Identification des paramètres de lois de comportement hyper-élastiques par nano-indentation et réduction de dimensionnalité

Parameters identification of hyper-elastic constitutive laws by nano-indentation and dimensionality reduction

• Auteur / Autrice : Oumaima Ezzaamari
• Direction : Stéphane Méo
• Type : Projet de thèse
• Discipline(s) : Génie Mécanique et Productique
• Date : Inscription en doctorat le 26/10/2017
• Etablissement(s) : Tours
• Ecole(s) doctorale(s) : École doctorale Énergie, Matériaux, Sciences de la Terre et de l'Univers (2012-.... ; Centre-Val de Loire)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de mécanique Gabriel Lamé (Orléans ; 2018-....)

Mots clés

Mots clés libres

Indentation instrumentée

Élastomère

Identification

Loi de comportement

Réduction de dimensionnalité

Variété de formes

Instrumented indentation

Elastomers

Identification

Constitutive law

Dimensionality reduction

Shape manifold

Résumé

Ce travail propose une approche d'identification des paramètres de lois de comportement hyper-élastiques basée sur le concept de variété de formes ou "shape manifold" exploitant des courbes d'essais d'indentation instrumentée sur des élastomères. La nano-indentation instrumentée est une technique de caractérisation mécanique locale et non destructif, très développée de nos jours. Toutefois, les études portant sur cet essai restent limitées concernant le comportement mécanique local des matériaux élastomères. L'application de la nano-indentation sur ce type de matériaux reste une tâche difficile compte tenu de leurs caractéristiques mécaniques et structurelles complexes. Cette thèse a donc pour objectif de surmonter ces contraintes et propose un processus d'identification qui combine des courbes d'indentation numériques, expérimentales et des méthodes d'analyse de données pour l'apprentissage automatique. À cet effet, nous proposons de construire un espace de formes réduit par décomposition orthogonal aux valeurs propres (POD) et à partir d'un plan d'expériences numériques qui désigne les paramètres des lois de comportement des essais d'indentation numériques. Ceci est suivi par le krigeage, une méthode d'apprentissage automatique qui a pour but de faire l'interpolation spatiale et prédire les paramètres à identifier.

In this work, an approach was proposed for the identification of the hyper-elastic constitutive laws parameters based on the concept of shape manifold and using instrumented indentation test curves on elastomers. Instrumented nano-indentation is a local and non-destructive mechanical characterization technique that became very developed nowadays. However, studies relating to this test remain limited when it comes to the local mechanical behavior of elastomeric materials. The application of nano-indentation on this type of material remains a difficult task given their complex mechanical and structural characteristics. This thesis therefore aims to overcome these constraints and proposes an identification process that combines numerical and experimental indentation curves with data analysis for machine learning methods. To this end, we propose to construct a reduced shape space by proper orthogonal decomposition (POD) that starts from a design of experiments which designates the parameters of the constitutive laws for numerical indentation tests, followed by kriging, a machine learning method for spatial interpolation and prediction of desired parameters.