Accélération de simulations thermo-mécaniques par Réseaux de Neurones --- Applications à la fabrication additive et la mise en forme des métaux // Accelerating thermo-mechanical simulations using Neural Networks --- Applications to additive manufacturing

Dans un certain nombre d'industries telle que la mise en forme des métaux ou la fabrication additive, l'écart entre la forme désirée et la forme effectivement obtenue est important, ce qui freine le développement de ces méthodes de fabrication. Cela est dû en bonne partie à la complexité des processus thermiques et mécaniques en jeu, difficiles à simuler à des fins d’optimisation du fait du temps de calcul important de la simulation des phénomènes en jeu.

La thèse vise à réduire significativement cet écart grâce à l'accélération des simulations thermo-mécaniques par éléments finis, notamment via le design d'une architecture de réseau de neurones adaptée, en s'appuyant sur les connaissances physiques théoriques.

Pour mener à bien ce sujet, la thèse bénéficiera d'un écosystème favorable aussi bien au LMS de l'École polytechnique qu'au CEA List : architecture PlastiNN développée en interne (brevet en cours de dépôt), bases de données mécanique existantes, supercalculateur FactoryIA et DGX, machine d'impression 3D. Il s'agira dans un premier temps de générer des bases de données à partir de simulations éléments finis thermo-mécaniques, puis d'adapter PlastiNN à apprendre de telles simulations, avant de mettre en œuvre des procédures d'optimisation s'appuyant sur ces réseaux de neurones.

L'objectif final de la thèse est d'illustrer l'accélération de simulations éléments finis ainsi obtenue sur des cas réels : d'une part par l'instauration d'une rétroaction durant l'impression métallique via la mesure du champ de température pour réduire l'écart entre géométrie désirée et géométrie fabriquée, d'autre part par la mise en place d'un outil de commande de forge qui permet d'arriver à une géométrie désirée à partir d'une géométrie initiale. Les deux applications s'appuieront sur une procédure d'optimisation rendue réalisable par l'accélération des simulations thermo-mécaniques.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

In multiple industries, such as metal forming and additive manufacturing, the discrepancy between the desired shape and the shape really obtained is significant, which hinders the development of these manufacturing techniques. This is largely due to the complexity of the thermal and mechanical processes involved, resulting in a high computational simulation time.

The aim of this PhD is to significantly reduce this gap by accelerating thermo-mechanical finite element simulations, particularly through the design of a tailored neural network architecture, leveraging theoretical physical knowledge.

To achieve this, the thesis will benefit from a favorable ecosystem at both the LMS of École Polytechnique and CEA List: internally developed PlastiNN architecture (patent pending), existing mechanical databases, FactoryIA supercomputer, DGX systems, and 3D printing machines. The first step will be to extent the databases already generated from finite element simulations to the thermo-mechanical framework, then adapt the internally developed PlastiNN architecture to these simulations, and finally implement them.

The ultimate goal of the PhD is to demonstrate the acceleration of finite element simulations on real cases: firstly, through the implementation of feedback during metal printing via temperature field measurement to reduce the gap between the desired and manufactured geometry, and secondly, through the development of a forging control tool that achieves the desired geometry from an initial geometry. Both applications will rely on an optimization procedure made feasible by the acceleration of thermo-mechanical simulations.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département Intelligence Ambiante et Systèmes Interactifs (LIST)
Service : Service Interactions et Réseaux
Laboratoire : Laboratoire de Simulation Interactive
Date de début souhaitée : 01-10-2024
Ecole doctorale : Ecole Doctorale de l’Institut Polytechnique de Paris (IP Paris)
Directeur de thèse : WEISZ-PATRAULT Daniel
Organisme : Ecole polytechnique

Public/private mixed funding

Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département Intelligence Ambiante et Systèmes Interactifs (LIST)
Service : Service Interactions et Réseaux

diplôme ingénieur, master (MVA, maths appliquées, etc.)