Modèles de substitution pour des architectures basées sur graphes

Surrogate Models for Graph-Based Architectures

• Auteur / Autrice : Luis Irastorza valera
• Direction : Francisco Chinesta, Luis Saucedo
• Type : Projet de thèse
• Discipline(s) : Matériaux
• Date : Inscription en doctorat le 03/01/2022
• Etablissement(s) : Paris, HESAM en cotutelle avec Université Polytechnique de Madrid
• 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

Mots clés

Mots clés libres

Métamatériaux

Modélisation dirigée par les données

Intelligence Artificielle

Apprentissage Automatique

Thérmo-mécanique des milieux continus

Metamaterials

Data-driven Modelling

Artificial Intelligence

Machine Learning

Thermo-mechanics of continuum media

Résumé

Lors de la modélisation d'un matériau d'architecture ou d'un métamatériau, il faut évaluer la relation contrainte-tension. Il y a trois difficultés majeures à appliquer les technologies habituelles d'apprentissage automatique pour contracter les régressions contrainte-tension: - Parfois, le comportement dépend d'autres quantités observables qui pourraient et devraient également être mesurées (température, taux de charge, …). - Seule une partie du système structurel peut être observée, et la question de la possibilité de modéliser des quantités observables reste un problème majeur. - Les variables non observées, ou celles qui ne sont tout simplement pas accessibles parce qu'elles condensent à l'heure actuelle toute l'histoire expérimentée, pourraient affecter la relation recherchée, ce qui signifie qu'elles doivent être prises en compte, ainsi que leur évolution temporelle, émanant des procédures d'apprentissage adéquates. Ces trois points seront abordés dans un cadre d'apprentissage fondé et augmenté par la physique.

When modelling an architectured material or metamaterial, one needs to evaluate the applied strain-stress relationship. There are three major difficulties when applying usual machine learning technologies for contracting the stress-strain regressions: - Sometimes, the behaviour depends on other observable quantities that could and should be also measured (temperature, loading-rate, ). - Only a part of the structural system can be observed, and the question of the possibility of modelling observable quantities remains a major issue. - The non-observed variables, or the ones that are simply not accessible because they condensate at the present time all the experienced history, could affect the searched relationship, and that means that they should be taken into account, as well as their time evolution, from adequate learning procedures. These three points will be addressed within a Physics-informed and Physics-augmented learning framework.