Thèse soutenue

Modèles réduits par apprentissage automatique pour l'étude de la nocivité de défauts
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Hugo Launay
Direction : David RyckelynckFrançois Willot
Type : Thèse de doctorat
Discipline(s) : Mécanique
Date : Soutenance le 03/12/2021
Etablissement(s) : Université Paris sciences et lettres
Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique
Partenaire(s) de recherche : Laboratoire : ENSMP MAT. Centre des matériaux (Evry, Essonne)
établissement de préparation de la thèse : École nationale supérieure des mines (Paris ; 1783-....)
Jury : Président / Présidente : Isabelle Bloch
Examinateurs / Examinatrices : David Ryckelynck, François Willot, Laurent Gallimard, Jacques Besson
Rapporteurs / Rapporteuses : Markus Kästner, David Néron

Résumé

FR  |  
EN

La tenue mécanique des structures est directement liée à la présence de défauts. Ces derniers jouent le rôle de concentrateur de contrainte, ce qui réduit considérablement la charge limite que les composants peuvent supporter ou encore leur durée de vie en fatigue. Néanmoins, d’un point de vue économique, il n’est pas envisageable de rebuter toute pièce défectueuse. Des critères permettant de statuer sur leur criticité ont donc été mis en place. Cependant ces derniers sont très conservatifs, par conséquent certains composants fonctionnels se trouvent mis au rebut. Pour pallier cette difficulté, des méthodes d’ évaluation plus précises fondées sur le calcul numérique, telles que la méthode des éléments finis, sont utilisées. Toutefois ces dernières sont coûteuses en temps et en puissance de calcul. L’essor des techniques de science des données permet de tirer profit des informations collectées afin d’accélérer les simulations numériques. Ce travail de thèse vise à développer des méthodes de réduction de modèle par apprentissage automatique pour l’analyse de la nocivité de défauts en mécanique des matériaux. Par ailleurs, les méthodes d’apprentissage automatique permettent d’ éviter le paramétrage des objets à modéliser. C’est une propriété particulièrement intéressante pour l’analyse des défauts, qui sont ici représentés `a l’aide d’images (2D ou 3D) et associés à un champ mécanique calculé par la méthode des éléments finis ou FFT. Dans ce travail, des défauts locaux dans des matériaux métalliques ductiles sont considérés. L’objectif est de constituer des modèles numériques débouchant sur une décision rapide quant à la nocivité d’un défaut local à l’aide d’outils basés sur l’apprentissage automatique. Les approches proposées dans ce mémoire s’appuient en particulier sur des techniques de classification automatique des formes, reposant sur des distances morphologiques et mécaniques, et sur la représentation géométrique et mécanique des formes dans l’espace latent d’autoencodeurs multimodaux. Des méthodes d’estimation d’erreur sont également abordées afin d’ évaluer la véracité des résultats trouvés.