Modélisation multi-échelle du comportement des composites thermoplastiques recyclés : investigation expérimentale, génération de microstructures, et homogénéisation pilotée par les données

Multiscale modeling of the overall behavior of recycled thermoplastic composites : microstructural investigation and generation, and data-driven homogenization

• Auteur / Autrice : Saif Eddine Sekkal
• Direction : Fodil Meraghni, George Chatzigeorgiou
• Type : Thèse de doctorat
• Discipline(s) : Mécanique-matériaux
• Date : Soutenance le 17/01/2025
• Etablissement(s) : Paris, ENSAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur (Paris ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Etude des Microstructures et de Mécanique des Matériaux (Metz ; 2011-....) - Laboratoire d'Etude des Microstructures et de Mécanique des Matériaux (Metz ; 2011-....)
• Jury : Président / Présidente : Emmanuel Baranger
• Jury : Examinateurs / Examinatrices : Fodil Meraghni, George Chatzigeorgiou, Emmanuel Baranger, Fadi Aldakheel, Patrick Rozycki, Chady Ghnatios, Mohsen Mirkhalaf, Frédéric Ruch
• Jury : Rapporteurs / Rapporteuses : Fadi Aldakheel, Patrick Rozycki
• DOI : 10.70675/da880632zdec8z4ecez9adaz439057f89ffb

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Analyse multiéchelle

Thèses et écrits académiques

Composites thermoplastiques

Mots clés libres

Modélisation multi-Échelle

Composites thermoplastiques recyclés

Génération de microstructures

Modélisation non-Linéaire viscoélastique et viscoplastique

Endommagement anisotrope

Réseaux de neurones artificiels

Multiscale modeling

Recycled thermoplastic composites

Microstructure generation

Nonlinear viscoelastic viscoplastic modeling

Anisotropic damage

Artificial Neural Networks

Résumé

Les composites thermoplastiques recyclés offrent une alternative durable aux matériaux traditionnels, mais leur comportement mécanique reste difficile à prévoir en raison de leur hétérogénéité intrinsèque. Le processus de recyclage introduit une variabilité de la microstructure et des propriétés mécaniques, nécessitant des approches adaptées pour une prédiction précise. Cette thèse développe des outils et méthodologies pour mieux comprendre, prédire le comportement de ces composites. D’abord, des investigations expérimentales montrent comment les paramètres de procédé, comme la taille des fragments, influencent les propriétés microstructurales et mécaniques des composites recyclés à fibres de verre. L’analyse révèle des comportements anisotropes et non linéaires liés à des architectures de fibres distinctes, établissant une base pour des modèles prédictifs reflétant leur hétérogénéité. Ensuite, des modèles constitutifs non linéaires capturent les mécanismes viscoélastiques, viscoplastiques et d’endommagement. Les résultats valident leur capacité à reproduire le comportement sous des chargements complexes. Enfin, l’approche MuTINN (Multiscale Thermodynamics Informed Neural Networks), basée sur les données et les principes thermodynamiques, intègre des variables d’état internes pour modéliser le comportement non linéaire. L'approche permet des prédictions efficaces et précises tout en maintenant l’interprétabilité physique. Son intégration dans un logiciel EF démontre son efficacité pour l’analyse macroscopique et l’optimisation rapide des composites recyclés pour l’industrie.

{Recycled thermoplastic composites offer a sustainable alternative to traditional composites, but their mechanical behavior remains difficult to predict due to inherent heterogeneity. The recycling process introduces variability in microstructure and material properties, requiring tailored approaches for accurate performance prediction. This thesis develops tools and methodologies to improve the understanding, prediction, and application of these composites. First, experimental investigations examine how processing parameters, such as chip size, influence the microstructural and mechanical properties of recycled glass fiber composites. The analysis reveals anisotropic and history-dependent behaviors linked to distinct fiber architectures at micro- and meso-scales, forming a foundation for predictive models reflecting their heterogeneity. Second, nonlinear constitutive models are proposed to capture viscoelastic, viscoplastic, and damage mechanisms in the composites. Experimental results validate their ability to replicate energy absorption, damping, and inelastic behaviors under complex loading conditions. Finally, the data-driven MuTINN (Multiscale Thermodynamics Informed Neural Networks) framework improves predictive capabilities for recycled composites. Grounded in thermodynamics, it incorporates internal state variables (ISVs) to model anisotropic and history-dependent behaviors. The approach enables efficient predictions while maintaining physical interpretability. Its integration into FE software demonstrates effective macroscale structural analysis and facilitates the rapid optimization of recycled composites for industrial applications.