Soutenance de thèse de Thomas DANIEL

pprentissage statistique pour la réduction de modèle non-linéaire

Résumé de la thèse en français

Les aubes de turbine haute pression font partie des pièces les plus critiques d'un turboréacteur. Situées juste après la chambre de combustion, elles sont soumises à un chargement thermomécanique extrême. La certification de leur tenue en fatigue requiert un calcul viscoplastique cyclique jusqu'à stabilisation de la réponse mécanique du matériau. Étant donnés le nombre de degrés de liberté du maillage de l'aube et la complexité de sa loi de comportement, ce calcul par éléments finis peut durer plusieurs semaines, voire plusieurs mois. Cependant, le chargement thermique subi par l'aube n'est pas connu avec précision, ce qui se traduit par d'importantes incertitudes sur sa durée de vie. L'objectif de la thèse est donc d'effectuer une quantification d'incertitudes sur la durée de vie en fatigue de l'aube de turbine, en prenant en compte la variabilité du champ de température qui lui est appliqué. Ce travail nécessitant de nombreux calculs de durée de vie, il est primordial de réduire le temps des simulations viscoplastiques cycliques. Pour cela, nous développons une méthodologie appelée "ROM-net" basée sur la réduction d'ordre de modèle et l'apprentissage automatique. La base de données est partitionnée à l'aide d'un algorithme de clustering prenant en compte la physique du problème étudié, ce qui permet de construire un dictionnaire de modèles réduits locaux spécifiques à chaque cluster. Un algorithme de classification est utilisé pour sélectionner rapidement le meilleur modèle réduit possible pour un chargement thermique donné. Des algorithmes de sélection de variables et d'augmentation de données sont développés pour faire face aux difficultés propres aux problèmes de classification pour la simulation numérique.

Résumé de la thèse en anglais

High-pressure turbine blades are the most critical parts of aircraft engines. Located downstream of the combustion chamber, they are subjected to extreme thermomechanical loadings. Their fatigue lifetime assessment requires cyclic viscoplastic numerical simulations. Such simulations can last several weeks or even months because of the size of the finite-element mesh and the complexity of the constitutive equations. However, the thermal loading is not accurately known, which induces large uncertainties on the fatigue lifetime predicted by numerical simulations. Therefore, our objective is to quantify fatigue lifetime uncertainties due to uncertainties on the thermal loading. Given the very large number of simulations required by uncertainty quantification, the computation time must be reduced. To this end, we develop a methodology called "ROM-net" relying on model order reduction and machine learning. The database is partitioned into several clusters thanks to a physics-informed clustering procedure, enabling the construction of a dictionary of local cluster-specific reduced-order models. A classification algorithm is then used for the fast selection of the most appropriate reduced-order model for a given thermal loading. New feature selection and data augmentation algorithms are also developed in order to tackle the difficulties inherent to classification problems for numerical simulations.

Titre anglais : Machine learning for nonlinear model order reduction
Date de soutenance : vendredi 24 septembre 2021 à 14h30
Adresse de soutenance : MINES ParisTech 60, boulevard Saint-Michel 75272 Paris cedex 06 – L109
Directeur de thèse : David RYCKELYNCK

En savoir plus