webTV

Lecture

Lancement de la Chaire industrielle ANR TOPAZE

Lecture

Je dcouvre l'vnement "BATMAN" sur Fortnite ! (Pack Batman + Gotham City)

Lecture

Bio-based aerogels: new eco-friendly porous materials for thermal insulation and controlled release

Lecture

LE PIMENT LE PLUS FORT DU MONDE - 10? SI TU REUSSI - Micro Trottoir

Lecture

La chaire industrielle ANR DIGIMU

+ Toutes les vidéos

 

Fiche descriptive du sujet de thèse

POURVU - [CONTRAT DOCTORAL] Comportement mécanique des polymères amorphes et apprentissage statistique

POURVU - [CONTRAT DOCTORAL] Comportement mécanique des polymères amorphes et apprentissage statistique

PROVIDED - [DOCTORAL CONTRACT] Physics-informed machine learning to simulate the mechanical behaviour of amorphous polymers

Proposition de thèse

Spécialité

Mécanique

Ecole doctorale

ISMME - Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique

Directeur de thèse

CANTOURNET Sabine

Unité de recherche

Centre des Matériaux

ContactSabine CANTOURNET
Date de validité

01/10/2021

Site Webhttp://www.mat.mines-paristech.fr/Accueil/Propositions-de-theses/
Mots-clés

Machine learning, Comportement mécanique, Simulation multi-échelle, Eléments finis, Approches probabilistes

Machine learning, Mechanics of materials, multiscale modelling and simulation, finite element modelling, Probabilistic modelling

Résumé

La simulation numérique en mécanique des solides a pour objet de prédire le comportement des matériaux et des structures dans leur environnement afin de dimensionner au plus près les pièces.
Les systèmes amorphes, bien que formant une grande partie des matières solides qui nous entourent (verres, colloïdes, matériaux granulaires), sont encore mal simulés. Il n'y a pas de modèles numériques (ou lois de comportement) qui permettent de modéliser l'ensemble des domaines de déformations du polymère allant du vitreux au caoutchoutique. Il est alors très difficile d'optimiser le dimensionnement de telle pièce.
L'objectif de cette thèse est d'explorer un ensemble de méthode de machine learning afin d'apporter des solutions aux simulations numériques de structure où les modélisations « classiques » de comportement des matériaux amorphes sont défaillantes. Les matériaux considérés dans cette étude seront des silicones et des PMMA (plexiglas).

/

Contexte

Les mécanismes de déformations des systèmes amorphes sont encore très mal compris. Il n'existe pas de cadre général des matériaux standards généralisés, une théorie comparable à celles des dislocations utilisée pour les systèmes cristallins, permettant de décrire et simuler les propriétés mécaniques des systèmes amorphes. L'importance de la notion d'hétérogénéité dans le comportement mécanique des systèmes amorphes est de plus en plus reconnue. Des approches multi-échelles sont en développement [1,2,3], s'inspirant de la dynamique des dislocations, de la physique statistique des verres et combinant simulations numériques à l'échelle moléculaire et à l'échelle mésoscopique. Mais il n'y a pas de modèles numériques (ou lois de comportement) qui permettent d'intégrer la physique des mécanismes de réorganisation des chaines de polymères amorphes (via par exemple des hétérogénéités dynamiques) dans une description macroscopique modélisant l'ensemble des domaines de déformations du polymère allant du vitreux au caoutchoutique.
De plus le lien entre le domaine linéaire (très petites déformations) et le domaine non linéaire (en grandes déformations) est encore très mal connu pour différents états de contrainte et de sollicitation (cyclique, relaxation, fluage). Enfin les lois de comportements macroscopiques sont parcellaires et sont incapables de prédire l'ensemble des zones de transition des polymères amorphes.

Encadrement

Directeur de thèse : Sabine Cantournet - Centre des Matériaux
Co-Directeur de thèse : Jean-Luc Bouvard - Cemef
Co-encadrant : Pierre Kerfriden - Centre des Matériaux
Co-encadrant : Daniel Pino Munz - Cemef

Profil candidat

Ingénieur et/ou Master recherche - Bon niveau de culture générale et scientifique. Bon niveau de pratique du français et de l'anglais (niveau B2 ou équivalent minimum).
Bonnes capacités d'analyse, de synthèse, d'innovation et de communication. Qualités d'adaptabilité et de créativité. Capacités pédagogiques. Motivation pour l'activité de recherche. Projet professionnel cohérent.

Pré-requis (compétences spécifiques pour cette thèse) :
Programmation en python, notion d'apprentissage statistique ou connaissance de la mécanique des milieux continus, mathématiques appliquées, bon niveau en informatique


Pour postuler : Envoyer votre dossier à recrutement_these@mat.mines-paristech.fr comportant
• un curriculum vitae détaillé
• une copie de la carte d'identité ou passeport
• une lettre de motivation/projet personnel
• des relevés de notes L3, M1, M2
• 2 lettres de recommandation
• les noms et les coordonnées d'au moins deux personnes pouvant être contactées pour recommandation
• une attestation de niveau d'anglais

Engineer and / or Master of Science - Good level of general and scientific culture. Good level of knowledge of French (B2 level in french is required) and English. (B2 level in english is required) Good analytical, synthesis, innovation and communication skills. Qualities of adaptability and creativity. Teaching skills. Motivation for research activity. Coherent professional project.

Prerequisite (specific skills for this thesis):
Programming in python, notion of statistical learning or knowledge of continuum mechanics, applied mathematics, good computer skills

Applicants should supply the following :
• a detailed resume
• a copy of the identity card or passport
• a covering letter explaining the applicant’s motivation for the position
• detailed exam results
• two references : the name and contact details of at least two people who could be contacted
• to provide an appreciation of the candidate
• Your notes of M1, M2
• level of English equivalent TOEIC

to be sent to recrutement_these@mat.mines-paristech.fr

Objectif

L'objectif de la thèse est de développer une approche de machine learning permettant de mieux prédire le comportement mécanique des systèmes amorphes sur une large gamme de vitesses de sollicitation et de températures. Plusieurs méthodes seront explorées. A l'échelle macroscopique, il s'agira de modéliser le comportement macroscopique du matériau dans des zones de transition caractérisées par différents mécanismes physiques soit en construisant un réseau de neurones pour sélectionner où paramétriser des lois de comportement existantes, soit remplacer différents modèles thermodynamiques de comportement par un modèle unique, basée sur des réseaux de neurones récursifs contraints de respecter les principes de base de la thermodynamique[4]. L'autre approche consiste à utiliser des réseaux de neurones pour remplacer des lois d'homogénéisations et/où des fonctions de distributions dans des approches stochastiques multi-échelles existantes [5]. Des démarches de modélisation semi-empirique à partir d'un certain nombre d'essais, de modélisations formelles puis de simulations numériques et d'apprentissage statistique seront mises en place. Ces démarches devront être systématisées pour être applicable à un ensemble de polymères amorphes.

Références

[1] J.L. Bouvard, D.K. Ward, D. Hossain, S. Nouranian, E.B. Marin, and M.F. Horstemeyer, “Review of hierarchical multiscale modeling to describe the mechanical behavior of amorphous polymers,” Journal of Engineering Materials and Technology, 2009.
[2] R.J. Masurel, RJ , S. Cantournet, A. Dequidt, A, D. Long, H. Montes, F. Lequeux, “Role of Dynamical Heterogeneities on the Viscoelastic Spectrum of Polymers: A Stochastic Continuum Mechanics Model” Macromolecules, 2015.
[3] D. Colombo, H. Montes,F. Lequeux, S. Cantournet,” Thermomechanical modeling of a filled elastomer based on the physics of mobility reduction”, Mechanics of Materials, 2020.
[4] F. Masi, I., P. Vannucci, V. Maffi-Berthier, “Thermodynamics-based Artificial Neural Networks for constitutive modeling”, Journal of the Mechanics and Physics of Solids, 2021
[5] I.B.C.M.Rocha, P.Kerfriden, F.P.van der Meer, “On-the-fly construction of surrogate constitutive models for concurrent multiscale mechanical analysis through probabilistic machine learning”, Journal of Computational Physics, 2021

Type financement

Concours pour un contrat doctoral

Document PDF

https://www.adum.fr/script/downloadfile.pl?type=78&ID=37603

Retour à la liste des propositions

Fiche descriptive du sujet de thèse - MINES ParisTech
Partager

actualité

Agir contre les violences sexistes et sexuelles

Formation Agir contre les violences sexistes et sexuelles Les violences sexistes et sexuelles, le…
> En savoir +

Le Rapport d'activité 2020 est en ligne

Formation Le Rapport d'activité 2020 est en ligne Image de couverture du RA 2020, inspirée par des recherches du…
> En savoir +

Le site web du CLUB COLD SPRAY fait peau neuve!

Le site web du CLUB COLD SPRAY fait peau neuve!   Le CLUB COLD SPRAY concerne les laboratoires, les…
> En savoir +

IUTAM Symposium

International IUTAM Symposium L'École des Mines de Paris a cette année le privilège d'organiser…
> En savoir +

Michel Jeandin, directeur de recherche au Centre des Matériaux de MINES ParisTech, nous quitte pour une retraite bien méritée

Recherche Michel Jeandin, directeur de recherche au Centre des… Présentation inaugurale de M. Jeandin à la conférence…
> En savoir +

Femmes de science

Formation Femmes de science   Chercheuses confirmées, doctorantes ou élèves…
> En savoir +

+ Toutes les actualités

agenda

Le 10 décembre 2021 Soutenance de thèse de Antoine DÉBARRE

Le 9 décembre 2021 Rencontre avec Aurélie Jean

Du 20 juillet 2021 au 3 janvier 2022 Rentrée 2021 - 2022

Le 10 décembre 2021 Soutenance de thèse de Antoine DÉBARRE

Le 9 décembre 2021 Rencontre avec Aurélie Jean

Du 20 juillet 2021 au 3 janvier 2022 Rentrée 2021 - 2022

+ Tous les événements

Plan du site
Mentions légales efil.fr © 2014 MINES ParisTech