Modélisation électro-thermomécanique et lois d'écoulement neuronales pour la simulation du comportement des alliages métalliques lors d'essais Gleeble

Electro-thermomechanical modelling and neural flow laws for simulating the behaviour of metal alloys in Gleeble tests

• Auteur / Autrice : Pierre Tize Mha
• Direction : Olivier Pantalé, Amèvi Tongne
• Type : Thèse de doctorat
• Discipline(s) : Génie Mécanique, Mécanique des Matériaux
• Date : Soutenance le 07/11/2023
• Etablissement(s) : Toulouse, INPT
• Ecole(s) doctorale(s) : École doctorale Mécanique, énergétique, génie civil et procédés (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Génie de Production (Tarbes ; 1989-....)
• Jury : Président / Présidente : Salima Bouvier
• Jury : Examinateurs / Examinatrices : Olivier Pantalé, Amèvi Tongne, Salima Bouvier, Mohammad Jahazi
• Jury : Rapporteurs / Rapporteuses : Christophe Desrayaud, Nicolas Ranc

Mots clés

Mots clés contrôlés

Prévision

Simulateurs

Mots clés libres

Gleeble

Modélisation électro-thermomécanique

Loi de comportement

Réseau de neurones

Simulation

Recristallisation dynamique

Gleeble

Electro-thermomechanical modelling

Constituve flow law

Neural network

Simulation

Dynamic recrystallization

Résumé

Le recours à des blocs massifs fabriqués à base des matériaux faiblement carbonés, en raison de leurs propriétés mécaniques robustes, de leur résistance à la corrosion et de leur aptitude à supporter des contraintes dynamiques, est répandu dans divers secteurs industriels tels que l'automobile, le ferroviaire, l'aéronautique et l'aérospatiale. La complexité du processus de mise en forme de ces blocs requiert une analyse approfondie à chaque étape pour une optimisation tant en termes de coûts que de temps. Cependant, les expériences physiques nécessaires à cette étude sont coûteuses et les entreprises cherchent à minimiser les erreurs dans un contexte de concurrence accrue. Pour relever ces défis, la modélisation numérique non linéaire est devenue prépondérante pour simuler ces processus industriels complexes. Cette transition vers la simulation numérique nécessite une représentation à l'échelle du laboratoire, réalisée à l'aide de dispositifs expérimentaux comme le simulateur thermomécanique Gleeble. Cet appareil est prisé pour sa capacité à effectuer des essais électro-thermomécaniques entièrement couplés, statiques et dynamiques, reproduisant ainsi les phénomènes industriels. Cependant, la simulation numérique de ces essais demeure un défi, exigeant la création de modèles numériques électro- thermomécaniques entièrement couplés. Cette thèse vise précisément à relever ce défi en proposant une démarche en plusieurs étapes. Le premier chapitre établit le contexte en caractérisant le matériau d'étude et en présentant le simulateur thermomécanique Gleeble. Le second chapitre est consacré plus particulièrement à une comparaison des lois de comportement analytiques et propose une nouvelle formulation : le modèle PTM. Le troisième chapitre explore l'utilisation de réseaux de neurones artificiels pour modéliser le comportement, contournant ainsi l'étape d'identification des paramètres dans les modèles analytiques. Une fois les modèles établis, dans le quatrième chapitre, une simulation est réalisée pour reproduire un essai de compression thermomécanique effectué sur le Gleeble. L'originalité de cette simulation réside dans sa capacité à prédire la recristallisation dynamique, avec les réseaux de neurones montrant une meilleure prédiction par rapport aux modèles analytiques lors de l'étape d'identification. Enfin, le dernier chapitre traite de la simulation électro- thermomécanique entièrement couplée et propose un algorithme pour prédire la densité de courant à chaque étape de calcul. Cette simulation permet de prévoir le gradient thermique de manière fidèle par rapport au dispositif Gleeble, en suivant l'évolution thermique et la déformation du matériau. Ce chapitre présente une analyse détaillée des phénomènes en jeu sur le dispositif, évitant ainsi la nécessité de mener plusieurs simulations pour des essais complexes.

The use of massive blocks made from low-carbon steel is widespread in various industrial sectors such as automotive, railways, aerospace, and aviation due to their robust mechanical properties, corrosion resistance, and ability to withstand dynamic stresses. The complexity of shaping these blocks requires a thorough analysis at each stage to optimize both costs and time. However, the physical experiments required for this study are costly, and companies seek to minimize errors in a highly competitive environment. To address these challenges, nonlinear numerical modeling has become crucial for simulating these complex industrial processes. This transition to numerical simulation requires a laboratory-scale representation, achieved using experimental devices such as the Gleeble thermomechanical simulator. This device is valued for its ability to perform fully coupled electrothermomechanical tests, both static and dynamic, thus reproducing industrial phenomena. However, the numerical simulation of these tests remains a challenge, requiring the creation of fully coupled electrothermomechanical numerical models. This thesis aims to tackle this challenge by proposing a multi-step approach. The first chapter sets the context by characterizing the material under study and introducing the Gleeble thermomechanical simulator. The second chapter is dedicated to a comparison of analytical behavior laws and proposes a new formulation: the PTM model. The third chapter explores the use of artificial neural networks to model behavior, bypassing the parameter identification step in analytical models. Once the models are established, in the fourth chapter, a simulation is carried out to replicate a thermomechanical compression test performed on the Gleeble. The novelty of this simulation lies in its ability to predict dynamic recrystallization, with neural networks showing better prediction compared to analytical models during the identification step. Finally, the last chapter deals with fully coupled electrothermomechanical simulation and proposes an algorithm to predict current density at each calculation step. This simulation allows for an accurate prediction of thermal gradient compared to the Gleeble device, tracking the material's thermal evolution and deformation. This chapter provides a detailed analysis of the phenomena at play on the device, avoiding the need for multiple simulations for complex tests.