Dynamique des structures assemblées, réduction de modèle et apprentissage automatique : Application aux jumeaux numériques immersifs

Dynamics of assembled structures, model reduction and machine learning: Application to immersive digital twins

• Auteur / Autrice : Florian Dupont
• Direction : Antoine Legay
• Type : Projet de thèse
• Discipline(s) : Sciences pour l'ingénieur spécialité Mécanique
• Date : Inscription en doctorat le 01/09/2022
• Etablissement(s) : Paris, CNAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : LMSSC - Laboratoire de Mécanique des structures et des systèmes couplés

Mots clés

Mots clés libres

Dynamique transitoire

Réduction de modèle

Structures assemblées

Élément d'Iwan

Interpolation tensorielle

Transient dynamics

Model reduction

Assembled Structures

Iwan element

Tensor Interpolation

Résumé

Dans le cadre du projet ANR JENII, le Laboratoire de Mécanique des Structures et des Systèmes Couplés s'intéresse au développement de jumeaux numériques de structures assemblées (typiquement une aile d'avion) intégrables dans des dispositifs immersifs et interactifs (xVR, réalité virtuelle), par exemple pour illustrer des concepts avancés de conception mécanique pour des apprenants. Ces jumeaux numériques doivent être capables de refléter un comportement mécanique le plus fidèle possible du système réel afin de fournir des résultats expérimentaux simulés crédibles en temps réel. Cette problématique fait apparaitre plusieurs verrous : - (1) la résolution efficace du problème mécanique, potentiellement non-linéaire, pour de nombreuses configurations de chargements et/ou liées à des variations de paramètres de conception; - (2) la prise en compte de données expérimentales et leur variabilité issues d'une campagne d'essais sur le système réel - (3) l'application à une structure de grande dimension nécessitant de nombreux degrés de liberté. Dans un premier temps, le candidat se concentrera sur la mise au point d'une méthode de résolution efficace du problème mécanique en dynamique transitoire s'appuyant, entre autres, sur des approches de type réduction de modèle paramétrique (par exemple POD, PGD). Cette démarche efficace et innovante permettra de proposer des solutions pour de nombreuses configurations du système en termes de chargement (chargement variable en localisation, en orientation et en intensité par exemple) et associés à des variations des paramètres de concept (géométrie, matériaux, serrage...). Dans un deuxième temps, le modèle mécanique précédemment construit sera enrichi de manière intelligente par des informations expérimentales à l'aide d'approche de type apprentissage supervisé (machine learning). Cette intégration permettra, entre autres, d'obtenir à moindre coût des quantités d'intérêt scalaires ou des champs utiles à l'analyse et la compréhension de l'assemblage mécanique. Enfin, cette stratégie complète sera mise en œuvre, validée et exploitée de manière graduelle sur des structures dont la complexité croissante permettra de challenger les performances de l'approche retenue. Les travaux réalisés conduiront à la mise en œuvre d'un démonstrateur en réalité virtuelle auquel le candidat sera amené à participer.

In the framework of the ANR JENII project, the Structural Mechanics and Coupled Systems Laboratory is interested in the development of digital twins of assembled structures (typically an aircraft wing) that can be integrated into immersive and interactive devices (xVR, virtual reality). For example this tool could be used to illustrate advanced mechanical design concepts for learners. These digital twins must be able to reflect a mechanical behavior as accurate as possible to the real system in order to provide credible simulated experimental results in real time. This problem raises several issues: - (1) the efficient resolution of the mechanical problem, which is potentially non-linear, for numerous loading configurations and/or variations in design parameters; - (2) the consideration of experimental data and their variability from a test campaign on the real system; - (3) the application to a large structure requiring many degrees of freedom (dof). In a first step, the candidate will focus on the development of an efficient method for solving the mechanical problem in transient dynamics typically based on parametric model reduction approaches (e.g. POD, PGD). This efficient and innovative approach will enable to propose solutions for many configurations of the system in terms of loading (variable loading in location, orientation and intensity for example) and associated with variations of the design parameters (geometry, materials, clamping...). In a second step, the mechanical model previously built will be enriched with experimental information using a machine learning approach. This integration will enable to obtain scalar quantities or fields useful for the analysis and understanding of the mechanical assembly. Finally, this strategy will be implemented, validated and exploited in a gradual way on structures whose increasing complexity will challenge the performances of the selected approach. This work will lead to the implementation of a virtual reality demonstrator in which the candidate will participate.