Stage : homogénéisation non-linéaire de matériaux composites : auto-encodage des variables internes f-h

Job Description

Objectifs : Le procédé de tissage autorise une grande souplesse dans les motifs choisis, qui varient d'un bout à l'autre de la pièce. Cette liberté ne va pas sans difficultés. En effet, la capacité à faire le lien entre microstructure et comportement macroscopique est une problématique importante. Les enjeux de paramétrage de la préforme, de simulation du procédé et d'homogénéisation sont essentiels pour rendre compatible les temps de développement avec les enjeux futurs de développement des nouveaux moteurs (entrée en service pour 2035).
Dans ce stage, on se focalisera sur le changement d'échelle, de l'échelle du renfort fibreux à l'échelle du matériau considéré comme homogène. Une microstructure type sera étudiée afin de pouvoir développer la méthodologie sur des comportements non-linéaires. Une thèse sur un domaine plus large, pourra être proposée par la suite si intérêt.

L'objectif du stage est de tirer parti des deux outils principaux associés au virtual testing et à l'homogénéisation non-linéaire. Pour cela, on se propose d'utiliser des outils du Deep Learning pour encoder les champs de variables internes sur un nombre limité de variables macroscopiques par des réseaux de neurones auto-encodeurs. L'utilisation d'outils de représentation non-linéaires a pour objectif de permettre le traitement de concentrations de contraintes qui sont usuellement noyées dans les traitements linéaires.
L'intégration de potentiels énergétiques de forme complexe n'étant possible que point par point, on utilisera des réseaux de neurones informés/augmentés par la physique pour décrire le comportement global. L'information alimentant l'apprentissage de ces réseaux sera issu des simulations sur microstructures.

Missions détaillées :

Dans le cadre de sa mission, le/la stagiaire sera intégré à l'équipe « Conception et Développement » de la plateforme Composites de Safran Tech. Tout d'abord, il faudra prendre connaissance de la chaîne numérique actuelle et de l'état de l'art de la littérature scientifique concernant le sujet, afin de bien comprendre les enjeux et d'assurer une cohérence avec la suite des travaux

Dans la suite, le stagiaire passera aux travaux qui consistent à mettre en place :
•Le code de calcul éléments finis nécessaire à la génération des données synthétiques;
•Un calcul éléments finis permettant d'identifier les champs des variables d'intérêt à l'échelle mésoscopique ;
•Les pipelines de traitement des calculs nécessaires à l'exploitation de la donnée dans un environnement de deep learning
•Le modèle d'apprentissage profond ciblant l'auto-encodage des variables internes et/ou des descripteurs de l'échelle mésoscopique
•Le modèle d'apprentissage profond ciblant la loi constitutive à l'échelle macroscopique
En fonction de l'avancement du stage, il sera également possible de réaliser une partie de benchmark pour évaluer la méthode et la comparer aux autres méthodes d'homogénéisation actuellement disponibles.

Job Requirements

Formation : Cycle Ingénieur

Spécialités : Mécanique des milieux continus, Simulation Numérique, Mathématiques Appliquées
Connaissance du calcul par éléments finis
Connaissance de la programmation en PythonEsprit de synthèse pour la présentation des résultats et la rédaction de rapports.
Connaissance des composites est la bienvenue
Connaissance du Machine Learning, du Deep Learning et des bibliothèques Pytorch, Sklearn est la bienvenue