Couramment mises en œuvre dans l'industrie, les procédures de classification de défauts doivent être toujours plus fiables et performantes. Grâce à la simulation numérique, le List propose des méthodes de diagnostic rapides, adaptables aux problèmes des industriels et intégrables in situ dans leurs systèmes de mesure.

En s'appuyant sur les modèles de la plate-forme de simulation CIVA,  les chercheurs du List ont mis au point des outils génériques d'apprentissage supervisé et des métamodèles rendant possibles des diagnostics automatiques en cycle de production : ces méthodes permettent d'identifier et de caractériser de façon fiable les anomalies détectées lors des contrôles. De plus, les techniques de « machine learning » peuvent fonctionner en temps réel afin de progresser au fur et à mesure des contrôles industriels et donc s'adapter de manière robuste aux perturbations de l'environnement.

Les premiers résultats obtenus par ces techniques ont été présentés à la conférence internationale QNDE 2017. Des partenaires industriels ont manifesté leur intérêt en vue d'appliquer cette technique de diagnostic rapide à leurs problématiques.