webtv

Lecture

De l'impression 3d en céramique

Lecture

Mesurer la déformation du sel, pour l'aménagement de réservoirs en cavités salines

Lecture

Electromagnetic forming process for metallic pieces

Lecture

Amélioration de la performance des éoliennes

Lecture

Vers un stockage géologique du C02 avec impuretés

+ Toutes les vidéos

 

Fiche descriptive du sujet de thèse

SUJET POURVU - Modèles réduits par apprentissage automatique pour l’étude de la nocivité de défauts, Z-ROM Z-learn

SUJET POURVU - Modèles réduits par apprentissage automatique pour l’étude de la nocivité de défauts, Z-ROM Z-learn

Proposition de thèse

SpécialitéMécanique
Ecole doctoraleSMI - Sciences des Métiers de l'Ingénieur
Directeur de thèseRYCKELYNCK David
Co-directeur de thèseBESSON Jacques
Unité de rechercheCentre des Matériaux
ContactDavid Ryckelynck
Site Webhttp://www.mat.mines-paristech.fr/Recrutements/Theses/
Mots-clésApprentissage piloté par la simulation, dictionnaire de défauts, modélisation multi-échelle, aéronautique, énergie, HPC
RésuméNous proposons de développer une méthode de réduction de modèle par apprentissage automatique (machine learning) pour l'analyse de la nocivité de défauts en mécanique des matériaux. Des algorithmes d'apprentissage automatique ont récemment été proposés pour l'analyse de défauts, pour des pipelines [1], dans le domaine de l'aéronautique [2] ou celui des procédés de fabrication [3]. Par ailleurs, simulation numérique et apprentissage automatique ont montré leur complémentarité, par exemple pour l'étude de défauts dans des roulements à bille [4]. L'approche « Simulation-driven machine learning » [4] est très attrayante lorsque l'on dispose de modèles. Par ailleurs, les méthodes d'apprentissage automatique permettent d'éviter le paramétrage des objets à modéliser. C'est une propriété particulièrement intéressante pour l'analyse des défauts. On les représentera à l'aide d'images (2D ou 3D).
Dans le cadre de cette thèse nous nous intéresserons à des défauts locaux dans des matériaux métalliques ductiles. L'objectif de la thèse est de constituer des dictionnaires de modèles numériques permettant une décision rapide sur la nocivité d’un défaut local. Ce type de décision a lieu en phase de production ou en phase d'exploitation de composants mécaniques. Les dictionnaires permettront de couvrir de larges variations de paramètres de comportement ou de chargement et aussi une grande variété de géométries différentes.
On propose de constituer un premier dictionnaire de modèles mécaniques de pièces saines, sans défauts, à l'échelle macroscopique ou mésoscopique. Les modèles de ce dictionnaire seront des modèles hyper-réduits issus d’une méthode proposée dans [5]. Cette méthode a récemment été étendue, afin de pouvoir insérer des défauts locaux dans un modèle sans défaut. Elle permet l'étude de nocivité en réduisant considérablement le nombre d'équations mécaniques à résoudre (plusieurs ordres de grandeur). Dans cette approche, l'insertion de défaut passe par un modèle réduit du défaut, considéré comme isolé dans un milieu infini. Le deuxième dictionnaire que l'on propose de développer est celui de modèles réduits de défauts isolés en milieu infini. On considèrera des données expérimentale 2D ou 3D (issues de tomographies aux rayons X) pour traiter des défauts réalistes. Les deux dictionnaires ainsi constitués permettront de donner plus de valeurs aux données expérimentales et aux données de simulation qui sont générées pendant les études de nocivité de défaut.
L'analyse des défauts en milieu infini sera traitée en associant la méthode des éléments finis et la méthode FFT. La première capte très bien les gradients de contrainte et la seconde est très rapide d'exécution. On portera une attention particulière à la généricité des algorithmes développés afin qu'ils puissent être réutilisés rapidement par des chercheurs en mécanique des matériaux. De plus, il faudra prévoir une procédure d'enrichissement de la base des données de défauts isolés et de la base de données des modèles sans défaut.
ContexteDéroulement de la thèse :
- Etude préliminaire d'un cas de tube fissuré par la méthode d’hyper-réduction en exploitant la méthode d'hyper-réduction de modèle disponible dans la version recherche du logiciel Z-set développée au Centre des Matériaux.
- Mise en place d’un environnement digital pour le développement de dictionnaires pour Z-set.
- Couplage de la méthode FFT et de la méthode des éléments finis pour l'insertion de défauts dans des modèles hyper-réduits issus de Z-set
-Réalisation d’un très grand nombre de simulations par HPC pour l'apprentissage de dictionnaires.
- Développement d'une méthode d’exploitation des dictionnaires par apprentissage automatique. Le logiciel développé sera appelé Z-learn. Il sera open-source. Il sera écrit en python pour bénéficier des nombreuses librairies disponibles pour l’apprentissage automatique (Tensor Flow, Keras, …).
- Développement d’une méthode de régularisation partielle et mésoscopique, pour l'étude de dommages localisés.
EncadrementDirecteur de thèse : David Ryckelynck
Co-directeur : Jacques Besson
Co-encadrant : François Willot
Support scientifique et technique : Basile Marchand
Profil candidatProfil 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) : mathématiques appliquées ou machine learning ou mécanique numérique

Pour postuler : Envoyer votre dossier à recrutement_these@mat.mines-paristech.fr comportant :

• un curriculum vitae détaillé
• une lettre de motivation/projet personnel
• des relevés de notes L3, M1, M2
• 2 lettres de recommandation
• Une attestation de niveau d’anglais
Références[1] Mohamed Layouni, Mohamed Salah Hamdi and Sofiane Tahar, Detection and sizing of metal-loss defects in oil and gas pipelines using pattern-adapted wavelets and machine learning, Applied Soft Computing, (2017), https://doi.org/10.1016/j.asoc.2016.10.040.
[2] Biagio, Marco San Beltràn-Gonzàlez, Carlos, Giunta Salvatore, Bue Alessio Del and Murino Vittorio, Automatic inspection of aeronautic components, Machine Vision and Applications, (2017), https://doi.org/10.1007/s00138-017-0839-1
[3] Carlos A Escobar and Ruben Morales-Menendez, Machine learning techniques for quality control in high conformance manufacturing environment, Advances in Mechanical Engineering, (2018), https://doi.org/10.1177/1687814018755519
[4] Cameron Sobie, Carina Freitas and Mike Nicolai, Simulation-driven machine learning: Bearing fault classification, Mechanical Systems and Signal Processing, (2018), https://doi.org/10.1016/j.ymssp.2017.06.025
[5] D. Ryckelynck, K. Lampoh, S. Quilici, Hyper-reduced predictions for lifetime assessment of elasto-plastic structures, Meccanica, (2015), DOI 10.1007/s11012-015-0244-7
Type financementFinancement d'un Etablissement d'enseignement supérieur

Retour à la liste des propositions

Fiche descriptive du sujet de thèse - MINES ParisTech
Partager

agenda

Du 18 septembre au 14 décembre 2018 Musique aux Mines 2018

Du 18 septembre au 14 décembre 2018 Musique aux Mines 2018

+ Tous les événements

Plan du site
Mentions légales efil.fr © 2014 MINES ParisTech