Thèse - Thermométrie et machine learning appliqués à la fatigue de structures issues de la fab[...]
Thermométrie et machine learning appliqués à la fatigue de structures issues de la fabrication additive arc-fil
Mots clés
- Durabilité
- Thermométrie
- Fabrication additive
- Etat de surface
- Machine learning
Laboratoire
Institut de Recherche Dupuy de Lôme (IRDL), ENSTA site de Brest
Equipe d’encadrement
Lorenzo Bercelli, Cédric Doudard, Sylvain Moyne
Problématique et objectif
La Fabrication Additive Métallique (FAM) arc-fil (ou Wire Arc Additive Manufacturing, WAAM) est un procédé permettant la réalisation de structures de grandes dimensions et aux formes complexes. La maîtrise de ce procédé permet de répondre à des enjeux de souveraineté industrielle et d’innovation (optimisation topologique, ajout de fonctions, …). Néanmoins, les matériaux résultants présentent classiquement une microstructure fortement hétérogène, des contraintes résiduelles, de rares défauts volumiques et une forte rugosité en surface. Lors de précédents travaux (1), (2), il a été montré que cette rugosité est particulièrement critique quant à la tenue en fatigue à grand nombre de cycles. Or l’usinage systématique des surfaces contraint fortement la liberté de design permise par le WAAM. Des traitements de parachèvements de surface sont préférés (jet d’eau, martelage) pour gommer partiellement les aspérités de surface, sans les effacer complètement. On cherche alors à établir une méthode pour prévoir l’effet de ces surfaces sur la tenue en fatigue.
Contenu de la thèse
Afin d’établir un outil prédictif robuste, il convient de disposer de résultats expérimentaux fiables . Dans le cadre du projet NEREIDS, on propose de s’appuyer sur des données issues d’une technique de thermométrie : la thermoélasticimétrie (ou Thermoelastic Stress Analysis, TSA ). Cette technique consiste à suivre l’évolution du champ de température en surface d’une éprouvette sous sollicitation cyclique par caméra infrarouge. Selon la configuration d’essai, et d’après l’équation de la chaleur locale, on montre que le signal de température mesuré peut être relié à une information de contrainte en surface; c’est le couplage thermoélastique. Dès lors, toute évolution du champ mécanique en surface peut être monitorée par des films infrarouges. C’est le cas en particulier de l’amorçage et la propagation de fissures de fatigue en surface sollicitée en Mode I .
Cette technique appliquée au cas des surfaces WAAM est particulièrement intéressante car elle permet d’estimer, sur une large surface, les instants d’amorçage de multiples fissures et le suivi de leur propagation, utile par exemple à l’identification d’un modèle de mécanique linéaire de la rupture. Cependant, la pratique conventionnelle de la TSA n’exploite qu’une petite partie de l’information contenue dans un film infrarouge. En outre, les traitements d’images infrarouges classiquement effectués sont très sensibles au bruit de mesure, aux effets de conduction (effet de «flou»), à l’interaction entre fissures, à la fermeture de fissure, … Ces méthodes sont également tributaires de la définition de seuils, paramètres très opérateur-dépendants.
Dans ce contexte, on propose d’établir une méthode de post-traitement innovante , s’appuyant sur l’usage de réseaux de neurones . Cette méthode doit permettre une exploitation complète de la richesse de l’information infrarouge, et de ce fait permettre, d’une part, un suivi de fissure plus robuste, et d’autre part, l’accès à d’autres indicateurs comme par exemple la présence de contraintes résiduelles procédé proche de la fissure. Par ailleurs, un tel protocole de post-traitement ne sera pas a priori limité au cas des surfaces WAAM.
Les résultats obtenus par cette méthode de post-traitement doivent ensuite permettre la mise en place d’une méthode prédictive pour la tenue en fatigue de structures brutes de dépôt WAAM. Il s’agira alors de faire la mise en dialogue des résultats expérimentaux tels qu’obtenus par le nouveau post-traitement (lieux d’amorçages, cinétiques de propagation, chemins préférentiels, …) et de champ mécanique de surface issus de simulations: quelles corrélations existent entre ces jeux de données ? En associant cette comparaison des données au choix d’un critère de fatigue, on cherchera à généraliser l’approche à d’autres types de surface.
Profil recherché
Le·la candidat·e recherché·e possède une formation en mécanique des matériaux et doit avoir une appétence pour le travail numérique . La maîtrise des méthodes de deep-learning n’est pas exigée, mais sera fortement appréciée. Le·la candidat·e doit être autonome et faire preuve de curiosité.
Modalités
Le contrat proposé est un CDD de 3 ans selon un salaire à hauteur de 2450€brut/mois , pour un début dès Octobre 2026 , avec possibilité d’enseignement en tant que vacataire . La thèse aura lieu intégralement au laboratoire IRDL, sur le campus de Brest de l’ENSTA.
Transmettre
- Lettre de motivation
- CV
- Copie de diplôme de master