Jumeau numérique multi-échelle et assimilation de données pour prévoir l'endommagement dans les réservoirs sous pression en composite

Multiscale Digital Twin and Data Assimilation to Predict Damage in Composite Pressure Vessels

• Auteur / Autrice : Nesrine Klebi
• Direction : Pierre Kerfriden
• Type : Thèse de doctorat
• Discipline(s) : Mécanique
• Date : Soutenance le 15/12/2023
• 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 : Eric Savin
• Jury : Examinateurs / Examinatrices : Pierre Kerfriden, Ludovic Chamoin, Salim Chaki, Federica Daghia, Basile Marchand
• Jury : Rapporteurs / Rapporteuses : Ludovic Chamoin, Salim Chaki

Mots clés

Mots clés contrôlés

Contrôle non destructif

Assimilation de données (géophysique)

Émission acoustique

Méthodes d'homogénéisation numérique

Calcul adaptatif

Modélisation des données (informatique)

Jumeaux numériques

Mots clés libres

Modélisation

Assimilation de données

Matériau composite

Homogénéisation

Émission Acoustique

Maillage

Contrôle non destructif

Problème inverse

Projection

Data assimilation

Composite material

Homogenization

Acoustic emission

NDT

Mesh independancy

Inverse problem

Résumé

Dans ce travail de thèse, nous développons un jumeau numérique (DT) multi-échelle en associant les signaux des EAsà un modèle d’endommagement HF comportant un niveau élevé de détails, afin d’évaluer en ligne l’endommagementdes CPVs et faire des prédictions futures. Néanmoins, la concrétisation de cet objectif est jonché des difficultés. Pourla description mécanique, nous utilisons un modèle micro-méso qui offre une description détaillée de la statistique derupture des fibres, engendrant une forte charge de calcul. Pour une intégration efficace dans le DT, nous homogénéisonsd’abord le modèle pour le rendre déterministe à l’échelle mésoscopique et nous le réduisons ensuite en un modèle 0Dau point du pli endommageable avec une déformation imposée. D’autre part, les signaux acoustiques sont simplifiésen étant modélisés comme des détections, sans analyse d’atténuation ni de propagation. Elles seront générées parun processus de Poisson basé sur des principes physiques, où la probabilité de détection d’événements acoustiquesaugmente au fur et à mesure de l’avancement de l’endommagement. Cette relation avec la mécanique est expriméepar la forme de l’intensité du processus de Poisson, qui suit une loi puissance liant l’évolution de l’endommagement àdivers événements acoustiques pouvant être détectés instantanément par des capteurs. Finalement, pour s’adapter à lagénération dynamique de données, on résout un problème inverse en ligne par assimilation de données avec un filtragebayésien de type filtre particulaire (PF) avec une évaluation des paramètres du modèle acoustique non gaussien et duPF par maximisation de la vraisemblance marginale.

In this thesis work, we develop a multi-scale Digital Twin (DT) by combining Acoustic Emission (AE) signals with a highfidelitydamage model that includes a high level of detail, aiming to perform online damage assessment of CPVs and makefuture predictions. Nonetheless, the realization of this objective is riddled with challenges. For the mechanical description,we utilize a micro-meso model that provides an intricate account of fiber rupture statistics, resulting in a substantialcomputational burden. To seamlessly integrate it into the DT, we first homogenize the model to make it deterministic atthe mesoscopic scale, and subsequently reduce it to a 0D model at the location of the damage-prone fold with imposeddeformation. On the other hand, acoustic signals are simplified by being modeled as detections, without attenuation orpropagation analysis. They will be generated through a Poisson process based on physical principles, where the probabilityof detecting acoustic events increases as damage progresses. This connection with mechanics is expressed throughthe form of the Poisson process intensity, which follows a power-law distribution that links the evolution of damage to variousacoustic events that can be instantaneously detected by sensors. Finally, to adapt to the dynamic data generation,an online inverse problem is solved through data assimilation using a particle filter (PF) Bayesian filtering approach. Theparameters of the non-Gaussian acoustic model and the PF are evaluated by maximizing the marginal likelihood.