Modélisation Multi-échelle Pilotée par l’Intelligence Artificielle et Analyse du Comportement à la Rupture des Céramiques en Carbure de Silicium

Résumé:

Ce projet de recherche porte sur la modélisation microstructurale, l’homogénéisation et l’analyse du comportement à la rupture des céramiques en carbure de silicium (SiC), un matériau largement utilisé dans les applications à haute performance en raison de sa dureté exceptionnelle, de sa stabilité thermique, de son inertie chimique et de sa résistance à l’usure et aux chocs thermiques. Le comportement mécanique du SiC est fortement influencé par sa morphologie granulaire, ses phases intergranulaires et la distribution de ses défauts, ce qui rend nécessaire le développement d’un cadre de modélisation numérique détaillé afin de prédire avec précision ses propriétés mécaniques. Cette étude vise à générer des microstructures 3D réalistes du SiC à l’aide d’une approche statistique complétée par des techniques d’intelligence artificielle, permettant l’extraction et la reproduction de caractéristiques microstructurales clés à partir de données expérimentales. Une approche d’homogénéisation basée sur la méthode des éléments finis (FEM) sera utilisée pour déterminer les propriétés thermoélastiques effectives, notamment les modules d’élasticité et les coefficients de dilatation thermique, essentiels pour les applications en ingénierie. Par ailleurs, la recherche analysera les mécanismes de rupture en simulant l’initiation et la propagation des fissures ainsi que les effets de renforcement, en s’appuyant sur la modélisation des zones cohésives (CZM) et la méthode des champs de phase afin d’étudier la distribution des contraintes et l’évolution des dommages à l’échelle microscopique. Les résultats de cette étude permettront d’obtenir une compréhension approfondie des relations structure–propriétés des céramiques en SiC et contribueront au développement de microstructures optimisées améliorant la ténacité à la rupture, la résistance mécanique et la fiabilité du matériau. À terme, ces travaux soutiendront l’optimisation des procédés d’élaboration du SiC et la conception de céramiques de nouvelle génération pour des applications exigeantes dans les domaines de l’aérospatiale, de l’énergie nucléaire et du génie industriel.

--------------------------------------------------------------------------------------------------------------------------------------------------------

Resume:

This research project focuses on the microstructural modeling, homogenization, and fracture behavior analysis of silicon carbide (SiC) ceramics, a material widely used in high-performance applications due to its exceptional hardness, thermal stability, chemical inertness, and resistance to wear and thermal shock. The mechanical behavior of SiC is strongly influenced by its grain morphology, intergranular phases, and defect distribution, making it crucial to develop a detailed computational framework to accurately predict its mechanical properties. This study aims to generate realistic 3D microstructures of SiC using a statistical approach complemented by artificial intelligence techniques, allowing the extraction and reproduction of key microstructural features from experimental data. A finite element method (FEM)-based homogenization approach will be used to extract the effective thermoelastic properties, including elastic moduli and thermal expansion coefficients, which are critical for engineering applications. Additionally, the research will investigate fracture mechanisms by simulating crack initiation, propagation, and toughening effects, employing cohesive zone modeling (CZM) and phase-field methods to analyze stress distribution and damage evolution at the microscale. The findings from this study will provide a comprehensive understanding of the structure–property relationships in SiC ceramics, contributing to the development of tailored microstructures that enhance fracture toughness, strength, and reliability. Ultimately, this work will support the optimization of SiC processing techniques and the design of next-generation ceramic materials for demanding applications in aerospace, nuclear energy, and industrial engineering.

The Engineering science, computer science and imaging laboratoryCreated in 2013, the laboratory brings together researchers of the University of Strasbourg, the CNRS (French National Center for Scientific Research), the ENGEES and the INSA of Strasbourg in the fields of engineering science and computer science, with imaging as the unifying theme. With around 650 members, ICube is a major driving force for research in Strasbourg whose main areas of application are biomedical engineering and the sustainable development.

Profil du candidat

Le candidat devra être titulaire d’un diplôme de niveau Master 2 Recherche ou diplôme d’ingénieur (BAC+5) en mécanique des matériaux, génie mécanique, science des matériaux, mathématiques appliquées ou disciplines connexes.

Il devra posséder :

• De solides compétences en mécanique des milieux continus, mécanique des matériaux et/ou mécanique de la rupture.
• Une bonne maîtrise de la méthode des éléments finis (FEM) et de la modélisation numérique.
• Des bases en programmation scientifique (Python, MATLAB, C++ ou équivalent).
• Un intérêt marqué pour les approches data-driven, incluant l’apprentissage automatique et les réseaux de neurones.
• Une capacité à manipuler et analyser des données expérimentales (images microstructurales, statistiques) sera un plus.

----------------------------------------------------------------------------------------------------------------------------------

Candidate Profile

The candidate must hold a Master’s degree (Master 2 Research) or an Engineering degree (equivalent to a five-year higher education program) in materials mechanics, mechanical engineering, materials science, applied mathematics, or related disciplines.

The candidate should possess:

+Strong knowledge in continuum mechanics, mechanics of materials, and/or fracture mechanics.

+Good proficiency in the finite element method (FEM) and numerical modeling.

+Solid foundations in scientific programming (Python, MATLAB, C++, or equivalent).

+A strong interest in data-driven approaches, including machine learning and neural networks.

+The ability to handle and analyze experimental data (microstructural images, statistical datasets) will be considered an advantage.