Thèse Apprentissage Scientifique par Nuage de Points Appliqué à la Caractérisation Mécanique à Chaud d'Alliage d'Aluminium H/F - 75

Établissement : Mines Paris-PSL
École doctorale : SFA - Sciences Fondamentales et Appliquées
Laboratoire de recherche : Centre de Mise en Forme des Matériaux
Direction de la thèse : David RYCKELYNCK
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-07-31T23:59:59

L'objectif principal de cette thèse est de développer un jumeau numérique thermomécanique d'essais de compression à chaud d'alliages d'aluminium, fondé sur des simulations par éléments finis et enrichi par des méthodes d'apprentissage automatique intégrant les connaissances physiques. Ce jumeau numérique vise à améliorer l'exploitation scientifique et industrielle des essais de compression à chaud, adapté aux trajets de chargement thermomécaniques du laminage à chaud. L'essai de compression avec traction induite est présenté en Erreur ! Source du renvoi introuvable. et pourra être amené à évoluer au cours de la thèse pour être plus représentatif des chargements rencontrés en laminage.

L'objectif principal est de construire des modèles permettant, dans un premier temps, une identification rapide et robuste des lois rhéologiques viscoplastiques, puis des lois d'endommagement, dans des conditions thermomécaniques représentatives de la mise en forme industrielle. Contrairement aux approches classiques, fondées sur des modèles analytiques simplifiés ou des campagnes expérimentales lourdes, la thèse vise à exploiter pleinement la richesse des champs tridimensionnels de contraintes, de déformations et de température fournis par les simulations éléments finis, tout en les combinant avec des observables expérimentales - efforts, déplacements, mesures de température ou surfaces de rupture - afin de rendre les modèles accélérés à la fois plus fiables et plus représentatifs des essais réels. Un second objectif, particulièrement original, est de rendre possible la prédiction quasi temps réel des champs internes au cours des essais de compression à chaud. Cette capacité ouvre la voie à une exploitation expérimentale inédite des essais, en guidant de manière rationnelle les prélèvements de matière dans les éprouvettes déformées pour des analyses mécaniques ou microstructurales ciblées. Le jumeau numérique devient ainsi un véritable outil d'aide à l'interprétation expérimentale. Enfin, la thèse vise à transformer l'essai de compression à chaud en un outil de conception inverse, capable d'être paramétré pour générer des états de contraintes et de déformations cibles, représentatifs de zones spécifiques de produits laminés industriellement. Cette capacité est clé pour le prototypage numérique de procédés et constitue un changement de paradigme par rapport à l'usage traditionnel des essais de laboratoire.

Dans ce contexte, les méthodes d'intelligence artificielle informées par la physique constituent un levier particulièrement pertinent. En s'appuyant sur des simulations éléments finis de référence et sur des données expérimentales et industrielles, ces approches permettent de construire des modèles réduits interprétables, capables d'accélérer les calculs tout en conservant la cohérence thermomécanique des modèles physiques. L'IA offre ainsi la possibilité de mieux exploiter des données partielles ou hétérogènes, d'assister l'identification des lois de comportement et d'endommagement, et de rendre les jumeaux numériques d'essais de compression à chaud réellement exploitables dans un cadre industriel.