Sur la correction de modèle et la découverte de propriétés à travers différentes techniques

On Model Correction and Property Discovery through different techniques

• Auteur / Autrice : Daniele Di lorenzo
• Direction : Francisco Chinesta
• Type : Projet de thèse
• Discipline(s) : Mécanique-matériaux (AM)
• Date : Soutenance en 2024
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Pimm - Laboratoire Procédés et ingénierie en mécanique et matériaux
• Partenaire(s) de recherche : établissement de préparation de la thèse : Paris, ENSAM
• Jury : Président / Présidente : Ludovic Chamoin
• Jury : Examinateurs / Examinatrices : Florian De vuyst, Icíar Alfaro, Mejdi Azaiez, Francisco Chinesta
• Jury : Rapporteurs / Rapporteuses : Icíar Alfaro, Mejdi Azaiez

Mots clés

Mots clés libres

Analyse inverse

Jumeaux hybrides

Ingénierie

Prototypage virtuel

Inverse analysis

Hybrid twins

Engineering

Virtual prototyping

Résumé

L'un des principaux défis de l'industrie d'aujourd'hui consiste à optimiser l'ensemble du cycle de vie des produits, depuis leur conception initiale jusqu'à leurs performances mécaniques en service. Cette optimisation va au-delà des considérations financières et englobe également les coûts environnementaux. Le développement d'outils numériques capables de détecter ou de prévenir les changements dans les propriétés des matériaux est crucial pour soutenir le diagnostic et le pronostic, garantissant ainsi le cycle de vie complet du produit. Dans ce contexte, diverses méthodologies ont été proposées dans le domaine de l'analyse des problèmes inverses. La résolution des problèmes inverses nécessite l'application de techniques mathématiques et informatiques sophistiquées, notamment l'optimisation, l'inférence statistique, l'apprentissage automatique et l'assimilation de données. Ces méthodologies visent à démêler les liens complexes qui influencent un système, en se concentrant principalement sur la révélation de paramètres cachés ou non observés. La résolution réussie des problèmes inverses revêt une importance considérable. Elle nous permet de mieux comprendre les systèmes complexes, d'affiner les modèles et de prendre des décisions éclairées fondées sur des données observées, même lorsque certains aspects restent cachés à l'observation directe. Cette thèse, structurée en trois chapitres, se penche sur les outils essentiels, les méthodologies et les contributions personnelles cruciales pour la construction de jumeaux hybrides dans le cadre de l'analyse inverse. Le chapitre 1 présente une nouvelle méthodologie basée sur l'éparpillement, visant à détecter les changements de propriétés dans les systèmes mécaniques. Le chapitre 2 explore les avancées dans le domaine des réseaux neuronaux informés par la physique (PINN), en soulignant comment ce cadre, qui s'appuie sur des principes physiques, peut révolutionner le domaine de l'analyse inverse. Enfin, le chapitre 3 étudie les réseaux neuronaux graphiques et propose une nouvelle architecture pour détecter les changements de propriétés au sein d'un système. Collectivement, ces chapitres contribuent au développement, à l'amélioration et aux applications pratiques des méthodologies qui permettent la résolution de divers problèmes inverses tout en facilitant la construction de jumeaux hybrides. Grâce à ces contributions, cette thèse cherche à faire progresser le domaine de l'ingénierie en exploitant la puissance des données et de la simulation pour relever les défis complexes du monde réel.

One of today's major industry challenges is optimizing the entire product life cycle, from initial design to in-service mechanical performance. This optimization goes beyond just financial considerations to also include environmental costs. Developing digital tools that can detect or prevent changes in material properties is crucial in supporting diagnosis and prognosis, thereby ensuring the product's complete life cycle. Within this context, various methodologies have been proposed in the domain of inverse problem analysis. Solving inverse problems necessitates the application of sophisticated mathematical and computational techniques, including optimization, statistical inference, machine learning, and data assimilation. These methodologies aim to unravel the complex connections that influence a system, primarily focusing on revealing hidden or unobserved parameters. The successful resolution of inverse problems holds immense significance. It empowers us to gain deeper insights into complex systems, refine models, and make informed decisions grounded in observed data, even when certain aspects remain concealed from direct observation. This thesis, structured into three chapters, delves into essential tools, methodologies, and personal contributions crucial for constructing hybrid twins within the framework of inverse analysis. Chapter 1 introduces a novel methodology based on sparsity, aiming to detect property changes within mechanical systems. Chapter 2 explores advancements in Physics-Informed Neural Networks (PINNs), highlighting how this framework, which leverages physical principles, can revolutionize the field of inverse analysis. Lastly, Chapter 3 investigates Graph Neural Networks, proposing a new architecture for detecting property changes within a system. Collectively, these chapters contribute to the development, enhancement, and practical applications of methodologies that enable the resolution of diverse inverse problems while also facilitating the construction of hybrid twins. Through these contributions, this thesis seeks to advance the field of engineering by harnessing the power of data and simulation to address complex real-world challenges.