Envie de rejoindre un Groupe à taille humaine, engagé & passionné ?
Allier savoir-faire & technicité, créativité & challenge ?
Alors, rejoignez Aubert & Duval, leader mondial des solutions métallurgiques de pointe, dans le cadre d’une thèse Cifre en collaboration avec le CEMEF !
Depuis plus de 100 ans, Aubert & Duval est un des acteurs stratégiques des industries de pointe en France et en Europe. Chaque jour, plus de 3800 femmes et hommes partagent la même ambition : révéler tout le savoir-faire d’Aubert & Duval et faire la différence tout en réalisant de véritables défis techniques et ce sur tous les marchés où nous créons durablement de la valeur (aéronautique, spatial, énergie, défense, sport automobile, santé).
En collaboration directe avec David et Elie, vous travaillerez sur le Couplage de l'Apprentissage Automatique avec la Mécanique Numérique via les Graph Neural Networks.
Le couplage de l'apprentissage automatique avec la mécanique numérique représente une avancée prometteuse pour la prédiction rapide de la modélisation et la simulation des phénomènes physiques complexes et coûteuses en temps de calcul. Parmi les différentes approches disponibles, l'utilisation des réseaux de neurones en graph (Graph Neural Networks, GNNs) se distingue par son potentiel unique à exploiter les propriétés des maillages utilisés. Cette thèse vise à explorer l'application des GNNs pour améliorer la précision et l'efficacité de la prédiction des simulations numériques avec une attention particulière aux procédés de forge libre type « cogging » tout en abordant les défis inhérents, notamment ceux liés à la prédiction en espace-temps de la déformation mécanique, l’évolution des champs thermiques et métallurgiques, tout en gérant des modèles 3D avec des gros maillages en nombre de nœuds.
Contexte et Motivation
La mécanique numérique repose sur la discrétisation de domaines continus en maillages pour résoudre des équations différentielles partielles (EDP). Traditionnellement, des méthodes comme les éléments finis (FEM) sont utilisées
Cependant, ces méthodes peuvent être limitants étant donné le coût associé à l’exécution de chaque simulation de lorsqu'il s’agit de la création d’un plan d’expériences numériques.
L'essor de l'apprentissage automatique offre une opportunité de surmonter ces limitations en intégrant des techniques capables de capturer des relations complexes dans les données issues de simulations.
Sujet
Les GNNs, en particulier, sont bien adaptés pour travailler sur des données structurées sous forme de graphes, ce qui correspond naturellement à la représentation des maillages. Contrairement aux réseaux de neurones classiques, les GNNs peuvent directement intégrer la topologie des maillages, rendant l'apprentissage et la prédiction plus robustes aux variations de la structure de maillage. La puissance des GNNs réside dans le fait que, du fait de leur architecture, ils permettent d’exploiter la notion de localité et diffusion de l’information par voisinage. Cet aspect les rend robuste aux changements géométriques en limitant, voir éliminant, la dépendance à l’emplacement spatial des points de discrétisation (nœuds) du maillage (graph). Il découle ensuite que les GNNs peuvent être entraînés sur un ensemble de maillages de différentes résolutions et géométries, leur permettant de généraliser sur des configurations inédites. Cette flexibilité est particulièrement avantageuse dans des applications où les conditions aux limites, les paramètres physiques et les géométries évoluent constamment. Le procédé de forge libre « cogging » utilisé au sein d’Auber & Duval, simulé avec le logiciel Forge®, développé à Transvalor S.A., rentre dans cette catégorie : les conditions aux limites évoluent constamment dû à l’application des multiples impactes répétitifs tout en mettant en mouvement l’objet avec des cinématiques préétablies pour mettre en forme la géométrie. Pendant le process, des transformations métallurgiques y ont lieu à l’intérieur du matériau.
Un des principaux défis liés à l'utilisation des GNNs pour des simulations mécaniques réside dans la gestion des grands maillages, qui peuvent entraîner des problèmes de mémoire et des temps de calcul prohibitifs spécialement pendant la phase d’apprentissage. Ce problème est exacerbé lorsque le nombre de nœuds et d'arêtes dans le maillage augmente. Une des solutions proposées serait d’utiliser le principe de multi-grille, et donc un entrainement sur diffèrent taille de maillage, pourra être une solution efficace pour la généralisation. Alternativement, nous nous référons à l'utilisation de la décomposition de domaine afin que chaque sous-graphe pourra être traiter séparément par le GNN, et les résultats peuvent ensuite être combinés pour obtenir la solution globale. Cette approche parallélise le processus de calcul, rendant le traitement plus efficace en termes de mémoire et de temps.
Un autre défi majeur dans le couplage de l'apprentissage automatique avec la mécanique numérique concerne les problèmes évolutifs en temps. De nombreux phénomènes physiques nécessitent une modélisation temporelle pour capturer leur dynamique et leur évolution, ce qui ajoute une dimension supplémentaire de complexité au processus de simulation. Pour ces problèmes, l'apprentissage autorégressif devient crucial, car il permet de prédire l'état futur du système en se basant sur les états passés et présents. Une des solutions proposées serait d’utiliser les Transformers. En effet, les Transformers, initialement développés pour le traitement du langage naturel, se révèlent être des outils puissants pour l'apprentissage temporel grâce à leur capacité à capturer des dépendances à long terme. Dans le contexte de la mécanique numérique, les Transformers peuvent être utilisés pour renforcer l'apprentissage temporel en modélisant la dynamique des systèmes physiques de manière autorégressive.
Cette librairie IA-Mécanique, appelé Nexus-AI, sera partagée avec Transvalor, et accueillera l'intégration de tous les développements sur l’intégration des Transformers dans le cadre des GNNs et de la mécanique numérique. Des améliorations et des adaptations sont prévus, pour à la fois généraliser l’application, mais aussi augmenter l’efficacité de la libraire. En effet, deux points seront analysés de près : (i) l'ajustement des hyperparamètres pour les Transformers et les GNNs de manière conjointe peut améliorer l'efficacité et la performance du modèle. Des techniques d'optimisation comme la recherche en hyperparamètres bayésienne peuvent être employées ; (ii) la parallélisation des calculs sur des architectures de calcul haute performance peut atténuer les coûts computationnels, rendant l'entraînement et la prédiction plus rapides et plus efficaces.
Ce que nous recherchons ? Une personnalité avant tout !
Pour nous, le développement de vos compétences est clé pour incarner ensemble l’excellence de notre savoir-faire ! Nous vous proposons ainsi un parcours d'intégration et de formation personnalisé, au plus proche de vos besoins.
Et vous, si vous forgiez votre avenir avec Aubert & Duval ?
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.