Soutenances de thèses

Composition du jury

---

• Olivier CASTELNAU, Directeur de recherche, CNRS/PIMM (Rapporteur)
• Fabrice RICHARD, Maître de conférences, Université Franche Comté (Rapporteur)
• Stéphane BERBENNI, Directeur de recherche, CNRS/LEM3 (Examinateur)
• Eva HéRIPRé, Ingénieur de recherche, CNRS/PIMM (Examinateur)
• Fabrice BARBE, Professeur, INSA Rouen (Examinateur)
• David RYCKELYNCK, Professeur, Mines Paris (Examinateur)
• Henry PROUDHON, Directeur de recherche, CNRS / Mines Paris (Examinateur)
• Lionel GéLéBART, Ingénieur de recherche, CEA Saclay (Examinateur)

Encadrement

---

• David RYCKELYNCK (Directeur de thèse)
• Henry PROUDHON (Co-encadrant)

Résumé

---

L'étude des matériaux polycristallins, comme le titane alpha, revêt une importance cruciale en mécanique des matériaux. Le comportement mécanique de ces matériaux est largement influencé par leur microstructure, ce qui nécessite des modèles capables de capturer les hétérogénéités locales à l'échelle des grains. Cette thèse propose une méthodologie innovante, combinant des données expérimentales multi-échelles et multimodales avec des simulations numériques en plasticité cristalline. Grâce à des techniques d'imagerie de pointe, telles que la tomographie par contraste de diffraction (DCT) par rayons X, il devient possible de représenter en 3D la microstructure réelle des matériaux à une résolution micrométrique. Les données issues de ces acquisitions sont ensuite intégrées dans des simulations basées sur la méthode FFT (Fast Fourier Transform), permettant de prédire les champs de déformation plastique dans les matériaux polycristallins avec une grande précision. Contrairement aux approches traditionnelles, cette méthodologie repose sur une comparaison directe entre les résultats expérimentaux, obtenus via des techniques telles que la Corrélation d'Images Numériques à Haute Résolution (HR-DIC), l'EBSD et la DCT, et les simulations numériques. L'analyse multi-échelle des résultats permet d'évaluer la précision des prédictions numériques en tenant compte des hétérogénéités locales de déformation dans les grains. Un autre aspect novateur de ce travail est l'intégration de méthodes d'apprentissage statistique pour optimiser le processus de simulation. En particulier, des techniques de super-résolution sont utilisées pour améliorer la qualité des prédictions en plasticité cristalline, tout en réduisant le temps de calcul. Ces méthodes exploitent les propriétés d'image des simulations numériques et permettent d'accélérer significativement les calculs, sans compromettre la précision des résultats. L'approche développée dans cette thèse offre ainsi de nouvelles perspectives pour l'identification des lois de plasticité cristalline, en intégrant les hétérogénéités de déformation inhérentes à la microstructure des matériaux polycristallins. Elle contribue à mieux comprendre les mécanismes de déformation plastique et à améliorer la prédiction du comportement mécanique de ces matériaux dans des applications industrielles exigeantes. En combinant des techniques avancées d'imagerie, des simulations FFT de haute précision et des méthodes d'apprentissage automatique, ce travail ouvre la voie à des prédictions plus fiables et à des simulations plus rapides, essentielles pour la conception et l'optimisation des matériaux dans des environnements critiques comme l'aéronautique ou le nucléaire.

Mots clès

---

Apprentissage automatique,Jumeau numérique,Loi de comportement,Modèle par les données,Diffraction des rayons X,

Voir toutes les soutenances