réduire les ressources nécessaires au remplacement des pièces usées ou défectueuses.
La prochaine étape consistera à adapter ce cadre méthodologique à d’autres domaines de recherche, notamment celui du diagnostic biomédical.
Sina Negarandeh espère poursuivre sa carrière en menant des projets porteurs qui contribueront à l’amélioration de la société et de l’environnement. « Le génie et l’IA sont de plus en plus interreliés, et je veux participer aux efforts pour garantir que cette intégration débouche sur des changements positifs et concrets », affirme-t-il.
Les technologies transformatrices au cœur des priorités de la Faculté de génie
Les technologies pour la transformation numérique de la société constituent l’un des cinq principaux axes de recherche de la Faculté de génie de l’Université d’Ottawa. L’Université est résolue à contribuer à l’avancement technologique de la société.
Sina Negarandeh a remporté la première place dans la catégorie Technologies pour la transformation numérique de la société lors de l’édition 2026 de la Compétition d’affiches des études supérieures en génie et en informatique, qui s’est tenue lors de la Journée de célébration de la recherche en génie. Son affiche, intitulée Neural Posterior Estimation via Hierarchical Bayesian Distillation (estimation neuronale a posteriori par distillation bayésienne hiérarchique), a retenu l’attention du jury grâce à son approche novatrice.
Découvrez les autres projets primés lors de la Compétition d’affiches des études supérieures.
