Modélisation multi-échelle et multi-physique de matériaux et structures souples: du matériau à la simulation ef et à la prédiction assistée par ia // multiscale and multiphysics modeling of soft materials and structures: from material behavior to finite

Topic description

Les matériaux et structures souples présentent des comportements mécaniques complexes, résultant d'interactions étroites entre leur architecture microstructurale, les phénomènes dissipatifs et les couplages multi-physiques auxquels ils sont soumis [1-4]. Ces systèmes se caractérisent par des réponses fortement non linéaires, anisotropes et dépendantes du temps, gouvernées par des mécanismes internes évolutifs et sensibles aux conditions environnementales, ce qui rend leur modélisation particulièrement délicate dans une perspective prédictive.
L'objectif de cette thèse est de développer un cadre de modélisation reliant explicitement les mécanismes physiques multi-échelles aux réponses macroscopiques. Le travail s'inscrira dans une approche multi-échelle et multi-physique intégrant, au sein de formulations cohérentes, les effets de la microstructure, des interactions fluide-structure et des phénomènes dissipatifs tels que la viscoélasticité et l'endommagement, dans une démarche physiquement interprétable favorisant la généricité des modèles.
Une attention particulière sera portée à la description de couplages complexes entre mécanismes physiques de nature différente, en s'inspirant notamment de systèmes biologiques caractérisés par des interactions multi-échelles. À titre d'exemple, les tissus musculaires mettent en jeu des couplages électromécaniques et chimio-mécaniques, où la réponse macroscopique résulte de l'interaction entre architecture interne, activation et phénomènes dissipatifs dépendants du temps [2]. Ce cadre constitue une base pertinente pour développer des modèles généralisables à une large classe de matériaux souples fonctionnels (hydrogels, polymères, tissus structurés), avec des perspectives d'application notamment en ingénierie biomédicale, en robotique souple et plus largement dans des systèmes adaptatifs à forte composante multi-physique.
Les modèles développés seront physiquement fondés et intégreront des variables internes décrivant l'évolution des mécanismes microstructuraux. Ils seront implémentés dans des codes éléments finis via des lois utilisateurs afin de simuler des structures tridimensionnelles soumises à des chargements complexes. En parallèle, des approches d'identification et de réduction de modèles assistées par l'IA (réseaux contraints par la physique, modèles hybrides) seront explorées afin d'exploiter efficacement les données et d'améliorer les capacités prédictives. Une attention particulière sera accordée à la robustesse numérique, à la stabilité des algorithmes et à l'efficacité computationnelle.
Une partie de la thèse sera également consacrée à des travaux expérimentaux visant à caractériser le comportement mécanique de systèmes représentatifs et à alimenter l'identification et la validation des modèles, en lien étroit avec les développements numériques et les approches d'apprentissage. Ces investigations permettront de mieux appréhender les mécanismes physiques en jeu et d'assurer la pertinence des approches développées, en favorisant des boucles itératives entre expérimentation, modélisation et apprentissage.
Les développements méthodologiques réalisés dans ce cadre s'inscrivent dans une dynamique de modélisation avancée de systèmes complexes à forte valeur applicative, où la compréhension fine des interactions entre structure, propriétés et environnement constitue un enjeu central, en particulier dans le contexte des jumeaux numériques, ouvrant la voie à des approches intégrées de type “modèle-données”.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Soft materials and structures exhibit complex mechanical behaviors arising from strong interactions between their microstructural architecture, dissipative phenomena, and multiphysics couplings [1-4]. These systems are characterized by highly nonlinear, anisotropic, and time-dependent responses governed by evolving internal mechanisms and environmental conditions, making their predictive modeling particularly challenging.
The objective of this PhD is to develop a predictive modeling framework that explicitly links multiscale physical mechanisms to macroscopic responses. The work will follow a multiscale and multiphysics approach integrating, within consistent formulations, the effects of microstructure, fluid-structure interactions, and dissipative processes such as viscoelasticity and damage, in a physically interpretable framework promoting model generality.
Particular attention will be devoted to the description of complex couplings between physical mechanisms of different nature, inspired by biological systems exhibiting multiscale interactions. For instance, muscle tissues involve electromechanical and chemo-mechanical couplings, where the macroscopic response results from the interplay between internal architecture, activation processes, and time-dependent dissipative phenomena [2]. This framework provides a relevant basis for developing models applicable to a wide range of functional soft materials (e.g., hydrogels, polymers, structured tissues), with applications in biomedical engineering, soft robotics, and more broadly in adaptive multiphysics systems.
The developed models will be physically based and will incorporate internal variables describing the evolution of microstructural mechanisms. They will be implemented in finite element codes through user-defined material laws to simulate three-dimensional structures under complex loading conditions. In parallel, AI-assisted strategies for model identification and reduction (e.g., physics-informed neural networks, hybrid models) will be explored to efficiently exploit data and enhance predictive capabilities. Particular attention will be paid to numerical robustness, algorithm stability, and computational efficiency.
Experimental work will complement these developments to characterize the mechanical behavior of representative systems and support model identification and validation, in close interaction with numerical modeling and data-driven approaches. This will enable iterative loops between experimentation, modeling, and learning.
This research is part of a broader effort toward advanced modeling of complex systems with high application potential, particularly in the context of digital twins and integrated “model-data” approaches.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/

Funding category

Public funding alone (i.e. government, region, European, international organization research grant)

Funding further details

Concours pour un contrat doctoral