Algorithme d'apprentissage approfondi utilisant des données hybrides multi-échelles pour l'enrichissement du modèle et l'identification de la zone à risque dans les structures soudées.

par Afsal Pulikkathodi

Projet de thèse en Mécanique des solides

Sous la direction de Elisabeth Lacazedieu et de Ludovic Chamoin.

Thèses en préparation à université Paris-Saclay , dans le cadre de École doctorale Sciences mécaniques et énergétiques, matériaux et géosciences (Gif-sur-Yvette, Essonne ; 2015-....) , en partenariat avec LMT - Laboratoire de mécanique et de technologie (laboratoire) , Secteur Structures et Systèmes (equipe de recherche) et de École normale supérieure Paris-Saclay (Gif-sur-Yvette, Essonne) (référent) depuis le 01-12-2020 .


  • Résumé

    L'utilisation de l'IA est étudiée dans le contexte de la correction des biais des modèles mécaniques en apprenant à partir de données hybrides multi-échelles pertinentes pour décrire des systèmes couplés complexes. Le doctorat proposé s'inscrit dans un programme plus vaste consacré au développement d'algorithmes utiles pour la conception de prototypes de systèmes mécaniques assistés par des jumeaux numériques, intégrant des modèles avancés pour la prédiction et le contrôle du comportement dynamique dans des conditions réelles de fonctionnement. Les algorithmes qui sont étudiés ici, basés sur un apprentissage approfondi de la microstructure des matériaux, sont dédiés à une application du domaine automobile, à savoir le jumeau numérique d'une structure de carrosserie soumise à des chocs de haute énergie pour sa conception. L'objectif principal est de développer, pour le traitement numérique d'ensembles en dynamique explicite, des méthodes de couplage aussi peu intrusives que possible, c'est-à-dire avec un minimum de modification du macro-problème et du code de calcul utilisé pour le résoudre. Le cœur du travail de recherche consiste à fonctionnaliser numériquement la structure par l'apprentissage et l'enrichissement de modèles de lois de comportement constitutives qui régissent sa réponse dynamique aux contraintes appliquées. Des méthodes hybrides d'assimilation de données, construites à partir de modèles déterministes à micro-échelle et de simulations numériques à macro-échelle, sont couplées afin de prévoir et d'identifier les zones à risque. Dans ce projet, nous nous concentrons sur les structures hétérogènes soumises à divers mécanismes de dommages survenant à de multiples échelles en service, comme les microfissures. Des recommandations spécifiques sont donc particulièrement nécessaires pour une conception utilisant la fabrication additionnelle, afin d'assurer la fiabilité structurelle en service. Le manque de fiabilité actuel explique principalement la progression encore limitée de l'utilisation des composites vers des pièces structurelles primaires (Gardan et al. 2019, Chemkhi et al. 2017, Zouaoui et al. 2016). Par conséquent, la surveillance de la santé des structures (SHM) avec détection précoce des dommages, suivi de l'évolution des matériaux et évaluation de l'intégrité structurelle est fondamentale pour contrôler les structures composites tout au long de leur cycle de vie, et ainsi augmenter la durabilité, la sécurité, la performance et la compétitivité. Elle est proposée ici de manière intégrée et connectée en temps réel, en utilisant un modèle virtuel enrichi de données. Le principal défi consiste à résoudre le problème de la réconciliation des données simulées et expérimentales à plusieurs échelles et pour plusieurs systèmes en interaction. La combinaison des méthodes d'intégration des données dans les bases de données avec des processus de modélisation et de régularisation statistiques utilisant l'apprentissage automatique est abordée dans le contexte de la réduction des connaissances manquantes et de l'incertitude des modèles. Une modélisation causale est construite à l'aide de méthodes d'identification directe et inverse combinées. Des cartes de corrélation entre les causes et les effets peuvent ainsi être établies pour de grands domaines de variabilité des paramètres. Le modèle est enrichi par l'IA impliquant des capteurs in-situ et des modèles ex-situ conduisant à l'apprentissage, la reconnaissance, le traitement et la correction en temps réel. Le modèle final est synthétique, hybride et optimal car le modèle physique théorique peut être corrigé dynamiquement et automatiquement par des procédures d'étalonnage appropriées en utilisant les connaissances disponibles.

  • Titre traduit

    Deep learning algorithm using hybrid multiscale data for model enrichment and identification of risk zone in welded structures.


  • Résumé

    Using AI is investigated in the context of correcting bias of mechanical models learning from hybrid multiscale data relevant to describe complex coupled systems. The proposed PhD is included into a larger program devoted to the development of algorithms useful for designing prototypes of mechanical systems assisted by digital twins, integrating advanced models for the prediction and control of the dynamic behavior under real operating conditions. The algorithms which are studied here, based on deep learning from the material microstructure, are dedicated to an application of the automotive domain, namely the digital twin of a body structure subjected to high-energy shocks for its design. The main objective is to develop, for the numerical processing of assemblies in explicit dynamics, coupling methods that are as little intrusive as possible, i.e. with a minimum of modification in the macro problem and the calculation code used to solve it. The core of the research work is to digitally functionalize the structure through learning and enrichment of models of constitutive behavior laws that govern its dynamical response to the applied stresses. Hybrid data assimilation methods, built from both microscale deterministic models and macroscale numerical simulations, are coupled in order to predict and identify the risk zones. In this project, we focus on heterogeneous structures submitted to various damage mechanisms occurring at multiple scales in service, such as microcracks. Specific recommendations are thus particularly required for a design using added manufacturing, in order to ensure structural reliability in service. The current lack of reliability mainly explains the still limited progression in the use of composites to primary structural parts (Gardan et al. 2019, Chemkhi et al. 2017, Zouaoui et al. 2016). Consequently, Structural Health Monitoring (SHM) with early damage detection, material evolution tracking, and structural integrity evaluation is fundamental in order to control composite structures throughout their life cycle, and thus increase durability, safety, performance, and competitiveness. It is proposed here in an embedded and real-time connected real-time manner, using a virtual model enriched by data. The major challenge is to address the reconciliation of simulated and experimental data at several scales and for several interacting systems. Combination of data-integration methods into databases with statistical modeling and regularization processes using machine learning is addressed in the context of missing knowledge and model uncertainty reduction. A causal modeling is built through combined direct and inverse identification methods. Correlation maps between causes and effects may be thus established for large parameter variability domains. The model is enriched by AI involving in-situ sensors and ex-situ models leading to real-time learning, recognition, treatment and correction. The final model is synthetic, hybrid and optimal as the theoretical physical model can be dynamically and automatically corrected through suitable calibration procedures using available knowledge.