Thèse Simulation Numérique Probabiliste et Intelligence Artificielle pour la Prédiction des Points Bas en Résilience des Aciers Forgés. H/F - Doctorat.Gouv.Fr

Établissement : Mines Paris-PSL
École doctorale : ISMME - Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique
Laboratoire de recherche : Centre des Matériaux
Direction de la thèse : Pierre KERFRIDEN
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-07-31T23:59:59

Les essais de résistance à la rupture de type Charpy (essais de résilience) sont utilisés dans l'industrie nucléaire pour certifier les pièces forgées. Cependant, les résultats de ces essais présentent une variabilité forte dans certaines configurations de forgeage sur des pièces de très grandes réalisés par Framatome. Des études précédentes ont montré que l'acier forgé est fortement hétérogène à l'échelle mésoscopique. Ces hétérogénéités, qui due à la ségrégation de certains éléments d'alliage pendant la succession d'opérations thermomécaniques mis-en jeu lors de la fabrication des pièces, sont une cause majeure de la variabilité observée sur les résultats d'essais de résilience. L'enjeu de la thèse est de permettre à Framatome de mieux appréhender cette variabilité par une approche alliant simulation numérique par éléments finis et modélisation probabiliste. Les approches d'intelligence artificielle seront fortement mises à contribution, notamment pour générer des champs de mésoségrégations 3D à partir d'observations 2D, et pour accélérer les calculs par éléments finis.

-

Le candidat devra développer un outil de simulation numérique performant permettant de mieux appréhender la variabilité de propriétés de rupture (résilience, tenacité) des aciers de forge méso-ségrégés. En particulier :
A.On développera un simulateur statistique permettant de générer numériquement un ensemble de microstructures hétérogènes représentatives de celles observées expérimentalement par attaque chimique au Nital. On s'appuiera notamment sur l'intelligence artificielle générative (GAN, diffusion networks, champs gaussiens) pour se rapprocher du réel par rapport aux simulateurs existants [Andrieu 2013].
B.On développera un simulateur mécanique permettant de prédire la rupture mécanique pour un champ de mésoségrégation donné. On étudiera en particulier la compétition entre les mécanismes de clivage et de rupture intergranulaire, qui n'a fait l'objet que d'études préliminaires jusqu'à présent [Boåsen et coll. 2021]).
C.Des études statistiques seront menées, rendues possibles par une méthode d'accélération des calculs appropriée (la réduction de modèle par intelligence artificielle est la voie privilégiée pour cette étude), permettant de gagner en compréhension sur la variabilité en résilience des aciers de forge, et de caractériser la relation statistique entre la variabilité de ténacité intrinsèque au matériau et celles induites par les ségrégations chimiques.

Représentation statistique de la microstructure par IA. Les mesures de champs de ségrégations en éléments d'alliage sont des images bidimensionnelles, obtenues par attaque chimique de la surface de l'acier. Pour générer des structures 3D et effectuer des simulations numériques, des méthodes d'intelligence artificielles génératives seront développées. Nous avons dans des précédent travaux déployé une stratégie d'IA générative de type « Slice GAN » [Kench 21] (voir Figure). Cette technologie se heurte à des difficultés de convergence propres aux GAN, ainsi qu'un a cout d'entrainement relativement élevé. Nous étudierons donc la possibilité de diminuer la résolution des images d'entrainement, tout en passant sur des architectures de calcul GPU parallèle, et nous évaluerons les mérites de technologies génératives plus stables (réseaux de diffusion, champs gaussiens basés sur les équations aux dérivées partielles stochastiques).

Modélisation et simulation de la rupture par la méthode des éléments finis. Les calculs mécaniques d'éprouvettes de résilience Charpy, menés en plasticité en grandes transformations dans Zset (http://www.zset-software.com/), seront ensuite post-traités pour déterminer des probabilités de rupture en employant des modèles de type Weibull-Beremin. Dans nos travaux précédents, des lois de comportement ont été obtenues en fonction de la teneur en éléments d'alliage, en utilisant des résultats de micro indentation notamment. A partir de là, il est possible des simulations par éléments finis, chaque simulation correspondant à une réalisation d'une microstructure ségrégée générée par l'IA générative, afin d'évaluer la dispersion des résultats de résilience des aciers considérés. L'ambition de la thèse et d'étendre la méthodologie à la rupture fragile, avec un modèle statistique de Weibull-Beremin dont les paramètres varieront en espace en fonction des teneurs en éléments d'alliage. Ces paramètres devront être déduit des campagnes expérimentales effectuées par Framatome. Nous souhaitons aussi étendre les simulations par éléments finis à d'autres types d'éprouvettes, notamment pour intégrer des données provenant de campagnes expérimentales distinctes (voir ci-après).

Accélération des calculs par IA. Les calculs d'éprouvettes Charpy réalisés lors d'études préliminaires sont très onéreux (plusieurs semaines de calculs pour une éprouvette synthétique unique). Pour effectuer les études souhaitées par Framatome sur l'ensemble des classes de matériaux ségrégés considérés, nous devons impérativement gagner en efficacité. Ceci sera réalisé en suivant deux axes de recherche :
-Utilisation d'une approche de zoom structural pour rediriger l'effort sur le ligament de la Charpy (surface médiane par laquelle passe la fissure), avec des conditions aux limites provenant de pré-calculs effectués sur des éprouvettes homogènes.
-Réseaux de Neurones Convolutionnels développés pour corriger des modèles approchés (typiquement bi-dimensionnels) afin d'obtenir des résultats 3D par post-traitement neuronal peu onéreux d'un modèle mécanique simplifié [Palchoudhary '24, Krokos 24].
Compréhension des points bas en résilience. A partir des outils numériques développés, nous souhaitons gagner en compréhension de l'origine des points bas en résilience. Nous étudierons notamment l'impact des hétérogénéités de comportement d'un côté, et de rupture de l'autre côté, sur les queues de distribution des résultats de résilience. Nous envisageons également la possibilité d'utiliser des campagnes expérimentales sur des éprouvettes de géométries différentes (éprouvettes CT par exemple) de façon à mieux ségréger l'origine de la variabilité des résistances à rupture.

Profil type pour une thèse à MINES Paris: Ingénieur et/ou Master recherche - Bon niveau de culture générale et scientifique. Bon niveau de pratique du français et de l'anglais (niveau B2 ou équivalent minimum). Bonnes capacités d'analyse, de synthèse, d'innovation et de communication. Qualités d'adaptabilité et de créativité. Capacités pédagogiques. Motivation pour l'activité de recherche. Projet professionnel cohérent.

Pré-requis (compétences spécifiques pour cette thèse) :

-Excellentes compétences en mécanique numérique (éléments finis nonlinéaires)
-Maitrise de la programmation (C++ et/ou Python)
-Connaissances et appétence pour les statistiques et l'intelligence artificielle, notamment dans le cadre de la géostatistique
-Intérêt pour les méthodes industrielles et capacité à livrer des produits technologiques

Pour postuler : Envoyer votre dossier à ****@****.** comportant
-un curriculum vitae détaillé
-une copie de la carte d'identité ou passeport + adresse domicile si ne figure pas sur le document
-une lettre de motivation/projet personnel
-des relevés de notes L3, M1, M2
-2 lettres de recommandation
-les noms et les coordonnées d'au moins deux personnes pouvant être contactées pour recommandation
-une attestation de niveau d'anglais