Estimation de l'intégrité structurelle et de la durée de vie d’ importants éléments structurels

Estimation of structural integrity and lifetime of important structural elements

• Auteur / Autrice : Iryna Didych
• Direction : Yuri Lapusta, Oleh Yasniy
• Type : Thèse de doctorat
• Discipline(s) : Mécanique du Solide
• Date : Soutenance le 08/12/2021
• Etablissement(s) : Université Clermont Auvergne (2021-...)
• Ecole(s) doctorale(s) : École doctorale des sciences pour l'ingénieur (Clermont-Ferrand)
• Partenaire(s) de recherche : Laboratoire : Institut Pascal (Aubière, Puy-de-Dôme)
• Jury : Examinateurs / Examinatrices : O. Zvirko, Werner Wagner
• Jury : Rapporteur / Rapporteuse : Volodymyr Loboda, Octavian Pop

Mots clés

Mots clés contrôlés

Matériaux -- Fissuration

Matériaux -- Fatigue

Mots clés libres

Croissance des fissures de fatigue

Facteur d'intensité de contraintes

Coefficient d'asymétrie du cycle de charge

Durabilité

Réseaux de neurones

Apprentissage automatique

Alliage d'aluminium АМg6

Déformation périodique

Fatigue crack growth

Stress intensity factor

Stress ratio

Lifetime

Neural network

Machine learning

AMg6 aluminum alloy

Jump-like deformation

Résumé

Ce travail a été réalisé sous co-tutelle entre l’Université Technique Nationale de Ternopil (Ukraine) et l’Université Clermont Auvergne, CNRS, SIGMA Clermont, l’Institut Pascal à Clermont-Ferrand (France). La thèse porte sur la solution d’une tâche scientifique réelle d’évaluer la résistance et la durabilité des éléments responsables des structures. L’objectif de l’étude est d’évaluer la résistance et la durabilité résiduelle des éléments structurels par des méthodes d’apprentissage automatique. La plupart des parties des machines et des composants des structures pendant l'exploitation sont influencés par des charges de nature différente. Ces forces sont soit directement attachées à l’élément, soit transmises par des éléments adjacents qui y sont reliés. Pour le fonctionnement normal des parties responsables des structures,chaque élément doit être d’une taille et d’une forme qui lui permettent de résister aux charges. En particulier, il doit être solide, pas avoir de déformation significative sous tension, rigide et conserver sa forme d’origine. La durée de vie estimée des machines et des structures peut être prédite à l’aide des diagrammes de la croissance des fissures de fatigue des matériaux. Dans la plupart des cas, les données expérimentales présentent certaines variations dont il faut tenir compte. L’expérimentation prend souvent beaucoup de temps et de ressources humaines. Par conséquent, il est conseillé d'apprendre à calculer la durabilité par des méthodes d'apprentissage automatique, en particulier les réseaux de neurones, les arbres renforcés, les forêts aléatoires, les machines à vecteurs de support et les k-plus proches voisins.

This work has been performed under co-tutelle supervision between Ternopil IvanPuluj National Technical University in Ternopil (Ukraine) and UniversityClermont Auvergne, CNRS, SIGMA Clermont, Institut Pascal in Clermont-Ferrand (France).This thesis solves the scientific task of responsible structural elements strength andlifetime evaluation. The aim of the thesis is to evaluate the strength and residuallifetime of structural elements by machine learning methods.Most parts of machines and structural elements while being in service are under theinfluence of loads of various nature. Such forces are applied either directly to theelement or transmitted through neighbor elements connected to it. For the normaloperation of the responsible structures parts, each element must have certain sizeand shape that will withstand the loads acting on it. In particular, it must haveappropriate strength properties, not deform significantly under the action ofstresses, be rigid, and preserve its original shape.The calculated residual lifetime of machines and structures can be predicted usingfatigue crack growth (FCG) diagrams. Often, the experimental data have a certainspread, which should be taken into account in their analysis. The experimentalmethod often takes a lot of time and human resources. Therefore, it is advisable tolearn how to calculate the residual lifetime using machine learning methods,particularly, neural networks, boosted trees, random forests, support-vectormachines and the method of k–nearest neighbors.