Topic description
Contexte scientifique
La chaire DeepPlasticity, financée dans le cadre du programme MIAI Cluster IA, débutera en juin pour une durée de quatre ans. Elle associe le Laboratoire SYMME (Université Savoie Mont Blanc) et l'Institut Pascal (Université Clermont Auvergne) autour du développement de nouvelles approches d'intelligence artificielle physiquement informée pour l'étude de la déformation plastique des matériaux.
Les avancées récentes en mécanique expérimentale permettent aujourd'hui d'acquérir des quantités considérables de données grâce aux mesures de champs cinématiques et thermiques. Les techniques telles que la corrélation d'images numériques (DIC), la thermographie infrarouge ou l'instrumentation multi-capteurs offrent une vision toujours plus détaillée des phénomènes mécaniques. Cependant, cette richesse de données crée un véritable plafond de verre : les volumes d'informations générés deviennent tels qu'ils limitent notre capacité à les analyser, les croiser et en extraire efficacement des connaissances physiques pertinentes.
L'ambition de cette thèse est précisément de franchir ce verrou scientifique en développant des méthodes permettant de transformer des données expérimentales massives, hétérogènes et bruitées en indicateurs mécaniques interprétables, utiles à la compréhension et à la modélisation de la plasticité.
Sujet de thèse
Le doctorant ou la doctorante développera des approches combinant mécanique expérimentale, modélisation numérique et intelligence artificielle physiquement informée afin d'exploiter conjointement différentes sources de données issues d'essais mécaniques instrumentés.
Les travaux porteront notamment sur :
1. l'analyse de champs thermomécaniques issus de mesures de champs cinématiques et thermiques ;
2. l'exploitation conjointe de données de déformation, de température et d'autres observables expérimentales au travers de méthodes d'intelligence artificielle physiquement informée telles que les processus gaussiens ou les réseaux de neurones ;
3. le développement de méthodes d'identification et de calibration permettant de caractériser la plasticité et les hétérogénéités des matériaux ;
4. la construction progressive d'approches hybrides combinant modèles mécaniques, méthodes numériques et outils modernes d'apprentissage ;
5. l'évaluation de la robustesse, de la fiabilité et des incertitudes associées aux modèles développés.
Le sujet repose sur une démarche complète allant de l'acquisition expérimentale à l'interprétation mécanique : mesurer, analyser, fusionner les données puis en extraire des informations physiques utiles à la compréhension des mécanismes de déformation.
Le doctorant ou la doctorante évoluera ainsi à l'interface entre mécanique des solides, science des matériaux, calcul scientifique, identification inverse et intelligence artificielle pour la physique.
Environnement de recherche et moyens
La thèse s'inscrit dans un projet de recherche ambitieux bénéficiant d'un financement dédié sur quatre ans. La chaire DeepPlasticity dispose de moyens permettant le recrutement de doctorants et d'ingénieurs de recherche, l'acquisition d'équipements scientifiques, le financement des missions, des participations à des conférences nationales et internationales ainsi que des dépenses de fonctionnement nécessaires aux travaux de recherche.
Le doctorant ou la doctorante bénéficiera ainsi d'un environnement scientifique dynamique, d'un accès à des moyens expérimentaux de pointe et d'opportunités de diffusion de ses travaux au sein de la communauté scientifique internationale.
Starting date
-09-01
Funding category
Public/private mixed funding
Funding further details
MIAI Cluster / ANR
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.