Identification quantitative de caractéristiques physiques des interfaces solides en lien avec les propriétés tribologiques

Quantitative identification of physical characteristics of solid interfaces correlated with the tribological properties

• Auteur / Autrice : Alizée Madrignac
• Direction : Johan Debayle, Sylvie Descartes
• Type : Thèse de doctorat
• Discipline(s) : Mécanique
• Date : Soutenance le 11/07/2023
• Etablissement(s) : Lyon, INSA
• Ecole(s) doctorale(s) : Ecole doctorale Mécanique, Energétique, Génie Civil, Acoustique (Villeurbanne ; 2011-....)
• Partenaire(s) de recherche : Membre de : Université de Lyon (2015-....)
• Partenaire(s) de recherche : Laboratoire : LaMCoS - Laboratoire de Mécanique des Contacts et des Structures (Lyon, INSA ; 2007-....) - Laboratoire de Mécanique des Contacts et des Structures [Villeurbanne] / LaMCoS
• Partenaire(s) de recherche : Equipe de recherche : TMI - Tribologie et Mécanique des Interfaces
• Jury : Président / Présidente : Caroline Richard
• Jury : Examinateurs / Examinatrices : Johan Debayle, Sylvie Descartes, Caroline Richard, David Fofi, Vincent Magnier, Guilhem Mollon, Sylvain Philippon
• Jury : Rapporteurs / Rapporteuses : David Fofi, Vincent Magnier

Mots clés

Mots clés contrôlés

Frottement

Lubrifiants

Mécanique du contact

Mots clés libres

Mécanique

Contact sec

Usure

MEB - Microscopie électronique à balayage

Troisième corps

Tribologie

Analyse d’image

Apprentissage Automatique

Frottement sec

RF Algorithm - Random Forest Algorithm

Morphologie

Mechanics

Dry contact

Wear

SEM - Scanning electron microscopy

Third body

Tribology

Image analysis

Machine Learning

Dry friction

Random Forest Algorithm

Morphology

Résumé

Ce travail de thèse vise à apporter de nouvelles briques de compréhension du frotte- ment dans les contacts non lubrifiés (frottement sec). Jusqu’à présent les scenarii quant à l’histoire du contact sont construits qualitativement. Nous nous proposons d’enrichir ces derniers à l’aide de quantifieurs relatifs à la morphologie de l’interface, nommée troisième corps. Ainsi, nous allons chercher à relier les caractéristiques morphologiques aux données rhéologiques tel que le coefficient de frottement (COF). Pour cela, le travail se déroule en quatre étapes. Tout d’abord les expérimentations tribologiques, réalisées sur un tribomètre de type pion-disque, permettent l’acquisition des signaux temporels de la force tangentielle, pour plusieurs conditions d’essais. Deuxièmement, les mesures expérimentales sont analysées, i.e. évolution du COF, et l’analyse post-mortem des surfaces frottées basée sur l’acquisition des images de l’interface à l’aide d’un microscope électronique à balayage. La troisième étape consiste à traiter et analyser les images acquises. Les images sont divisées en 2 catégories : les images de particules pour lesquelles une segmentation est opérée et les images de texture sur lesquelles sont calculées les matrices de cooccurrence. Il est alors possible d’extraire des caractéristiques de ces 2 catégories, des métriques relatives à la taille et la forme des particules segmentées et des métriques statistiques d’ordre deux des matrices de cooccurrence. L’ensemble de ces données caractérise le troisième corps. La dernière étape consiste en la recherche de corrélations entre morphologies caractéristiques du troisième corps et données rhéologiques. Pour cela des bases de données sont construites et un algorithme de machine learning de type random forest (RF) est mis en place. La RF permet de réaliser des prédictions du COF à partir des caractéristiques de l’interface, ainsi que de déterminer quelles sont les caractéristiques pertinentes menant à cette prédiction. Il est finalement possible d’élaguer la liste des caractéristiques pour ne garder que les plus représentative du frottement.

This thesis aims to better understand the friction in non-lubricated contacts (dry friction). Until now it was possible to build scenarios about the history of the contact, we propose here to support them with quantifiers related to the morphology of the interface, called third body. For this purpose, we will try to link the morphological characteristics to rheological data such as the coefficient of friction (COF). To do this, we must proceed in four steps: tribological experiments, post-mortem analysis, image processing and analysis and finally research of morpho-tribo correlations. The experimentation is carried out on a disk-pion tribometer allowing the acquisition of the COF, for several test conditions. The post-mortem analyses consist of the analysis of the experimental data and the acquisition of images of the interface using a scanning electron microscope. The images are then divided into 2 categories, the particle images which will undergo a segmentation and the texture images on which the co-occurrence matrices will be calculated. It is then possible to extract features from these 2 categories, metrics related to the size and shape of the segmented particles and second order statistical metrics from the co-occurrence matrices. All these data are used to characterize the third body, so we will try to link them to the measured COF. For this purpose, a machine learning algorithm of the random forest (RF) type is implemented. The RF will allow us to make predictions of the COF from the characteristics of the interface, and will also allow us to determine which are the relevant characteristics leading to this prediction. It will then be possible to prune the list of features to keep only those most representative of the friction.