Description

L'hétérogénéité microstructurale et le comportement non-linéaire de la majorité des matériaux de nouvelle génération rendent l'estimation de leurs propriétés physiques complexe, compliquant leur intégration dans des simulations par éléments finis. Cette thèse propose d'explorer le stratégies d'apprentissage automatique pour les problèmes d'homogénéisation et la modélisation multi-échelles. Le premier objectif sera de développer des méthodes basées sur les réseaux de neurones pour améliorer la précision des modèles à l'échelle microscopique. L'étude des « Physics informed neural networks » (PINNs) et des « Deep Homogenisation Networks » (DHNs) met en lumière des limites telles que la représentation des discontinuités aux interfaces entre matériaux. L'utilisation de PINNs variationnels pourrait offrir une résolution plus précise de ces problèmes. Le deuxième axe de recherche visera à accélérer les simulations multiéchelles via des modèles paramétriques, cherchant à réduire les coûts de calcul tout en évitant la génération de grandes quantités de données d'apprentissage grâce aux 'Parameterized PINN' (P2INN). Enfin, le troisième axe explorera le potentiel des « Graphical Neural Networks » (GNN) pour générer des modèles micro-échelles efficaces. Cette thèse vise ainsi à répondre à des questions clés sur l'application des nouvelles architectures de réseaux neuronaux dans la modélisation des matériaux complexes. Elle pourra contribuer aux avancées que connaît, avec le développement des outils d’IA, le domaine de mécanique numérique des matériaux.

Compétences requises

• Le.a candidat.e aura une formation en mécanique numérique ou en mathématique appliquée. • Les compétences en mécanique des milieux continus et en programmation sont attendues. Les compétences en Python et en outils d’apprentissage automatique (comme PyTorch, Tensorflow, etc.) seront considérées comme un atout. • Capable de lire/rédiger les documents scientifiques en anglais ; de présenter le travail au congrès international en anglais

Bibliographie

Cho, W. et al. (2024) “Parameterized Physics-informed Neural Networks for Parameterized PDEs.” arXiv. doi:10.48550/ARXIV.2408.09446.
Gaynutdinova, L. et al. (2025) “Homogenization with Guaranteed Bounds via Primal-Dual Physically Informed Neural Networks.” arXiv. doi:10.48550/arXiv.2509.07579.
Henkes, A. et al. (2022) “Physics informed neural networks for continuum micromechanics,” Computer Methods in Applied Mechanics and Engineering, 393, p. 114790. doi:10.1016/j.cma.2022.114790.
Hestroffer, J.M. et al. (2023) “Graph neural networks for efficient learning of mechanical properties of polycrystals,” Computational Materials Science, 217, p. 111894. doi:10.1016/j.commatsci.2022.111894.
Jiang, J. et al. (2023) “Physically informed deep homogenization neural network for unidirectional multiphase/multi-inclusion thermoconductive composites,” Computer Methods in Applied Mechanics and Engineering, 409, p. 115972. doi:10.1016/j.cma.2023.115972.
Li, B. et al. (2025). “Customized Gaussian Process for Representing Polycrystalline Texture.” Computer Methods in Applied Mechanics and Engineering 440 (May): 117934. doi:10.1016/j.cma.2025.117934.

Mots clés

matériaux hétérogènes, simulations multi-échelles, homogénéisation numerique, apprentissage automatique, réseau de neurones artificiels, Physics-informed neural networks