IA physiquement informée pour l’analyse et la modélisation de la plasticité des matériaux

Contexte scientifique

La chaire DeepPlasticity, financée dans le cadre du programme MIAI Cluster IA, débutera en juin 2026 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 :

• l'analyse de champs thermomécaniques issus de mesures de champs cinématiques et thermiques ;
• 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 ;
• le développement de méthodes d'identification et de calibration permettant de caractériser la plasticité et les hétérogénéités des matériaux ;
• la construction progressive d'approches hybrides combinant modèles mécaniques, méthodes numériques et outils modernes d'apprentissage ;
• 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.

La thèse sera réalisée au Laboratoire SYMME (SYstèmes et Matériaux pour la MEcatronique), unité de recherche de l’Université Savoie Mont Blanc située sur le campus d’Annecy. Le laboratoire rassemble près de 80 chercheurs, enseignants-chercheurs, ingénieurs et doctorants autour de problématiques en mécanique, matériaux, instrumentation, mécatronique et sciences des données appliquées à l’ingénierie.

Le projet s’inscrit dans le thème de recherche « Optimisation matériau – produit – procédé », qui regroupe une dizaine de chercheurs travaillant sur la compréhension, la modélisation et l’identification du comportement des matériaux à partir de données expérimentales et numériques.

La thèse sera intégrée à la chaire DeepPlasticity, un programme de recherche dédié à l’intelligence artificielle appliquée à la mécanique des matériaux. La chaire fédère une équipe d’environ dix chercheurs, répartis entre le laboratoire SYMME à Annecy (5 chercheurs) et l’Institut Pascal à Clermont-Ferrand (5 chercheurs), offrant un environnement scientifique riche à l’interface entre mécanique expérimentale, modélisation physique et intelligence artificielle.

Le campus d’Annecy accueille environ 5 000 étudiants et regroupe notamment l’IUT d'Annecy et Polytech Annecy-Chambéry. Selon son profil et ses souhaits, le doctorant pourra également participer à des activités d’enseignement sous forme de vacations, offrant une première expérience dans l’enseignement supérieur.

Profil recherché

Nous recherchons un ou une candidate titulaire d'un Master 2 ou d'un diplôme d'ingénieur en mécanique, matériaux, mécanique numérique, physique appliquée ou mathématiques appliquées.

Le sujet s'adresse prioritairement à des candidats disposant d'un solide socle scientifique en mécanique et en modélisation, souhaitant développer une expertise à l'interface entre mécanique expérimentale, modélisation numérique et intelligence artificielle pour la physique.

Compétences techniques attendues

• très bon niveau en mécanique des solides, mécanique des matériaux ou physique des matériaux ;
• solides compétences en modélisation physique, méthodes numériques et calcul scientifique ;
• maîtrise de Python ou d'un environnement équivalent de calcul scientifique ;
• intérêt pour l'analyse de données, l'identification de paramètres et la modélisation ;
• intérêt pour les approches d'intelligence artificielle et de machine learning appliquées aux sciences de l'ingénieur.

Les compétences suivantes constitueront un atout :

• plasticité et comportement mécanique des matériaux ;
• thermomécanique ;
• méthodes des éléments finis ;
• statistiques et quantification des incertitudes ;
• intelligence artificielle, apprentissage automatique ou science des données.

Qualités personnelles recherchées

• curiosité scientifique et capacité à explorer de nouvelles approches ;
• autonomie et capacité à conduire un projet de recherche sur le long terme ;
• rigueur, esprit d'analyse et sens critique ;
• aptitude au travail en équipe dans un environnement pluridisciplinaire ;
• bonnes capacités de communication écrite et orale ;
• capacité à présenter et valoriser ses travaux auprès de publics académiques et industriels ;
• bon niveau d'anglais scientifique, à l'écrit comme à l'oral.

Ce que la thèse apportera au candidat

Cette thèse permettra d'acquérir une expertise reconnue dans un domaine en forte croissance à l'interface entre mécanique des matériaux, analyse de données et intelligence artificielle scientifique.

Le doctorant ou la doctorante développera des compétences couvrant l'ensemble de la chaîne de valorisation des données expérimentales : mesures de champs thermomécaniques, traitement et fusion de données, modélisation physique, identification inverse, quantification des incertitudes et intelligence artificielle physiquement informée.

À l'issue de la thèse, le candidat disposera d'un profil rare associant compétences en mécanique, modélisation numérique, calcul scientifique et intelligence artificielle, particulièrement recherché dans les secteurs de la recherche, de l'innovation et de la R&D industrielle.