Etude du vieillissement hygrothermique d'un assemblage collé et évaluation de la durabilité de son interface adhésif/substrat composite par réseaux de neurones

Study of the hygrothermal aging of a bonded assembly and evaluation of the durability of its adhesive/substrate interface using neural networks

• Auteur / Autrice : Océane-Sophie Bérot
• Direction : Valérie Nassiet, Bouchra Hassoune
• Type : Thèse de doctorat
• Discipline(s) : Sciences et Génie des Matériaux
• Date : Soutenance le 16/02/2024
• Etablissement(s) : Université de Toulouse (2023-....)
• Ecole(s) doctorale(s) : École doctorale Sciences de la Matière (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Génie de Production (Tarbes ; 1989-....)
• Partenaire(s) de recherche : établissement délivrant conjointement le doctorat : Institut national polytechnique (Toulouse ; 1969-....)
• Jury : Président / Présidente : Emmanuel Frénod
• Jury : Examinateurs / Examinatrices : Valérie Nassiet, Bouchra Hassoune, Emmanuel Frénod, Maëlenn Aufray
• Jury : Rapporteurs / Rapporteuses : Mireille Batton-Hubert, Emmanuel Richaud

Mots clés

Mots clés contrôlés

Matériaux

Essais accélérés (technologie)

Mots clés libres

Assemblages collés

Matériau composite

Vieillissement hygrothermique

Prédiction de la durée de vie

Réseaux de neurones

Intelligence Artificielle

Bonded assemblies

Composite material

Hygrothermal aging

Lifetime prediction

Neural networks

Artificial intelligence

Résumé

L’objectif de ce travail est de développer une méthodologie visant à évaluer la durabilité d’un assemblage collé, soumis à un vieillissement accéléré. En endommageant volontairement la structure des matériaux de l’assemblage, leurs propriétés vont évoluer au cours du vieillissement et donc les paramètres suivis lors des étapes de caractérisation physico-chimique seront modifiés. L’assemblage étudié est constitué d’un matériau composite en résine phénolique et fibres de verre et d’un adhésif époxy. Nous avons choisi d’appliquer sur les matériaux et sur l’assemblage un vieillissement hygrothermique, en faisant varier la température. Différents traitements de surface ont également été appliqués sur le composite afin de voir leur influence sur la tenue de l’assemblage et plus précisément sur la propagation de la fissure au cours du vieillissement. Nous avons pu mettre en évidence différents aspects d’endommagement des deux matériaux peu étudiés dans la littérature. L’adhésif utilisé est fortement chargé et est sollicité et vieilli dans son état caoutchoutique, ce qui est peu commun dans la littérature. Cette étude a montré que le vieillissement hygrothermique accentue les dégradations connues pour des adhésifs époxy soumis habituellement à des températures de vieillissement inférieures à leur température de transition vitreuse. Le composite, quant à lui, est généralement utilisé en tant que matériau ablatif pour résister à de fortes températures. Cependant, peu de travaux se sont intéressés aux dégradations de ce matériau dans un milieu humide, qui sont pourtant très significatives au vu des résultats obtenus au cours du vieillissement. Pour prédire l’évolution temporelle de différents paramètres issus de la caractérisation physico-chimique des matériaux, nous nous sommes appuyés sur des outils d’Intelligence Artificielle, de type réseau de neurones, qui sont de plus en plus utilisés dans le domaine des matériaux. Un réseau de neurones récurrents, le LSTM (pour Long Short Term Memory), spécifiques aux séries temporelles, ainsi qu’un réseau classique, le MLP (pour MultiLayer Perceptron), ont été utilisés dans ces travaux pour prédire l’évolution de certains paramètres. Cependant, l’une des contraintes majeures pour pouvoir utiliser ces outils réside dans le fait d’avoir suffisamment de données expérimentales. Cette exigence, liée au LSTM, a été contournée par le biais d’utilisation de fonction d’interpolation permettant d’une part de combler les données manquantes des séries temporelles et d’autre part d’augmenter le nombre de données. Les résultats obtenus montrent que l’utilisation du LSTM et du MLP est pertinente dans le cas où l’évolution des paramètres dans le temps est relativement progressive. En revanche, s’il y a une rupture brutale sur l’évolution d’un paramètre dans le temps, le réseau de neurones aura du mal à prédire cette nouvelle tendance s’il ne l’a jamais apprise. Par ailleurs, la combinaison du LSTM et du MLP a également permis de fiabiliser les résultats de prédiction dans le temps, par une combinaison de différents paramètres liés à la dégradation physico-chimique des matériaux au cours du vieillissement.

This project aims to develop a methodology for assessing the durability of a bonded assembly subjected to accelerated aging. By voluntarily damaging the structure of the assembly materials, their properties will evolve during the aging process, there by mod ifying the parameters monitored during the physico chemical characterization stages. The assembly studied consists of a composite material of phenolic resin/glass fibers and an epoxy adhesive. We chose to apply hygrothermal aging to the materials and the a ssembly by varying the temperature. Various surface treatments were also applied to the composite to assess their influence on the assembly's performance, specifically on crack propagation during aging. We were able to highlight various aspects of damage t o the two materials not studied in the literature. The adhesive used is highly filled and aged in its rubbery state, which is uncommon in the literature. This study showed that hygrothermal aging accentuates the degradations known to occur with epoxy adhes ives, which are usually subjected to aging temperatures below their glass transition temperature. Composite, on the other hand, is generally used as an ablative material to withstand high temperatures. However, few studies have focused on the degradation o f this material in a humid environment, even though the results obtained during aging are highly significant. To predict the temporal evolution of various parameters derived fro m the physico chemical characterization of materials, we relied on Artificial I ntelligence tools, such as neural networks, which are increasingly used in the materials field. A recurrent neural network, the LSTM (for Long Short Term Memory), specific to time series, and a classical network, the MLP (for MultiLayer Perceptron), were u sed in this work to predict the evolution of some parameters. However, one of the significant constraints on using these tools is the need for sufficient experimental dat a. This requirement, linked to LSTM, was circumvented by using interpolation functions to fill in missing data in the time series and to increase the number of data sets. The results show that using LSTM and MLP is relevant when the evolution of parameters over time is relatively gradual. On the other hand, if there is a sudden break in the evolution of a parameter over time, the neural network will have difficulty predicting this new trend if it has never learned it. The combination of LSTM a nd MLP has also made it possible to improve the reliability of prediction results over time by combi ning different parameters linked to the physico chemical degradation of materials during aging.