Thèse Holographie Acoustique Basée sur l'Apprentissage Informé par la Physique H/F - Doctorat.Gouv.Fr

Établissement : Le Mans Université École doctorale : Sciences de l'Ingénierie et des Systèmes Laboratoire de recherche : LABORATOIRE D'ACOUSTIQUE DE L'UNIVERSITE DU MANS Direction de la thèse : Kais HASSAN Date limite de candidature : 2026-06-30T00:00:00
L'holographie acoustique de champ proche est une technique d'imagerie reposant sur la mesure du champ acoustique à l'aide d'une antenne de microphones. Elle permet la reconstruction des composantes acoustiques (pression, vitesse, intensité) au voisinage des sources sonores, offrant une vision spatiale et fréquentielle précise du rayonnement acoustique.

Introduite par Williams [1], l'holographie acoustique s'est imposée grâce à ses nombreux avantages : absence d'hypothèse sur la nature des sources, résolution spatiale sous la demi-longueur d'onde, accès aux différentes composantes du champ, et adaptabilité à des configurations stationnaires ou non stationnaires [2]. La reconstruction du champ acoustique à partir de mesures dans le champ proche correspond à un problème inverse. Ce dernier a été largement étudié en s'appuyant sur diverses stratégies de régularisation : régularisation de Tikhonov [3], approche bayésienne [4], échantillonnage compressé et régularisation parcimonieuse [5].
Néanmoins, avec l'essor des réseaux de neurones informés par la physique (PINNs, Physics-Informed Neural Networks), de nouvelles approches peuvent désormais être envisagées pour traiter le problème inverse de la reconstruction du champ acoustique [6]. Des travaux récents commencent à explorer cette thématique [7-12]. Ainsi, les auteurs de [7] ont proposé une méthode permettant d'estimer et de reconstruire le champ sonore d'une salle à partir d'un ensemble limité de réponses impulsionnelles expérimentales, en s'appuyant sur un PINN. La propagation des ondes acoustiques a également été étudiée par les PINN dans [8], y compris en présence d'obstacles de formes et de tailles variées [9]. Enfin, l'intégrale de Kirchhoff-Helmholtz a été utilisée pour intégrer la physique dans la simulation directe du champ acoustique reconstruit par holographie [10, 11]. Ce principe a été étendu par Luan et al. [12], qui ont proposé une approche combinant un réseau PINN et une discrétisation parcimonieuse du champ pour l'holographie planaire. Ces avancées positionnent les PINN comme des candidats solides pour dépasser certaines limitations historiques de l'holographie acoustique : reconstruire le champ de manière continue, sans se limiter à un maillage discret ; reconstituer le champ à partir de mesures potentiellement irrégulières ; résoudre le problème inverse tout en réduisant la complexité de calcul ; étendre la reconstruction au-delà de la zone de mesure. En complément des PINN, les approches récentes basées sur les opérateurs neuronaux de Fourier (FNOs, Fourier Neural Operators) offrent une alternative performante et généralisable [13]. Les FNO cherchent à résoudre le problème inverse par collocation dans l'espace de Fourier. Cette proposition de thèse s'articule autour des objectifs suivants : 1. Explorer et formaliser l'utilisation des PINN pour l'holographie acoustique : le premier objectif consiste à étudier l'application des PINN pour la reconstruction de champs acoustiques. L'approche se concentrera sur l'holographie planaire exploitant des antennes planes de microphones, afin de modéliser le champ acoustique en intégrant directement les équations physiques dans l'apprentissage. Ce recours aux PINN constitue l'originalité principale du travail et permettra d'évaluer leur potentiel pour dépasser les limites des approches classiques. 2. Expérimenter et valider les approches sur des cas réels : une part importante du travail sera consacrée à l'expérimentation et à la validation des modèles sur des configurations réelles. Les mesures seront réalisées à l'aide des antennes de microphones et des systèmes d'acquisition disponibles au laboratoire, complétées par des simulations de champs acoustiques connus (par exemple, le rayonnement d'une plaque vibrante). Les performances des réseaux PINN seront systématiquement comparées aux méthodes d'holographie acoustique conventionnelles (Tikhonov, compressive, bayésienne) afin d'en évaluer la précision, la robustesse et la complexité. 3. Étendre la formulation aux champs acoustiques non stationnaires : l'étude portera d'abord sur des champs stationnaires avant d'être étendue à des situations temporellement variables. L'objectif est de développer une formulation dépendante du temps, adaptée à des sources non stationnaires, et d'examiner la faisabilité d'une holographie acoustique temps réel. Cette extension permettra de tester la capacité des modèles PINN à représenter l'évolution dynamique du champ acoustique. 4. Développer et tester une approche FNO pour la reconstruction du champ acoustique : enfin, la thèse explorera l'utilisation des FNO pour apprendre directement l'opérateur inverse reliant le champ mesuré dans le champ proche au champ source. Les performances seront analysées sur des jeux de données simulés et expérimentaux, puis comparées aux résultats des PINN.
Bibliographie
[1] J. D. Maynard, E. G. Williams, and Y. Lee, Nearfield acoustic holography. I. Theory of generalized holography and the development of NAH, J. Acoust. Soc. Am., vol. 78, no. 4, pp. 1395-1413, 1985. [2] J. H. Thomas, V. Grulier, S. Paillasseur, J. C. Pascal, and J. C. Le Roux, Real-time near-field acoustic holography for continuously visualizing nonstationary acoustic fields, J. Acoust. Soc. Am., vol. 128, no. 6, pp. 3554-3567, 2010. [3] E. G. Williams, Regularization methods for near-field acoustical holography, J. Acoust. Soc. Am., vol. 110, no. 4, pp. 1976-1988, 2001. [4] T. Le Magueresse, J.-H. Thomas, J. Antoni, and S. Paillasseur, Instantaneous Bayesian regularization applied to real-time near-field acoustic holography, J. Acoust. Soc. Am., vol. 142, no. 2, pp. 924-934, 2017. [5] G. Chardon, L. Daudet, A. Peillot, F. Ollivier, N. Bertin, and R. Gribonval, Near-field acoustic holography using sparse regularization and compressive sampling principles, J. Acoust. Soc. Am., vol. 132, no. 3, pp. 1521-1534, 2012. [6] S. Koyama, J. G. C. Ribeiro, T. Nakamura, N. Ueno, and M. Pezzoli, Physics-informed machine learning for sound field estimation: Fundamentals, state of the art, and challenges, IEEE Signal Process. Mag., vol. 41, no. 6, pp. 60-71, 2025. [7] X. Karakonstantis, D. Caviedes-Nozal, A. Richard, and E. Fernandez-Grande, Room impulse response reconstruction with physics-informed deep learning, J. Acoust. Soc. Am., vol. 155, no. 2, pp. 1048-1059, 2024. [8] H. S. Sethi, D. Pan, P. Dimitrov, and R. King, Hard enforcement of physics-informed neural network solutions of acoustic wave propagation, Comput. Geosci., vol. 27, pp. 737-751, 2023. [9] S. Nair, T. F. Walsh, G. Pickrell, and C. Smith, Multiple scattering simulation via physics-informed neural networks, Engineering with Computers, 2024. [10] M. Olivieri, M. Pezzoli, F. Antonacci, and A. Sarti, A physics-informed neural network approach for nearfield acoustic holography, Sensors, vol. 21, no. 23, p. 7834, 2021. [11] S. Damiano and T. van Waterschoot, Sound field reconstruction using physics-informed boundary integral networks, arXiv preprint arXiv:2506.03917, 2025. [12] X. Luan, M. Pezzoli, F. Antonacci, and A. Sarti, Physics-informed neural network-driven sparse field discretization method for near-field acoustic holography, arXiv preprint arXiv:2505.00897, 2025.
[13] M. Middleton, D. T. Murphy, and L. Savioja, Modelling of superposition in 2D linear acoustic wave problems using Fourier neural operator networks, Acta Acust., vol. 9, p. 20, 2025.

La thèse comportera une part expérimentale rendue possible par les antennes de microphones et les systèmes d'acquisition du laboratoire.

Un tel travail de thèse contribuerait au développement d'un outil innovant pour le diagnostic de systèmes, caractérisés par une variabilité des sons qu'ils émettent selon leur état. Il favorisera de plus, au sein du laboratoire,
une montée en compétences dans le domaine de l'apprentissage informé par la physique.