Prévision en temps réel de contraintes mécaniques en soudage par une bibliothèque de métamodèles

Real-time prediction of mechanical stresses in welding by a library of surrogate models

• Auteur / Autrice : Pablo Pereira Alvarez
• Direction : David Ryckelynck, Pierre Kerfriden
• Type : Thèse de doctorat
• Discipline(s) : Mécanique
• Date : Soutenance le 07/07/2022
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique (Paris)
• Partenaire(s) de recherche : Laboratoire : ENSMP MAT. Centre des matériaux (Evry, Essonne)
• Partenaire(s) de recherche : établissement de préparation de la thèse : École nationale supérieure des mines (Paris ; 1783-....)
• Jury : Président / Présidente : Anthony Gravouil
• Jury : Examinateurs / Examinatrices : David Ryckelynck, Pierre Kerfriden, Pierre-Alain Boucard, Vincent Robin
• Jury : Rapporteurs / Rapporteuses : Olga Mula Hernandez, Fehmi Cirak

Mots clés

Mots clés contrôlés

Contraintes (mécanique)

Soudage

Temps réel (informatique)

Assimilation de données (géophysique)

Mots clés libres

Réduction de modèle

Assimilation de données

Temps réel

Soudage

Model order reduction

Data assimilation

Real-time

Welding

Résumé

Nous proposons le développement d’une stratégie d’assimilation de données offline/online en temps réel pour l’estimation de champs physiques et paramètres inconnus basée sur des métamodèles probabilistes locaux et thermographie infrarouge. Les apports récents des algorithmes d'apprentissage automatique et des méthodes de réduction de modèle permettent d’obtenir des modèles phénoménologiques exploitables en temps réel afin d'évaluer un risque de dérive lors du soudage. Ces métamodèles sont construits à partir de simulations haute-fidélité par éléments finis faites offline. Online, les prévisions en temps réel seront réalisées à l'aide de métamodèles de champs multiphysiques et d’observations surfaciques de température par caméra infrarouge.

We propose developing a real-time offline/online data assimilation strategy for the estimation of physical fields and unknown parameters based on local probabilistic surrogate models and infrared thermography. The recent contributions of machine learning algorithms and model order reduction methods make it possible to obtain phenomenological models that can be used in real-time to evaluate the risk of drift during welding. These surrogate models are built from high-fidelity finite element simulations performed offline. Online, real-time predictions will be made using multiphysics surrogate models and surface temperature observations obtained with an infrared camera.