Littérature scientifique sur le sujet « Distances géodésiques »

Abstract This work presents the implementation of a high standards dataset of earthquake ground motions recorded in Metropolitan France between 1996 and 2016. This dataset is intended to serve the scopes of a large seismological community; however, its primary aims are engineering seismology and earthquake engineering applications. The dataset includes records from broadband and accelerometric sensors provided by permanent and temporary seismic networks operated by French research institutions and partners grouped within the Réseau Sismologique et géodésique Français (RESIF) consortium (see Data and Resources). All the waveforms are first homogenized to acceleration units and underwent a full quality control process including: (1) visual verification and manual phase picking, (2) processing scheme, and (3) consistency check by residual analysis. These make the dataset fully compliant with international standards. Finally, the RESIF dataset includes more than 6500 quality-checked records from 468 earthquakes recorded at 379 stations. Over the 379 stations included in the dataset, 177 are permanent stations (RA and FR networks) and 202 are temporary stations (YP and X7 networks). The dataset is complete down to magnitude ML 3.5 over the whole French territory and less (about ML 2.5) in the eastern part. Magnitudes range from ML 2.4 to 5.6 and from Mw 2.0 to 5.2, whereas distances range from less than 1 to 600 km. The disseminated dataset is constituted of (1) a versioned flatfile containing the metadata and main intensity measures computed on each processed record, (2) time histories, and (3) response spectra for several damping values and Fourier spectra.

La méthode de Microscopie par Localisation Ultrasonore (ULM) est une nouvelle méthode d'imagerie médicale super-résolue qui permet d'outrepasser le compromis précision/distance de pénétration dans les tissus pour l'imagerie du réseau vasculaire. Ce nouveau type d'images pose de nouveaux enjeux mathématiques, notamment pour la segmentation et l'analyse de ses images, étapes nécessaires pour arriver à des méthodes pour le diagnostic. Notre travail se positionne à l'intersection des méthodes géodésiques et des méthodes de Machine Learning. Dans cette thèse nous apportons trois contributions. Une première de ces contributions est centrée autour des contraintes liées aux images ULM et propose le tracking de l'entièreté de l'arbre vasculaire en passant par la détection des point-clés des vaisseaux sanguins apparaissant sur l'image. La deuxième contribution de cette thèse porte sur l'apprentissage de la définition de métriques Riemanniennes pour traiter des tâches de segmentation sur des données d'IRM cérébraux et d'images du fond de l'œil. La dernière partie de notre travail porte sur un problème inverse pour la reconstruction de trajectoires d'agents de contraste dans des images médicales dans le contexte de la super-résolution sans-grille
Ultrasound Localization Microscopy is a new method in super-resolved Medical Imaging that allow us to overcome compromise between precision and penetration distance in the tissues for the imaging of the vascular network. This new type of images raises new mathematical questions, especially for the segmentaton and analysis, necessary steps to achieve medical diagnostic of patients. Our work is positioned at the intersection of geodesic and Machine Learning methods. In this thesis, we make three contributions. The first of these is centered on the constraints linked to ULM images and proposes the tracking of the entire vascular tree through the detection of key points of blood vessels appearing on the image. The second contribution of this thesis deals with learning to define Riemannian metrics to handle segmentation tasks on brain MRI data and eye fundus images. The final part of our work focuses on an inverse problem for reconstructing contrast agent trajectories in medical images in the context of grid-free super-resolution

La segmentation des images médicales est une tâche critique dans la pratique clinique, nécessitant des méthodes précises et fiables pour aider au diagnostic et à la planification du traitement. Cependant, les approches d'apprentissage profond existantes manquent souvent d'interprétabilité et de robustesse, ce qui limite leur application dans des environnements cliniques sensibles. Cette thèse aborde ces défis en proposant deux nouveaux modèles d'apprentissage profond qui intègrent des techniques classiques de traitement d'images pour améliorer la performance et la fiabilité de la segmentation. La première contribution, le Chan-Vese Attention U-Net, incorpore un mécanisme d'attention basé sur la minimisation de l'énergie de Chan-Vese dans l'architecture U-Net. Cette approche exploite les contraintes géométriques pour guider le processus de segmentation, ce qui permet au modèle de produire des résultats plus précis et plus faciles à interpréter en se concentrant sur les régions pertinentes de l'image et en minimisant les détails non pertinents. La seconde contribution, le Fast Marching Energy CNN, combine les réseaux neuronaux avec le calcul de la distance géodésique pour apprendre les métriques riemanniennes isotropes directement à partir des données, ce qui permet de générer des masques de segmentation robustes qui conservent à la fois les propriétés géométriques et topologiques. Ces méthodes utilisent des transformées de distance différentiables et l'algorithme de marche sous-gradient pour les intégrer dans un cadre différentiables. En intégrant les techniques traditionnelles de minimisation de l'énergie aux modèles modernes d'apprentissage profond, cette recherche fait progresser le domaine de l'analyse d'images médicales, en offrant des outils plus fiables et interprétables pour la segmentation automatisée. Les résultats de cette thèse ont le potentiel d'améliorer les processus de prise de décision clinique et l'adoption de solutions pilotées par l'IA dans les soins de santé
Segmentation of medical images is crucial in clinical practice, requiring accurate and reliable methods to aid diagnosis and treatment planning. However, existing deep learning approaches often need more interpretability and robustness, limiting their application in sensitive clinical environments. This thesis addresses these challenges by proposing two new deep learning models integrating classical image processing techniques to improve segmentation performance and reliability. The first contribution, the Chan-Vese Attention U-Net, incorporates an attention mechanism based on Chan-Vese energy minimisation into the U-Net architecture. This approach exploits geometric constraints to guide the segmentation process, enabling the model to produce more accurate and easier-to-interpret results by focusing on relevant regions of the image and minimising irrelevant details. The second contribution, Fast Marching Energy CNN, combines neural networks with geodesic distance computation to learn isotropic Riemannian metrics directly from the data, generating robust segmentation masks that preserve geometric and topological properties. These methods integrate differentiable distance transforms and the subgradient walk algorithm into a differentiable framework. By integrating traditional energy minimisation techniques with modern deep learning models, this research advances the field of medical image analysis, providing more reliable and interpretable tools for automated segmentation. The results of this thesis can potentially improve clinical decision-making processes and the adoption of AI-driven solutions in healthcare

La recherche d'algorithmes appliquée aux jeux est un domaine de recherche très dynamique. Les jeux constituent un terrain d'application privilégié pour les algorithmes de recherche, car les jeux permettent de modéliser des problèmes complexes, de manière efficace. De nombreux algorithmes ont d'abord été développés pour les jeux avant d'être étendus à d'autres domaines. Dans cette thèse, nous nous intéressons à la recherche d'algorithmes heuristiques dans le cadre des jeux, en particulier aux algorithmes de recherche heuristique basés sur le sampling, tels que Monte Carlo Tree Search (MCTS) en information parfaite, ainsi qu'à des algorithmes de détermination en information imparfaite. Nous explorons également l'intégration des algorithmes de recherche avec d'autres types d'algorithmes, notamment les algorithmes d'apprentissage par renforcement. Ce travail présente les méthodes existantes ainsi que plusieurs contributions originales dans ce domaine. La première partie de la thèse est consacrée à l'étude des algorithmes de recherche heuristique indépendants du domaine, ce qui les rend facilement testables et applicables dans divers contextes. Plus particulièrement, nous nous concentrons sur les jeux à information imparfaite, où les joueurs ne disposent pas de toutes les informations sur l'état du jeu. Dans ce contexte, certains problèmes apparaissent avec les méthodes existantes, notamment en ce qui concerne la fusion de stratégies et l'impact de la révélation d'informations. Nous discuterons en détail de ces problématiques et présenterons les méthodes proposées pour les résoudre. La seconde partie de la thèse porte sur les algorithmes de recherche heuristique spécifiques à un domaine. Ces algorithmes, dépendants du domaine, sont souvent plus efficaces que les algorithmes indépendants, car ils peuvent apprendre, généraliser et s'adapter à un contexte spécifique. Au cours de cette partie, nous étudions l'intégration des algorithmes de recherche heuristique avec d'autres types d'algorithmes, en particulier ceux d'apprentissage par renforcement. Nous présentons une contribution originale dans ce domaine ainsi qu'une autre en cours de développement. La première méthode propose de renforcer les algorithmes de recherche en intégrant des algorithmes d'apprentissage par renforcement basés sur le principe de guide. La seconde méthode vise à intégrer des méthodes basées sur des modèles (model-based) dans les algorithms recherches en information imparfaite
Algorithm research in the context of games is a highly active field. Games are a prime application domain for search algorithms because they allow for the modeling and efficient resolution of complex problems. Many algorithms were first developed for games before being extended to other domains. In this thesis, we focus on heuristic search algorithms in the context of games, particularly heuristic search algorithms based on sampling, such as Monte Carlo Tree Search (MCTS) in perfect information, and based on determinization in imperfect information. We also explore the integration of search algorithms with other types of algorithms, especially reinforcement learning algorithms. We present existing methods as well as several original contributions in this field. The first part of the thesis is dedicated to the study of domain-independent heuristic search algorithms, making them easily testable and applicable in various contexts. Specifically, we focus on games with imperfect information, where players do not know all the details about the game state. In these types of algorithms and games, certain problems arise with existing methods, particularly issues related to strategy fusion and the impact of information revelation. We will discuss these problems in detail and present two original methods to address them. The second part of the thesis explores domain-dependent heuristic search algorithms. Domain-dependent algorithms are often more efficient than domain-independent ones because they can learn, generalize, and adapt to a specific domain. Throughout this part, we investigate the integration of heuristic search algorithms with other types of algorithms, particularly reinforcement learning algorithms. We present an original contribution in this area and another contribution that is currently under development. The first method proposes to enhance search algorithms by integrating reinforcement learning algorithms based on the guiding principle. The second method aims to incorporate model-based methods into searches in imperfect information settings

La transformée en ondelettes a été introduite ces dernières années dans le domaine du traitement des données multimédia car elle permet une représentation compacte des informations. Cette transformée conçue initialement pour les signaux 1D, ne s'appuie pas sur les spécificités des signaux 2D. Afin de prendre en compte ces spécificités, plusieurs transformées en ondelettes géométriques ont été proposées : nous en étudions deux propositions dans cette thèse. Plus particulièrement, nous allons présenter deux transformées en ondelettes géométriques adaptatives, c'est à dire, deux transformées en ondelettes dont l'ensemble des fonctions d'analyse et de synthèse est défini à partir de l'identification des singularités de l'image. La première transformée, définie par Le Pennec, s'appuie sur une détection des contours pour extraire et traiter séparément des bandes de l'image. La deuxième transformée s'appuie quand à elle, sur un ensemble de mesures de la distance géodésique spécifique au signal traité. Cet ensemble de mesures est ensuite exploité à travers un schéma de lifting pondéré. Ces deux transformées sont confrontées aux applications de suppression de bruit et de suppression de l'effet de bloc lié à la compression JPEG. Nous commenterons ces résultats afin de mettre en évidence les apports ainsi que les limites de ces approches.

Dans cette thèse, on présente une notion de courbure géodésique pour les courbes lisses horizontales dans une variété sous-Riemannienne de contact, qui indique dans quelle mesure une courbe est différente d'une géodésique. Cette courbure géodésique se présente sous la forme de deux fonctions qui sont toutes deux identiquement nulles le long d'une courbe lisse horizontale si et seulement si cette dernière courbe est une géodésique. Le résultat principal de cette thèse réside dans l'interprétation métrique que l'on donne de ces fonctions de courbure. Cette interprétation consiste à extraire la courbure géodésique des premiers termes de correction dans le développement limité de la distance sous-Riemannienne entre deux points proches le long de la courbe
We present a notion of geodesic curvature for smooth horizontal curves in a contact sub-Riemannian manifold, measuring how far a horizontal curve is from being a geodesic. This geodesic curvature consists in two functions that both vanish along a smooth horizontal curve if and only if this curve is a geodesic. The main result of this thesis is the metric interpretation of these geodesic curvature functions. This interpretation consists in seeing the geodesic curvature functions as the first corrective coefficients in the Taylor expansion of the sub-Riemannian distance between two close points on the curve

Les performances d’un système de reconnaissance de formes dépendent en bonne partie de la qualité de l’image segmentée. Malgré les progrès effectués, une segmentation complète (c’est-à-dire avec des contours entiers) ne peut pas être toujours atteinte. Dans un premier temps, nous nous plaçons dans le cas où seulement certaines parties de la forme entière sont disponibles. D’abord, afin d’assurer l’invariance des parties de formes aux transformations géométriques, nous développons une méthode d’optimisation de l’analyse procustéenne qui consiste à retrouver les points extrémités optimaux qui minimisent la distance de Procutse. Ensuite, nous proposons une approche de reconnaissance de parties de formes et une approche de reconnaissance de formes partielles. Ces deux approches, basées-contour, sont fondées sur un recalage robuste entre les parties de formes. La méthode de recalage proposée consiste à optimiser une mesure de similarité basée sur les géodésiques dans l’espace de formes. Ainsi, nous exploitons le résidu du recalage pour définir une nouvelle métrique pour la reconnaissance de parties de formes. Puis, nous décrivons une stratégie de combinaison avec cette même métrique pour la reconnaissance de formes partielles. Par la suite, nous proposons d’utiliser la distance géodésique proposée pour la reconnaissance des parties de formes dans la définition d’une métrique globale pour la reconnaissance de formes entières. Les tests de reconnaissance (classification et recherche) sont effectués sur des parties requêtes et des formes entières de la base d’images MPEG-7, puis sur des images réelles segmentées. Les résultats expérimentaux montrent la supériorité de nos méthodes par rapport aux autres méthodes de l’état de l’art
The quality of the segmentation process directly affects the performance of the shape recognition. Despite the progress that has been made, it is often unreachable to segment the entire object (i.e. closed contour). In fact, only some parts/fragments of objects can be detected. We first develop a new alignment method based on Procrustes analysis in order to ensure invariance of shape parts to geometric transformations (translation, rotation and scale factor). The proposed method consists in finding optimal extremities which minimize the Procrustes distance. Then, we propose a shape part recognition approach and a partial shape recognition approach. These two contour-based approaches are based on matching between shape parts to compare. This matching process consists in establishing a robust registration between shape parts based on geodesics in the shape space. Thus, we exploit the registration residual to define a novel distance for shape part recognition. Later, for partial shape recognition, we describe a geodesics-based combining strategy with the same distance. As well, we propose to use the geodesics distance proposed for shape part recognition to define a global distance for entire shape recognition. Experiments are carried out on parts of shapes and entire shapes of theMPEG-7 database, then on parts issued from segmented real images. The obtained results demonstrate the effectiveness of our proposed recognition schemes. The proposed approaches are shown to significantly outperform previous works for classification and retrieval applications

On étudie dans cette thèse l'ensemble N des points d'un ouvert Ω d'un espace euclidien qui ne se trouvent dans l'intérieur d'aucun segment joignant un point de Ω à l'une de ses projections sur le complémentaire Ӕ \Ω de Ω. Par exemple les points de Ω qui admettent plusieurs projections sur Ӕ\ Ω sont dans N; leur ensemble M est aussi le lieu des points de Ω de non différentiabilité de la fonction distance au bord de Ω. Nous étudions la rareté au sens de Baire, la négligeabilité, la dimension de Hausdorff de M et de N qui peuvent être denses dans Ω. Nous étudions les propriétés de connexité de M et N, et nous comparons les types d'homotopie de M, N et Ω. Dans le cas de la dimension deux, nous étudions de façon plus détaillée les arcs de N, car ils jouissent alors de remarquables propriétés d'unicité. Les outils sont essentiellement la topologie générale, la convexité, et un peu de calcul différentiel.

La question de la nature de l’accélération de l’expansion de l’Univers est l’une des problématiques centrales de la cosmologie actuelle. Des approches ontologiques, législatives et paradigmatiques ont été proposées pour tenter d’y répondre. Toutefois s’il s’avère crucial de disposer de davantage de contraintes observationnelles pour être en mesure de lever les dégénérescences. Dans ce contexte, l’empreinte laissée par l’accélération de l’expansion dans la formation des grandes structures a un rôle important à jouer. Cette thèse s’interroge sur cette empreinte, notamment au travers des effets qu’elle a sur la propagation de la lumière. Conformément aux prédictions de la relativité générale, la trajectoire des photons est courbée aux environs des amas, superamas et filaments galactiques entrainant un certain nombre de conséquences observables : lentillage gravitationnel, redshift gravitationnel, effet Sachs-Wolfe intégré, décalages temporels … Pour quantifier ces effets, les premières simulations de la structuration à l’échelle de l’Univers Observable ont été effectuées dans le but de construire des cônes de lumière autour d’observateurs virtuels. Cela a permis de se réinterroger sur la question de la simulation numérique en cosmologie et de proposer de nouvelles approches à base de métaprogrammation par template et de langages embarqués pour concevoir des codes alliant généricité et performance. Un code de raytracing en champ faible basé sur un nouvel algorithme de maillage a été réalisé. Au final, l’intégration des géodésiques a révélé des effets dus aux inhomogénéités sur les distances de diamètre angulaire supérieurs au pourcent au-delà de z=l
The nature of the accelerated expansion of the Universe is one of the most fundamental question of today’s cosmology. Ontological, legislatives and paradigmatic approaches have been proposed in order to solve this question. However, it is critical to put additional observational constraints in order to break degeneracies. In this context, the imprint of the acceleration of the expansion on large scale structures has a key role to play. This thesis is focused on this imprint and especially on its effects on light propagation. Accordingly to the predictions of general relativity, photons trajectories are curved near clusters, superclusters and galactic filaments causing several observable phenomena : gravitational lensing, gravitational redshift, integrated Sachs-Wolfe effects, time delays … To quantify these effects, the first simulation of structure formation on the scale of the Observable Universe have been run to construct light cones around virtual observers. It allowed us to rephrase the question of numerical simulation in cosmology and to propose new approaches based on template metaprogramming and embedded languages to create codes achieving both genericity and performance. A raytracing code in the weak-field limit based on a new meshing algorithm has been implemented. Finally, the amplitude of the effects of inhomogeneities on angular diameter distance measured using geodesics integration is above one percent beyond z=l

Le monde est face à une crise environnementale majeure, ceci alors que la consommation d'énergie ne cesse d'augmenter. Quelles solutions pouvons-nous trouver pour fournir l'énergie demandée, tout en réduisant les émissions de gaz à effet de serre ? L'une d'entre elles consiste à améliorer l'efficacité énergétique des procédés industriels, notamment par le biais de la catalyse hétérogène. Les catalyseurs hétérogènes, ici des solides poreux, sont utilisés en raffinage et pétrochimie, en particulier pour la génération de biocarburant.La question se pose de caractériser l'efficacité de ces catalyseurs. Une description morphologique fournit des informations clés, au sens où des corrélations ont été établies entre propriétés structurales et performances de ces matériaux. Néanmoins, la catalyse hétérogène est un processus complexe et les descripteurs traditionnellement utilisés sont insuffisants, dans l'optique d'une aide aux choix de ces matériaux.Ce travail de thèse vise à développer de nouveaux descripteurs numériques de microstructures, facilement interprétables, efficients et complémentaires à l'état de l'art, afin d'aider in fine à choisir les catalyseurs appropriés à une application donnée. Ces descripteurs permettent une caractérisation géométrique et topologique du réseau poreux, quelle que soit sa complexité et indépendamment des phénomènes physico-chimiques pouvant être en jeu.Nous mettons en œuvre à la fois la percolation, capacité à traverser une microstructure ; la tortuosité géométrique, sinuosité et interconnectivité d'un réseau ; et l'hétérogénéité. Ces descripteurs relèvent pour l'essentiel de méthodes morphologiques. Les caractéristiques géométriques et topologiques liées aux fonctionnelles de Minkowski en 3D sont adaptées au domaine d'intérêt par estimation de l'accessibilité à une microstructure pour une sphère de taille donnée (A-protocole), décrite par érosion morphologique calculée de façon efficace grâce aux cartes de distances. Nous caractérisons ensuite la topologie des pores via un nouvel opérateur, la M-tortuosité, applicable à tout volume segmenté, sans définition arbitraire de points ou de plans sources. Nous proposons un estimateur efficace de la M-tortuosité par calcul de cartes de distances ; dont une généralisation par facteurs puissances est définie. Cet opérateur est ensuite étendu de différentes façons.Tout d'abord, au cas d'une sonde de taille finie (M-tortuosité-par-érosions-itératives), caractérisant les goulots d'étranglement, habituellement décrits par la constrictivité. Puis, pour caractériser la dépendance en échelle spatiale de la tortuosité (H-tortuosité), ce qui quantifie, entre autres, l'hétérogénéité de la structure. Enfin, ces deux aspects sont regroupés dans la H-tortuosité-par-érosions-itératives.Dans un second temps, ces opérateurs ensemblistes, valables pour des images binaires, reçoivent une extension fonctionnelle permettant de décrire des images à niveaux de gris (F-tortuosité et HF-tortuosité). Les objectifs sont multiples : tenir compte d'informations locales lors de l'estimation de la tortuosité globale de microstructures, et discriminer des images tomographiques, sans segmentation précise de la structure.Le pouvoir discriminant de ces opérateurs ensemblistes et fonctionnels, et leur comportement, sont évalués au fil des définitions, sur des cas d'école et sur des modèles booléens multi-échelles de Cox. Leurs similitudes et complémentarités sont analysées sur ces mêmes images synthétiques.En catalyse et biocatalyse, trois types de microstructures sont considérés : les zéolithes, les MOFs (Metal-Organic Framework) et les alumines. Ces applications montrent l'étendue du champ applicatif, par l'adaptabilité et la complémentarité des descripteurs proposés, entrainant la considération de leur utilisation en dehors du cadre de la catalyse, notamment pour certains domaines des neurosciences et l'analyse des milieux turbides
In a technologically advanced world, energy consumption is rapidly increasing deepening the ongoing environmental crisis. Therefore, solutions must be found to provide the required energy, while reducing greenhouse gas emissions.Catalysis is an excellent way to improve the energy efficiency of industrial processes. Heterogeneous catalysts, here porous microstructures, are at the heart of this process, particularly for refining and petrochemical industry, specifically for biofuel generation.Their morphological description provides key information. Thus far, correlations have been established between the structural properties and performance of these materials. Nevertheless, heterogeneous catalysis is a very complex process and the traditional numerical descriptors provide insufficient information and fail to assist in material selection. The work addressed in this thesis aims to develop new digital descriptors of microstructures that are easily interpretable, efficient and complementary to the current state-of-the-art solutions. The objective is to complete the set of descriptors, to help in the optimal selection of the appropriate catalysts for a given application. More specifically, we focus our work on a geometric and topological characterization of the porous network, without taking into account physicochemical phenomena, and not being limited by the complexity of the microstructure studied.Our different approaches focus on the concepts of percolation, ability to cross a microstructure; geometric tortuosity, sinuosity and interconnectivity of a network; and heterogeneity. The geometric and topological characteristics linked to the Minkowski functionals in 3D are fitted to catalysis field by estimating accessibility of a microstructure for a given sphere size (A-protocol), described by morphological erosion efficiently calculated by distance maps. To characterize the pore topology, we define an operator, the M-tortuosity, that can be applied to any segmented volume, without arbitrarily defining source points or planes. We propose an efficient M-tortuosity estimator by calculating distance maps; which is then generalized by power factors. This operator is then extended to distinct ways.First, to the case of a probe of finite size (M-tortuosity-by-iterative-erosions), characterizing bottleneck effects which are usually quantified using constrictivity. Then, to characterize the spatial scale dependence of tortuosity (H-tortuosity), characterizing, among others, the heterogeneity of the structure. Finally, both aspects are gathered into the H-tortuosity-by-iterative-erosions.Secondly, these ensemble operators, suitable for binary images, are extended to the functional case, to discriminate grayscale images (F-tortuosity and HF-tortuosity). These functional extensions have various purposes: combining local information with tortuosity assessment of the overall structure, and characterizing tomographic images without accurate segmentation.The discrimination power of these operators, ensemble and functional, is assessed on toy cases and on multi-scale Boolean Cox schemes. Moreover, their similarities and complementarities are analysed using these very same stochastic models.In catalysis and biocatalysis, three types of catalysts are considered: zeolites, MOFs (Metal-Organic Framework) and aluminas. These applications highlight their wide scope, and lead to consider their usefulness out of catalyst domain; in neuroscience and for turbid media characterization

La fabrication d'additive par arcs électriques (WAAM) est en train de devenir la principale technologie de Fabrication Additive (FA) utilisée pour produire des pièces à parois minces de taille moyenne à grande (Ordre de grandeur : 1 m) à un coût moindre. Pour fabriquer une pièce avec cette technologie, la stratégie de planification du trajet utilisée est la 2.5D. Cette stratégie consiste à découper un modèle 3D en différentes couches planes et parallèles les unes aux autres. L'utilisation de cette stratégie limite la complexité des topologies réalisables en WAAM, notamment celles présentant de grandes variations de courbure, et implique plusieurs départs/arrêt de l'arc lors de son passage d'une couche à l'autre. Ceci induit des phénomènes transitoires dans lesquels le contrôle de l'approvisionnement en énergie et en matière est complexe. Dans cette thèse, une nouvelle stratégie de fabrication visant à réduire au minimum les phases de démarrage et d'arrêt de l'arc est présentée. L'objectif de cette stratégie, appelée "Génération de Trajectoire Continue Tridimensionnelle" (GTCT), est de générer une trajectoire continue en forme de spirale pour des pièces minces en boucle fermée. Une vitesse de fil constante couplée à une vitesse de déplacement adaptative permet une modulation de la géométrie de dépôt qui assure un approvisionnement continu en énergie et en matière tout au long du processus de fabrication. L'utilisation de la stratégie 5 axes couplées à la GTCT permet la fabrication de pièces fermées avec une procédure pour déterminer la zone de fermeture optimale, et des pièces sur des substrats non-plans utiles pour ajouter des fonctionnalités à une structure existante. La fabrication de ces pièces avec la GTCT et plusieurs évaluations numériques ont montré la fiabilité de cette stratégie et sa capacité à produire de nouvelles formes complexes avec une bonne restitution géométrique, difficile ou impossible à atteindre aujourd'hui en 2.5D avec la technologie WAAM
Wire Arc Additive Manufacturing (WAAM) is becoming the primary Additive Manufacturing (AM) technology used to produce medium to large (order of magnitude: 1 m) thin-walled parts at lower cost. To manufacture a part with this technology, the path planning strategy used is 2.5D. This strategy consists in cutting a 3D model into different plane layers parallel to each other. The use of this strategy limits the complexity of the topologies achievable in WAAM, especially those with large variations in curvature. It also implies several start/stop of the arc during its passage from one layer to another, which induces transient phenomena in which the control of energy and material supply is complex. In this thesis, a new manufacturing strategy to reduce the arc start/stop phases to a single cycle is presented. The objective of this strategy, called "Continuous Three-dimensional Path Planning" (CTPP), is to generate a continuous spiral-shaped trajectory for thin parts in a closed loop. An adaptive wire speed coupled with a constant travel speed allows a modulation of the deposition geometry that ensures a continuous supply of energy and material throughout the manufacturing process. The use of the 5-axis strategy coupled with CTPP allows the manufacturing of closed parts with a procedure to determine the optimal closure zone and parts on non-planar substrates useful for adding functionality to an existing structure. Two geometries based on continuous manufacturing with WAAM technology are presented to validate this approach. The manufacturing of these parts with CTPP and several numerical evaluations have shown the reliability of this strategy and its ability to produce new complex shapes with good geometrical restitution, difficult or impossible to achieve today in 2.5D with WAAM technology