Mécanique

ISMME - Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique

KERFRIDEN Pierre

Centre des Matériaux

09/12/2023

Jumeau numérique, Composites, Assimilation de données, Contrôle non-destructif, Mécanique expérimentale

Digital twinning, composites, data assimilation, non-destructive testing, experimental mechanics

-

-

La prévision de l'état de santé des matériaux composites est un des enjeux industriels majeurs pour les prochaines décennies. Les stratifiés à renforts de fibres de carbones sont omniprésents dans les industries liées à la mobilité, en raison de leurs performances en termes de rapport entre la tenue aux efforts mécaniques et la masse. Cependant, la ruine de ces matériaux intervient de manière brutale, en opposition à celle des matériaux métalliques, plus progressive et donc dont les signes précurseurs sont facilement détectables. Le contrôle non-destructive des structures composites, sont ainsi devenus des domaines très actifs en recherche et développement. Une façon particulièrement intéressante de suivre l'évolution de la santé de la matière est de capter les ondes acoustiques générées par la rupture des constituants microscopiques du composite. Le nombre, l'intensité et la forme des signaux associés sont révélateurs de l'évolution de l'endommagement dans le matériau [3]. L'identification du type d'endommagement ayant eu lieu est appelé diagnostic, alors que l'évaluation de sa sévérité et de son impact sur la durée de vie résiduelle du composant industriel est appelée prognostique.

Les recherches des 20 dernières années sur le suivi de santé par contrôle des émissions acoustiques se sont concentrées sur le diagnostic, avec un certain succès, mais également des limites importantes. Notamment, la signature acoustique d'un type d'endommagement dépend de l'environnement, et le passage d'éprouvettes de laboratoires à des structures réelles est délicat. Le pronostique nécessite quant à lui l'utilisation d'un modèle pour évaluer par la simulation l'effet des défauts identifiés sur la tenue mécanique. Ce domaine est largement moins développé que le diagnostic, et l'industrie a aujourd'hui recours à des approches empiriques associées à des coefficients de sureté important pour pallier ce manque méthodologique, alourdissant ce faisant les structures composites.

D'un autre côté, les technologies de jumelage numérique et d'intelligence artificielle ont connues une révolution durant les dernières années. Ces approches promettent de compenser le manque de compréhension et/ou de maitrise des phénomènes physiques mis-en-jeu dans les systèmes mécaniques par l'assimilation de données riches, pendant le service du composant industriel. Typiquement, les données provenant de capteurs sont utilisées de manière continue pour enrichir les capacités prédictives d'un modèle physique en ajustant les paramètre du modèle et/ou en corrigeant les parties incertaines du modèle en utilisant des réseaux de neurones [4-5]. Ceci est aujourd'hui réalisable en temps réel grâce à l'existence d'environnement méthodologiques performants faisant intervenir la réduction de modèle et d'environnements logiciels facilitant l'accès aux technologies d'intelligence artificielle (blibilothèques de calculs sur graphes différentiables, e.g. PyTorch et TensorFlow).

L'application visée est celle des réservoirs à hydrogènes. Ces composants volumineux gagneront à être réalisés en matériaux composites afin de réduire le poids des véhicules électriques.

Directeur de thèse : Pierre Kerfriden
Co-directeur de Thèse 2 : Chung-Hae Park (IMT Nord Europe)
Co-encadrant 1 : Salim Chaki (IMT Nord Europe)
Co-encadrant 2 : Modesar Shakoor (IMT Nord Europe)

Profil type pour une thèse à MINES ParisTech: Ingénieur et/ou Master recherche - Bon niveau de culture générale et scientifique. Bon niveau de pratique du français et de l'anglais (niveau B2 ou équivalent minimum). Bonnes capacités d'analyse, de synthèse, d'innovation et de communication. Qualités d'adaptabilité et de créativité. Capacités pédagogiques. Motivation pour l'activité de recherche. Projet professionnel cohérent.

Pré-requis (compétences spécifiques pour cette thèse) :

- Connaissances approfondies en mécanique numérique des matériaux et des structures
- Maitrise des probabilités et des statistiques
- Connaissances et intérêt pour l'intelligence artificielle
- Connaissances et intérêt pour la mécanique expérimentale
- Mobilité, flexibilité de travail (travail à réaliser sur deux sites dans le cadre d'une collaboration entre deux équipes de recherche)
- Connaissance en modélisation et controle des systèmes, assimilation de données (e.g. filtres de Kalman)
- Maitrise du python

Pour postuler : Envoyer votre dossier à recrutement_these@mat.mines-paristech.fr et pierre.kerfriden@minesparis.psl.eu comportant
- un curriculum vitae détaillé
- une copie de la carte d'identité ou passeport
- une lettre de motivation/projet personnel
- des relevés de notes L3, M1, M2
- 2 lettres de recommandation
- les noms et les coordonnées d'au moins deux personnes pouvant être contactées pour recommandation
- une attestation de niveau d'anglais

Typical profile for a thesis at MINES ParisTech: Engineer and / or Master of Science - Good level of general and scientific culture. Good level of knowledge of French (B2 level in french is required) and English. (B2 level in english is required) Good analytical, synthesis, innovation and communication skills. Qualities of adaptability and creativity. Teaching skills. Motivation for research activity. Coherent professional project.

Prerequisite (specific skills for this thesis):




Applicants should supply the following :
- a detailed resume
- a copy of the identity card or passport
- a covering letter explaining the applicant's motivation for the position
- detailed exam results
- two references : the name and contact details of at least two people who could be contacted
- to provide an appreciation of the candidate
- Your notes of M1, M2
- level of English equivalent TOEIC
to be sent to recrutement_these@mat.mines-paristech.fr and pierre.kerfriden@minesparis.psl.eu

Dans cette thèse, nous chercherons à mettre au point une démarche de jumelage numérique permettant de repousser les limites de l'état de l'art sur l'évaluation de la durée de vie résiduelle de l'état de santé des composites stratifiés, et en particulier les structures de type réservoirs, en utilisant les données d'émissions acoustiques. L'approche retenue est celle d'un dialogue essai-calcul en temps réel (i.e. un jumelage numérique) à l'aide des méthodes de d'assimilation de données et du machine learning. La thèse aura un volet expérimental et un volet numérique, les expérimentations étant faites pour nourrir les modèles et prouver la démontrer les capacités de la stratégie de jumelage numérique. Les objectifs sont les suivants

- Mettre en place une démarche de modélisation couplant modélisation physique et intelligence artificielle pour simuler l'évolution des mécanismes d'endommagement dans les structures composites stratifiées ainsi que les émissions acoustiques associées.
- Mettre en place une campagne expérimentale permettant d'identifier les paramètres du modèle hybride proposé précédemment.
- Développer une stratégie de dialogue continu essai-calcul (jumelage numérique) permettant de suivre le vieillissement d'un composant particulier
- Vérifier la faisabilité de l'approche sur des structures stratifiées de laboratoire (Éprouvettes trouées par exemple).

[1] J. Besson, G. Cailletaud, J.-L. Chaboche, S. Forest, Non-linear mechanics of Materials, 2010

[2] N. Klebi, P. Kerfriden, B. Marchand, A. Thionnet, Digital Twinning to predict the residual life of composite pressure vessels, COMPLAS 2021

[3] W Harizi, S Chaki, G Bourse, M Ourak, Damage mechanisms assessment of Glass Fiber-Reinforced Polymer (GFRP) composites using multivariable analysis methods applied to acoustic emission data, Composite Structures 289, 115470, 2022

[4] P Pereira Álvarez, P Kerfriden, D Ryckelynck, V Robin, Real-Time Data Assimilation in Welding Operations Using Thermal Imaging and Accelerated High-Fidelity Digital Twinning, Mathematics 9 (18), 2263, 2021

[5] A Pulikkathodi, E Lacazedieu, L Chamoin, Real-time inverse crack tracking in uncertain microstructures using PGD-based model reduction and extended Kalman filtering, Computational Mechanics 71 (2), 311-332, 2023

Concours pour un contrat doctoral

https://www.adum.fr/script/downloadfile.pl?type=78&ID=50739