Machine learning et algorithme évolutionnaire : prédiction et optimisation du comportement mécanique et thermique de composites via l'homogénéisation de leurs microcrostuctures

Machine Learning and Evolutionary Algorithm : Prediction and Optimization of the Mechanical and Thermal Behavior of Composites via the Homogenization of their Microstructures.

• Auteur / Autrice : Hamdi Beji
• Direction : Toufik Kanit, Tanguy Messager
• Type : Thèse de doctorat
• Discipline(s) : Mécanique des solides, des matériaux, des structures et des surfaces
• Date : Soutenance le 20/09/2024
• Etablissement(s) : Université de Lille (2022-....)
• Ecole(s) doctorale(s) : École graduée Sciences de l’ingénierie et des systèmes (Lille ; 2021-....)
• Partenaire(s) de recherche : Laboratoire : Unité de Mécanique de Lille - Joseph Boussinesq
• Jury : Président / Présidente : Jean-Claude Grandidier
• Jury : Examinateurs / Examinatrices : Olfa Trabelsi
• Jury : Rapporteurs / Rapporteuses : Patrick Rozycki, Mariusz Pyrz
• DOI : 10.70675/044e673cz6a14z4584z92f2z637ab37860a6

Mots clés

Mots clés contrôlés

Composites

Propriétés thermomécaniques

Prévision

Apprentissage profond

Algorithmes génétiques

Méthodes d'homogénéisation numérique

Optimisation mathématique

Mots clés libres

Matériaux composite

Machine learning

Algortihme génétique

Homogénéisation

Optimisation

Thermo-Mécanique

Réseaux neuronaux convolutifs

Composite materials

Machine learning

Genetic algorithm

Homogenization

Optimization

Thermo-Mecanical

Résumé

Ce travail concerne la prédiction et l'optimisation, par approches bio-inspirées, du comportement mécanique et thermique de matériaux composites via l'homogénéisation de leurs microstructures.Une chaine de simulation numérique, par Eléments Finis, a permis l'analyse de VER (Volumes Elémentaires Représentatifs) pour diverses formes d'inclusions, avec prise en compte de leurs positions et orientations, et avec variations des contrastes et fractions volumiques. Cette première étape a abouti à la génération d'un ensemble de bases de données portant sur les réponses (en termes de caractéristiques linéaires thermo-élastiques) de microstructures composites.Ces données ont ensuite été utilisées pour alimenter des modèles d'apprentissage automatique, intégrant des approches de Machine Learning et de Deep Learning, dont l'évaluation repose sur le MAE et le RMSE, démontrant ainsi une excellente précision de prédiction.Dès lors, l'étude a porté sur la recherche de microstructures optimisées : le couplage de ces outils numériques de prédiction avec un algorithme génétique a ainsi permis l'obtention, par analyse inverse, l'obtention de VER correspondants à des valeurs prescrites de caractéristiques thermo-élastiques.Afin de rendre ces outils novateurs plus accessibles, une interface Web, a été développée, mettant en avant leurs fonctionnalités interactives et dynamiques. Cette plateforme facilite l'exploration et l'exploitation intuitive des résultats obtenus.

This work focuses on the prediction and optimization, using bio-inspired approaches, of the mechanical and thermal behavior of composite materials through the homogenization of their microstructures. A numerical simulation chain, using Finite Elements, enabled the analysis of Representative Volume Elements (RVEs) for various forms of inclusions, considering their positions and orientations, as well as variations in contrasts and volume fractions. This initial step led to the generation of a database set covering the responses (in terms of thermoelastic linear characteristics) of composite microstructures.These data were then used to feed machine learning models, integrating both Machine Learning and Deep Learning approaches, with evaluation based on Mean Absolute Error (MAE) and Root Mean Square Error (RMSE), demonstrating excellent prediction accuracy. Subsequently, the study focused on the search for optimized microstructures: coupling these numerical prediction tools with a genetic algorithm enabled the inverse analysis to obtain RVEs corresponding to prescribed values of thermoelastic characteristics.To make these innovative tools more accessible, a web interface was developed, highlighting their interactive and dynamic functionalities. This platform facilitates the exploration and intuitive exploitation of the obtained results.