Apprentissage scientifique par nuage de points appliqué à la caractérisation mécanique à chaud d'alliage d'aluminium // Scientific Machine Learning using point clouds applied to the mechanical characterization of aluminum alloys at high temperature

L'objectif principal de cette thèse est de développer un jumeau numérique thermomécanique d'essais de compression à chaud d'alliages d'aluminium, fondé sur des simulations par éléments finis et enrichi par des méthodes d'apprentissage automatique intégrant les connaissances physiques. Ce jumeau numérique vise à améliorer l'exploitation scientifique et industrielle des essais de compression à chaud, adapté aux trajets de chargement thermomécaniques du laminage à chaud. L'essai de compression avec traction induite est présenté en Erreur ! Source du renvoi introuvable. et pourra être amené à évoluer au cours de la thèse pour être plus représentatif des chargements rencontrés en laminage.

L'objectif principal est de construire des modèles permettant, dans un premier temps, une identification rapide et robuste des lois rhéologiques viscoplastiques, puis des lois d'endommagement, dans des conditions thermomécaniques représentatives de la mise en forme industrielle. Contrairement aux approches classiques, fondées sur des modèles analytiques simplifiés ou des campagnes expérimentales lourdes, la thèse vise à exploiter pleinement la richesse des champs tridimensionnels de contraintes, de déformations et de température fournis par les simulations éléments finis, tout en les combinant avec des observables expérimentales — efforts, déplacements, mesures de température ou surfaces de rupture — afin de rendre les modèles accélérés à la fois plus fiables et plus représentatifs des essais réels. Un second objectif, particulièrement original, est de rendre possible la prédiction quasi temps réel des champs internes au cours des essais de compression à chaud. Cette capacité ouvre la voie à une exploitation expérimentale inédite des essais, en guidant de manière rationnelle les prélèvements de matière dans les éprouvettes déformées pour des analyses mécaniques ou microstructurales ciblées. Le jumeau numérique devient ainsi un véritable outil d'aide à l'interprétation expérimentale. Enfin, la thèse vise à transformer l'essai de compression à chaud en un outil de conception inverse, capable d'être paramétré pour générer des états de contraintes et de déformations cibles, représentatifs de zones spécifiques de produits laminés industriellement. Cette capacité est clé pour le prototypage numérique de procédés et constitue un changement de paradigme par rapport à l'usage traditionnel des essais de laboratoire.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The main objective of this thesis is to develop a thermomechanical digital twin of hot compression tests on aluminum alloys, based on finite element simulations and enriched by machine learning methods integrating physical knowledge. This digital twin aims to improve the scientific and industrial exploitation of hot compression tests, adapted to the thermomechanical loading paths of hot rolling.

The compression test with induced traction is shown in Figure 1 and may evolve during the thesis to be more representative of the loads encountered in rolling.

The main objective is to build models that will initially enable rapid and robust identification of viscoplastic rheological laws, then damage laws, under thermomechanical conditions representative of industrial forming. Unlike conventional approaches, based on simplified analytical models or heavy experimental campaigns, the thesis aims to fully exploit the wealth of three-dimensional stress, strain, and temperature fields provided by finite element simulations, while combining —forces, them with experimental observables displacements, temperature measurements, or fracture surfaces—in order to make accelerated models both more reliable and more representative of actual tests. A second, particularly original objective is to enable near real-time prediction of internal fields during hot compression tests. This capability paves the way for a novel experimental exploitation of the tests, by rationally guiding the sampling of material from deformed specimens for targeted mechanical or microstructural analyses. The digital twin thus becomes a valuable tool for experimental interpretation. Finally, the thesis aims to transform the hot compression test into a reverse design tool that can be configured to generate target stress and strain states representative of specific areas of industrially rolled products. This capability is key to digital prototyping of processes and represents a paradigm shift from the traditional use of laboratory testing.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026
WEB : https://www.cemef.minesparis.psl.eu/wp-content/uploads/2026/03/Annonce-PhD-Constellium-CEMEF_en.pdf

Cifre

CIFRE ANRT

Mines Paris-PSL

364 SFA - Sciences Fondamentales et Appliquées

Le/la candidat(e) recherché(e) possède de solides compétences en apprentissage automatique, en particulier pour les modèles intégrant des connaissances physiques (Scientific Machine Learning, auto-encodeurs, modèles réduits), et une formation en mécanique des matériaux, ou génie mécanique. Une expérience en modélisation par éléments finis et en exploitation de données multi-physiques complexes sera fortement appréciée. Le/la candidat(e) doit faire preuve d'autonomie, de rigueur scientifique et de curiosité pour le développement de jumeaux numériques thermomécaniques et le prototypage numérique de procédés.
The ideal candidate will have strong skills in machine learning, particularly for models incorporating physical knowledge (scientific machine learning, autoencoders, reduced models), and a background in materials mechanics or mechanical engineering. Experience in finite element modeling and complex multiphysics data exploitation will be highly appreciated. The candidate must demonstrate autonomy, scientific rigor, and curiosity for the development of thermomechanical digital twins and digital prototyping of processes.