Thèse Modélisation Multi-Échelle et Multi-Physique de Matériaux et Structures Souples du Matériau à la Simulation Ef et à la Prédiction Assistée par IA H/F - Université de Lille

Établissement : Université de Lille
École doctorale : ENGSYS Sciences de l'ingénierie et des systèmes
Laboratoire de recherche : LGCgE - Laboratoire Génie Civil & Géo-Environnement
Direction de la thèse : Fahmi ZAIRI ORCID 000000032422938X
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-05T23:59:59

Les matériaux et structures souples présentent des comportements mécaniques complexes, résultant d'interactions étroites entre leur architecture microstructurale, les phénomènes dissipatifs et les couplages multi-physiques auxquels ils sont soumis [1-4]. Ces systèmes se caractérisent par des réponses fortement non linéaires, anisotropes et dépendantes du temps, gouvernées par des mécanismes internes évolutifs et sensibles aux conditions environnementales, ce qui rend leur modélisation particulièrement délicate dans une perspective prédictive.
L'objectif de cette thèse est de développer un cadre de modélisation reliant explicitement les mécanismes physiques multi-échelles aux réponses macroscopiques. Le travail s'inscrira dans une approche multi-échelle et multi-physique intégrant, au sein de formulations cohérentes, les effets de la microstructure, des interactions fluide-structure et des phénomènes dissipatifs tels que la viscoélasticité et l'endommagement, dans une démarche physiquement interprétable favorisant la généricité des modèles.
Une attention particulière sera portée à la description de couplages complexes entre mécanismes physiques de nature différente, en s'inspirant notamment de systèmes biologiques caractérisés par des interactions multi-échelles. À titre d'exemple, les tissus musculaires mettent en jeu des couplages électromécaniques et chimio-mécaniques, où la réponse macroscopique résulte de l'interaction entre architecture interne, activation et phénomènes dissipatifs dépendants du temps [2]. Ce cadre constitue une base pertinente pour développer des modèles généralisables à une large classe de matériaux souples fonctionnels (hydrogels, polymères, tissus structurés), avec des perspectives d'application notamment en ingénierie biomédicale, en robotique souple et plus largement dans des systèmes adaptatifs à forte composante multi-physique.
Les modèles développés seront physiquement fondés et intégreront des variables internes décrivant l'évolution des mécanismes microstructuraux. Ils seront implémentés dans des codes éléments finis via des lois utilisateurs afin de simuler des structures tridimensionnelles soumises à des chargements complexes. En parallèle, des approches d'identification et de réduction de modèles assistées par l'IA (réseaux contraints par la physique, modèles hybrides) seront explorées afin d'exploiter efficacement les données et d'améliorer les capacités prédictives. Une attention particulière sera accordée à la robustesse numérique, à la stabilité des algorithmes et à l'efficacité computationnelle.
Une partie de la thèse sera également consacrée à des travaux expérimentaux visant à caractériser le comportement mécanique de systèmes représentatifs et à alimenter l'identification et la validation des modèles, en lien étroit avec les développements numériques et les approches d'apprentissage. Ces investigations permettront de mieux appréhender les mécanismes physiques en jeu et d'assurer la pertinence des approches développées, en favorisant des boucles itératives entre expérimentation, modélisation et apprentissage.
Les développements méthodologiques réalisés dans ce cadre s'inscrivent dans une dynamique de modélisation avancée de systèmes complexes à forte valeur applicative, où la compréhension fine des interactions entre structure, propriétés et environnement constitue un enjeu central, en particulier dans le contexte des jumeaux numériques, ouvrant la voie à des approches intégrées de type modèle-données.

Le projet s'inscrit dans le domaine de la mécanique des matériaux complexes et des milieux continus, avec un fort développement récent des approches multi-échelles et multiphysiques. L'intégration croissante de l'intelligence artificielle dans les modèles physiques ouvre de nouvelles perspectives pour la modélisation prédictive et les jumeaux numériques.

L'objectif principal de la thèse est de développer un cadre de modélisation prédictif permettant de relier les mécanismes physiques multi-échelles aux réponses macroscopiques de matériaux et structures souples. Plus précisément, il s'agira de :

- développer des modèles de comportement multi-échelle et multi-physiques physiquement fondés, intégrant les effets microstructuraux et dissipatifs ;
- implémenter ces modèles dans des codes de calcul par éléments finis pour la simulation de structures soumises à des chargements complexes ;
- intégrer des approches hybrides combinant modélisation physique et intelligence artificielle pour l'identification, la réduction de modèles et l'amélioration des capacités prédictives ;
- valider les modèles développés par confrontation avec des données expérimentales dans une logique intégrée modélisation-expérimentation-apprentissage.

- Approches multi-échelles et multi-physiques
- Développement de lois de comportement physiquement fondées
- Implémentation en éléments finis (UMAT/VUMAT)
- Approches hybrides physique-IA
- Validation expérimentale

Profil recherché :
Candidat(e) titulaire d'un Master (ou équivalent) en mécanique des solides, mécanique des matériaux, génie civil, physique appliquée ou domaine connexe.

Compétences et qualités attendues :
- Solides bases en mécanique des milieux continus et en mécanique des matériaux
Intérêt marqué pour la modélisation multi-échelle et multiphysique
- Connaissances en méthodes numériques et en éléments finis
- Intérêt pour les approches hybrides physique-données et l'intelligence artificielle
- Compétences en programmation (Python, Fortran, C++ ou équivalent)
- Goût pour l'interaction modélisation - simulation - expérimentation
- Capacité à travailler en autonomie et en équipe dans un environnement interdisciplinaire
- Bon niveau d'anglais scientifique (écrit et oral)