SIGNALER une erreur

EssaiS in situ multimodaux et simulations en volume pour l'analyse statistique de la plasticité cristalline

par Clement Ribart

Projet de thèse en Mécanique

Sous la direction de Henry Proudhon.

Thèses en préparation à l'Université Paris sciences et lettres , dans le cadre de Ecole doctorale Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique , en partenariat avec Centre des Matériaux (laboratoire) , SIMS - Simulation des matériaux et des structures - MAT (equipe de recherche) et de Mines Paris-PSL (établissement opérateur d'inscription) depuis le 01-10-2019 .


  • Résumé

    L'imagerie 3D des matériaux de structure par tomographie est en plein développement et les essais 4D vont révolutionner notre manière de faire de la mécanique des matériaux. L'obtention de données in situ en volume multimodales (cristallographie, déformation, endommagement) est possible grâce aux nouvelles méthodes d'imagerie non-destructive couplées à des dispositifs d'essais mécaniques dédiés (essais dits 4D ou in-situ). Cette méthodologie est développée depuis quelques années au Centre des matériaux et doit aujourd'hui être automatisée pour augmenter le nombre d'échantillons testés et accéder à des données statistiquement représentatives. L'analyse de telles quantités de données nécessite de développer une nouvelle méthodologie de traitement tirant parti des progrès récents des méthodes d'apprentissage automatique (machine learning). Une large campagne expérimentale in situ au synchrotron (traction, fatigue,température ambiante et à 550C) permettra d'obtenir des données uniques sur la déformation en l'endommagement des matériaux base nickel. Ces essais s'appuieront sur les moyens et résultats récemment obtenus aux centre des matériaux tout en nécessitant de nouveaux développements. La DCT (tomographie en contraste de diffraction) in situ sera testée pour la première fois au synchrotron soleil (actuellement uniquement possible à l'ESRF de Grenoble). La méthodologie du clone digital de chaque éprouvette sera étendue de façon systématique donnant accès aux champs locaux de contraintes et de déformation associés à la plasticité. La convergence des données expérimentales et numériques (développements propres à la Chaire BIGMECA) permettra de constituer une base de données tout à fait unique pour élucider les mécanismes de déformation et d'endommagement. Pour ce faire des techniques de machine learning seront déployées pour analyser cette gigantesque quantité de donnée. Cette méthodologie permettra (i) de déterminer les lois de plasticité à base physique dans ces matériaux, (ii) d'identifier les sites d'amorçage de l'endommagement (iii) de valider les critères de nocivité des défauts responsables de la tenue macroscopique. Dans la mesure du possible, les essais 4D seront complétés par des mesures à plus haute résolution (TEM au Centre des Matériaux et Hard X-Ray Microscopy à l'ESRF) pour aller observer des configurations en volume particulièrement intéressantes (joint de macle, défaut d'une forme particulière). La visualisation des structures de dislocations/d'endommagement tout en connaissant la microstructure complète et les champs de contraintes permettra de valider la base physique des lois constitutives employées. Avec l'augmentation de la puissance de calcul et des moyens de mesure, les données sur le comportement mécanique des matériaux peuvent aujourd'hui être expérimentales et/ou simulées. La convergence de ces données va représenter une rupture et autoriser l'analyse automatique par machine learning. Cette idée sera mise en oeuvre dans cette thèse par l'analyse statistique des essais 4D (extraction des corrélations avec la microstructure et par voie de conséquence des lois physiques régissant les mécanismes de déformation et d'endommagement)

  • Titre traduit

    In situ multimodal experimental testing and simulations in volume for statistical analysis of crystal plasticity


  • Résumé

    3D imaging tomography of structural materials has undergone significant progress in the last decade and 4D testing is expected to revolutionize our way to comprehend mechanics of materials. Gathering of multimodal volumic in situ data (cristallography, déformation, damage) is made possible thanks to new non-destructive imagery methods along with custom test rigs (4D or in-situ testing). This methodology has been developed in the last few years at Centre des matériaux and needs to be automated to increase number of samples tested and access to statistically representative data. Analysis of such large amount of data requires to develop new processing method leveraging on recent progress in machine learning. A large experimental in situ campaign at the synchrotron (tensile test, fatigue, ambient and high -550C - temperature) will allow to access unique information on deformation and damage in nickel based materials. Those tests will take advantage of recent results obtained at Centre des matériaux while needing new development. In situ DCT (Diffraction Contrast Tomography) will be tested for the first time at Soleil synchrotron soleil (currently only available at ESRF in Grenoble). In addition, digial clone methodology for each sample will be extended in a systematic fashion, giving access to local stress and strain fields associated to plasticity. The convergence of experimental and numerical data (developments specific to the BIGMECA project) will enable to build a very unique database to derive deformation and damage mechanisms. In order to achieve this goal, machine learning techniques will be implemented to analyze tremendous amount of data. This methodology will allow (i) to determine physically based laws of plasticity in materials, (ii) identify regions where damage is initiated (iii) validate nocivity criteria of defects involved in macroscopic strength. If possible 4D tests will be completed by higher resolution experiments (MET at Centre des Materiaux and Hard X-Ray Microscopy at ESRF) in order to observe specific volumic configurations of interest (twin boundaries, defects with specific shapes). Visualization of disclocations structures/damage while knowing complete microstructure and stress fields will allow to validate the physical basis of constitutive laws. This convergence of experimental and simulated data will represent a breakthrough and empower automatic analysis by machine learning. This idea will be implemented during this PhD thanks to statistical analysis of 4D tests (determination of correlations with microstructure and as a result of physical laws driving deformation and damage mechanisms).