Thermométrie et machine learning appliqués à la fatigue de structures issues de la fabrication additive arc-fil

Problématique et objectif :

La Fabrication Additive Métallique (FAM) arc-fil (ou Wire Arc Additive Manufacturing, WAAM) est un procédé permettant la réalisation de structures de grandes dimensions et aux formes complexes. La maîtrise de ce procédé permet de répondre à des enjeux de souveraineté industrielle et d’innovation (optimisation topologique, ajout de fonctions, …). Néanmoins, les matériaux résultants présentent classiquement une microstructure fortement hétérogène, des contraintes résiduelles, de rares défauts volumiques et une forte rugosité en surface. Lors de précédents travaux [1], [2], il a été montré que cette rugosité est particulièrement critique quant à la tenue en fatigue à grand nombre de cycles. Or l’usinage systématique des surfaces contraint fortement la liberté de design permise par le WAAM. Des traitements de parachèvements de surface sont préférés (jet d’eau, martelage) pour gommer partiellement les aspérités de surface, sans les effacer complètement. On cherche alors à établir une méthode pour prévoir l’effet de ces surfaces sur la tenue en fatigue.

C’est là l’objectif principal du projet NEREIDS (Numerical Evaluation of Roughness Effect on In-service Durability of Structure) : établir une méthode rapide pour la prévision de la tenue en fatigue d’une pièce de WAAM, en tenant compte de sa topographie de surface. Cette étude s’intègre dans le cadre de l’appel à projet du Centre Interdisciplinaire Mers et Océan (CIMO) de l’Institut Polytechnique de Paris. Le CIMO promeut, entre autres, la recherche autour des matériaux, leurs assemblages et les structures hydrodynamiques, la conception et l’architecture ainsi que le système de propulsion.

Contenu de la thèse :

Afin d’établir un outil prédictif robuste, il convient de disposer de résultats expérimentaux fiables. Dans le cadre du projet NEREIDS, on propose de s’appuyer sur des données issues d’une technique de thermométrie : la thermoélasticimétrie (ou Thermoelastic Stress Analysis, TSA). Cette technique consiste à suivre l’évolution du champ de température en surface d’une éprouvette sous sollicitation cyclique par caméra infrarouge. Selon la configuration d’essai, et d’après l’équation de la chaleur locale, on montre que le signal de température mesuré peut être relié à une information de contrainte en surface ; c’est le couplage thermoélastique. Dès lors, toute évolution du champ mécanique en surface peut être monitorée par des films infrarouges. C’est le cas en particulier de l’amorçage et la propagation de fissures de fatigue en surface sollicitée en Mode I.

Cette technique appliquée au cas des surfaces WAAM est particulièrement intéressante car elle permet d’estimer, sur une large surface, les instants d’amorçage de multiples fissures et le suivi de leur propagation, utile par exemple à l’identification d’un modèle de mécanique linéaire de la rupture. Cependant, la pratique conventionnelle de la TSA n’exploite qu’une petite partie de l’information contenue dans un film infrarouge. En outre, les traitements d’images infrarouges classiquement effectués sont très sensibles au bruit de mesure, aux effets de conduction (effet de « flou »), à l’interaction entre fissures, à la fermeture de fissure, … Ces méthodes sont également tributaires de la définition de seuils, paramètres très opérateur-dépendants.

Dans ce contexte, on propose d’établir une méthode de post-traitement innovante, s’appuyant sur l’usage de réseaux de neurones. Cette méthode doit permettre une exploitation complète de la richesse de l’information infrarouge, et de ce fait permettre, d’une part, un suivi de fissure plus robuste, et d’autre part, l’accès à d’autres indicateurs comme par exemple la présence de contraintes résiduelles procédé proche de la fissure. Par ailleurs, un tel protocole de post-traitement ne sera pas a priori limité au cas des surfaces WAAM.

Les résultats obtenus par cette méthode de post-traitement doivent ensuite permettre la mise en place d’une méthode prédictive pour la tenue en fatigue de structures brutes de dépôt WAAM. Il s’agira alors de faire la mise en dialogue des résultats expérimentaux tels qu’obtenus par le nouveau post-traitement (lieux d’amorçages, cinétiques de propagation, chemins préférentiels, …) et de champ mécanique de surface issus de simulations : quelles corrélations existent entre ces jeux de données ? En associant cette comparaison des données au choix d’un critère de fatigue, on cherchera à généraliser l’approche à d’autres types de surface.

ENSTA, établissement d’enseignement supérieur et de recherche sous tutelle du ministère des Armées, développe des activités de formation, recherche et innovation dans les domaines de la défense et de la sécurité, des transports, de l'énergie, des activités maritimes, du numérique et de la santé.

L’école, présente sur deux campus, à Paris-Saclay et à Brest, est membre de l’Institut Polytechnique de Paris. Classée dans le Top 10 des meilleures écoles d’ingénieurs en France, elle a pour mission

•          la formation d’élèves ingénieurs civils et militaires, de cadres et docteurs pour les secteurs public et privé,

•          la recherche et l’innovation de haut niveau en relation étroite avec l’industrie des grands secteurs de souveraineté au sein de 6 unités de formation et de recherche (UFR).

La thèse se déroulera au laboratoire Institude de Recherche Dupuy De Lôme (IRDL), dont l'ENSTA est l'une des tutelles. L’IRDL est une Unité Mixte de Recherche CNRS. Il s'agit d'un laboratoire référent des systèmes mécaniques en Europe liées à l’ingénierie des matériaux et des systèmes utilisés dans les secteurs industriels liés à l’automobile, le génie civil, l’énergie, l’aéronautique, la santé, aux transports et plus particulièrement tous les domaines en interaction dynamique avec le milieu marin, telles que la construction navale et offshore, les énergies marines. Le·la doctorant·e sera en particulier rattaché·e à une équipe de travail dont la thématique est la durabilité des matériaux.

Le·la candidat·e recherché·e possède une formation en mécanique des matériaux et doit avoir une appétence pour le travail numérique. La maîtrise des méthodes de deep-learning n’est pas exigée, mais sera fortement appréciée. Le·la candidat·e doit être autonome et faire preuve de curiosité.