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

par Hugo Launay

Projet de thèse en Mécanique

Sous la direction de David Ryckelynck, Jacques Besson et de François Willot.

Thèses en préparation à Paris Sciences et Lettres , dans le cadre de Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique , en partenariat avec ENSMP MAT. Centre des matériaux (Evry, Essonne) (laboratoire) , MAT- Simulation des matériaux et des structures - SIMS (equipe de recherche) et de École nationale supérieure des mines (Paris) (établissement de préparation de la thèse) depuis le 01-10-2018 .


  • Résumé

    Nous 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. [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

  • Titre traduit

    Reduced model with machine learning to analyse the criticity of cracks


  • Résumé

    We propose to develop a machine learning approach to model order reduction method for the analysis of the harmfulness of defects in materials mechanics. Machine learning algorithms have recently been proposed for defect analysis, for pipelines [1], in aeronautics [2] or in manufacturing processes [3]. In addition, numerical simulation and machine learning have shown their complementarity, for example for the study of defects in bearings [4]. The "Simulation-driven machine learning" approach [4] is very attractive when models are available. In addition, the machine learning methods make it possible to avoid the parameter setting of the objects to be modeled. This is a particularly interesting property for defect analysis. They will be represented using images (2D or 3D). In this thesis we will focus on local defects in ductile metallic materials. The objective of the thesis is to constitute dictionaries of numerical models allowing a quick decision on the harmfulness of a local defect. This type of decision takes place during the production phase or during the operation phase of mechanical components. The dictionaries will cover wide variations in behavior or loading parameters and also a wide variety of different geometries. It is proposed to constitute a first dictionary of mechanical models of sound parts, without defects, on a macroscopic or mesoscopic scale. The models in this dictionary will be hyper-reduced models from a method proposed in [5]. This method has recently been extended, in order to be able to insert local defects in a defect-free model. It allows the study of harmfulness by considerably reducing the number of mechanical equations to solve (several orders of magnitude). In this approach, the defect insertion passes through a reduced model of the defect, considered as isolated in an infinite environment. The second dictionary that is proposed to be developed is that of reduced models of isolated defects in an infinite environment. Experimental 2D or 3D data (from X-ray tomography) will be considered to treat realistic defects. The two dictionaries thus constituted will make it possible to give more values to the experimental data and to the simulation data, which are generated during the studies of harmfulness of defect. The analysis of defects in infinite medium will be treated by combining the finite element method and the FFT method. The first captures stress gradients very well and the second is very fast to execute. Particular attention will be paid to the generality of the algorithms developed, so that they can be quickly reused by researchers in materials mechanics. In addition, a procedure will be required to enrich the single defect database and the defect-free model database. (Translated with www.DeepL.com/Translator plus few corrections) [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