Vers la prédiction et la compréhension des effets tribologiques sur les performances systèmes par l'intelligence artificielle

Towards the prediction and understanding of tribological effects on system performance through artificial intelligence

• Auteur / Autrice : Nikzad Motamedi
• Direction : Vincent Magnier, Hazem Wannous
• Type : Thèse de doctorat
• Discipline(s) : Mécanique, énergétique, génie des procédés, génie civil
• Date : Soutenance le 04/04/2023
• Etablissement(s) : Université de Lille (2022-....)
• Ecole(s) doctorale(s) : École doctorale Sciences de l’ingénierie et des systèmes (Lille ; 2021-....)
• Partenaire(s) de recherche : Laboratoire : LaMcube - Laboratoire de mécanique, multiphysique, multiéchelle
• Jury : Président / Présidente : Frédéric Lebon
• Jury : Examinateurs / Examinatrices : Philippe Dufrénoy, Faten Chaieb-Chakchouk, Céline Bouby
• Jury : Rapporteurs / Rapporteuses : Guilhem Mollon, Hassen Drira

Mots clés

Mots clés contrôlés

Usure (mécanique)

Multiphysique

Analyse multiéchelle

Apprentissage automatique

Simulation par ordinateur

Essais

Frottement

Environnement

Mécanique du contact

Mots clés libres

Modèles prédictifs

Numerical simulation

Contact interface

Artificielle Intelligence

Numerical-Experimental dialog

Résumé

Le contact entre deux pièces, notamment quand il est provoqué comme sur les systèmes de freinage, mérite d'être amélioré et donc d'être mieux compris. Les phénomènes mis en jeu sont complexes car ils font appel à des notions multi-échelle, multi-physique dans un contexte d'évolution constante. Une difficulté supplémentaire est que le contact est fermé, et donc il est par conséquent difficile d'observer explicitement les phénomènes d'interface qui joue un rôle prépondérant dans les performances visés (pollution sonore, émission des particules fines, usure etc.). Au regard des normes environnementales européennes qui seront de plus en plus sévères, il est indispensable d'établir de nouvelles stratégies permettant de mieux appréhender le problème dans sa globalité. L'équipe souhaite tendre vers le couplage numérique et expérience. La partie « expérience » s'appuie sur des bancs d'essais dédiés avec une instrumentation riche et fine. La partie « numérique » s'appuie sur des modélisations multi-échelles et multi-physiques tentant de considérer des mécanismes tribologiques au sein d'un système complet. Une difficulté est de vouloir comparer (recaler) ces deux parties.Ainsi, l'objectif de cette thèse est de proposer des modèles prédictifs liant l'interface de contact avec le système complet par l'intelligence artificielle. Dans un premier temps, on tentera de déterminer les fréquences propres d'un système pion-disque en prenant en compte n'importe quelles surfaces pour l'interface. Plus précisément, cette interface présentera un champ de rugosité qui sera généré numériquement. Dans un second temps, un modèle IA est développé pour prédire la distribution de contact pendant un essai. Cette partie s'appuie sur des mesures d'une nappe de thermocouples noyée dans le matériau de friction en proche surface pendant les essais. Dans un troisième temps, en s'appuyant sur des acquisitions expérimentales du profil de surface à différent instant, un modèle est proposé pour déterminer les évolutions de l'usure. Les modèles IA spécifiquement développés pour ces trois parties font appel à des algorithmes de type CNN, GAN, RNN etc. Ces notions n'étant pas commune dans la communauté mécanicienne, elles sont illustrées sur un exemple simple d'identification de comportement en préambule de ce manuscrit. En termes de bilan, les résultats obtenus sont très satisfaisants au regard de la comparaison aux données de simulation et/ou expérimentales. Cela confirme l'intérêt de l'utilisation de l'IA afin de passer un cap dans la prédiction des modèles. De plus, l'IA permet aussi la compréhension et l'importance des paramètres d'entrée qui pourrait servir à moyen terme à optimiser le système ou de piloter les essais.

The contact between two parts, especially when it is induced as in braking systems, needs to be improved and therefore to be better understood. The phenomena involved are complex because they involve multi-scale, multi-physics concepts in a context of constant evolution. An additional difficulty is that the contact is closed, and therefore it is difficult to explicitly observe the interface phenomena that play a major role in the targeted performances (noise pollution, emission of fine particles, wear etc.). In view of the European environmental standards which will be increasingly severe, it is essential to establish new strategies to better understand the problem in its entirety. The team wishes to move towards the coupling of numerical and experimental methods. The "experiment" part is based on dedicated test benches with a rich and fine instrumentation. The "numerical" part is based on multi-scale and multi-physics modeling trying to consider tribological mechanisms within a complete system. One difficulty is to compare (realign) these two parts.Thus, the objective of this PhD thesis is to propose predictive models linking the contact interface with the complete system through artificial intelligence. In the first step, we will try to determine the natural frequencies of a pin-on-disk system by considering any surface for the interface. More precisely, this interface will present a roughness field that will be generated numerically. In the second step, an AI model is developed to predict the contact distribution during a test. This part is based on measurements of a thermocouple array embedded in the near surface friction material during the tests. In the third step, based on experimental acquisitions of the surface profile at different times, a model is proposed to determine the evolution of wear. The AI models specifically developed for these three parts use algorithms such as CNN, GAN, RNN etc. These concepts are not common in the mechanical community, they are illustrated on a simple example of behavior identification in the preamble of this manuscript. In terms of results, the obtained results are very satisfactory when compared to simulation and/or experimental data. This confirms the interest of using AI in order to pass a milestone in the prediction of models. Moreover, AI also allows the understanding and the importance of the input parameters which could be used in the medium term to optimize the system or to drive the tests.