Thèse Simulation Numérique Haute Fidélité du Soudage à Grand Nombre de Passes par Jumeau Numérique Enrichi par les Données H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes École doctorale : Sciences Mécaniques Energétiques et MAtériaux pour l'InGénierie Laboratoire de recherche : LMPS - Laboratoire de Mécanique Paris-Saclay Direction de la thèse : Ludovic CHAMOIN ORCID 0000000283610757 Début de la thèse : 2027-01-01 Date limite de candidature : 2026-11-30T23:59:59 La thèse vise à développer un modèle numérique du soudage capable de fournir, en temps compatible avec les besoins industriels, une estimation fiable de l'état thermo-mécanique
d'une opération de soudage à partir de la combinaison de la physique, de l'intelligence artificielle et des données expérimentales, et ceci dans un cadre mathématique robuste. Dans ce contexte, un premier volet du travail consistera à développer des modèles réduits adaptés aux procédés de soudage multipasses, capables de traiter simultanément les non-linéarités du comportement thermo-mécanique, le déplacement de l'apport de chaleur et du dépôt progressif de la matière (évolution du domaine). Un deuxième volet porte sur des techniques d'apprentissage automatique pour améliorer la précision des modèles réduits de soudage sans perdre leur interprétabilité physique. L'idée est de construire un jumeau numérique hybride du soudage basé sur le couplage de modèles réduits et de données expérimentales, afin de reconstruire l'état thermo-mécanique
du procédé et ses incertitudes dans des temps industriellement acceptables. L'objectif à terme est d'utiliser ce jumeau numérique pour faire le suivi et le contrôle en ligne du procédé. Le soudage à l'arc occupe une place importante dans la fabrication et la maintenance des composants du parc nucléaire d'EDF. Il est utilisé pour l'assemblage de structures critiques comme les gros composant ou les tuyauteries des circuits primaire et secondaire. Ces composants sont soumis à des sollicitations thermiques et mécaniques pendant les années de fonctionnement pour lesquels ces structures ont été conçues. Ces sollicitations en service peuvent être à l'origine de différents phénomènes d'endommagement tels que la fatigue thermique ou la corrosion sous contrainte. La maîtrise des procédés de soudage est donc fondamentale pour garantir la tenue en service de nombreux composants critiques du parc nucléaire français.
Toutefois, les forts gradients thermiques inhérents aux procédés à très haute température comme le soudage engendrent des déformations et des contraintes résiduelles qui peuvent affecter l'intégrité de la pièce et sa résistance mécanique. Être en mesure de prédire l'état mécanique résiduel et comprendre l'influence des paramètres des procédés d'une opération de soudage sur cet état résiduel permet de contribuer à la maîtrise de la fiabilité des composants en service. La nature de ces paramètres est diverse et variée, comptant des paramètres morphologiques ou des paramètres opératoires du soudage.
Dans ce contexte, la simulation numérique du soudage (SNS) est développée depuis de nombreuses années en s'appuyant sur la méthode des éléments finis. L'évolution de moyens informatiques a permis le développement de modèles de haute fidélité pour représenter les phénomènes physiques impliqués dans une opération de soudage. De plus en plus déployée dans l'industrie, la SNS a été identifiée comme un levier majeur pour permettre de lever les verrous scientifiques en ayant accès à des grandeurs d'intérêts difficilement mesurables ou non mesurables sans détruire le composant, comme les contraintes résiduelles ou l'écrouissage. Elle permet ainsi d'apporter des éléments de compréhension et de justification cruciaux pour la démonstration de la bonne tenue en service, ou dans le cadre de la justification de la
prolongation de la durée de vie des composants ou pour le dimensionnement de configurations de soudage optimales pour les futures fabrications.
Malgré son potentiel, la modélisation haute-fidélité par éléments finis se heurte à un verrou technologique majeur, qui est le coût computationnel. En effet, l'état mécanique d'une soudure dépendant de l'historique du processus, son évaluation requiert le calcul séquentiel thermo-mécanique tout au long de l'opération. Les relations fortement non-linéaires entre les paramètres, la gestion d'un volume d'analyse en constante évolution et la complexité des modèles de comportement nécessaires à la bonne description des phénomènes physiques s'ajoutent aux difficultés de la résolution du problème élément finis. Pour les assemblages massifs nécessitant un dépôt successif d'un grand nombre de cordons, les temps de calcul deviennent inatteignables. L'objectif principal de la thèse est de développer un modèle numérique du soudage capable de fournir, en temps compatible avec les besoins industriels, une estimation fiable de l'état thermo-mécanique d'une opération de soudage à partir de la combinaison de la physique, de l'intelligence artificielle et des données expérimentales, et ceci dans un cadre mathématique robuste.
Pour atteindre cet objectif, les verrous scientifiques suivants devront être levés :
- Verrou 1 : Compte tenu des difficultés classiques pour les méthodes de réduction de modèle,
comment développer des modèles réduits adaptés aux procédés de soudage multipasses, capables de traiter simultanément les non-linéarités du comportement thermo-mécanique, le déplacement de l'apport de chaleur et du dépôt progressif de la matière (évolution du domaine) ?
- Verrou 2 : Comment utiliser les techniques d'apprentissage automatique à l'état de l'art pour
améliorer la précision des modèles réduits de soudage sans perdre leur interprétabilité physique?
- Verrou 3 : Comment construire un jumeau numérique du soudage basé sur le couplage de
modèles réduits et de données expérimentales, afin de reconstruire l'état thermo-mécanique
du procédé et ses incertitudes dans des temps industriellement acceptables?
Verrou 4 : Dans le cadre de la PBDW, il faudra construire l'espace des observations expérimentales. Quelles mesures expérimentales (température, déplacement, déformation, etc.) apportent l'information la plus pertinente pour corriger le modèle réduit du soudage afin d'améliorer l'estimation de variables d'intérêt telles que les contraintes résiduelles et l'ecrouissage ? Des nombreuses méthodes ont été développées ces dernières années pour réduire le temps de calcul des simulations de soudage tout en préservant un niveau de précision satisfaisant par rapport à la solution obtenue par éléments finis. Allant des méthodes simplifiées aux méthodes
couplant physique et IA, l'accélération de temps de calcul pour les simulations numériques du soudage et de la fabrication additive est un domaine de recherche très actif.
La réduction de modèle est une voie prometteuse pour traiter les simulations à grand nombre de
passes. Les méthodes d'hyper-réduction et celles basées sur la PGD offrent des accélérations considérables même pour des configurations complexes et fortement non linéaires . Néanmoins, des barrières existent particulièrement sur l'utilisation de bases réduites avec une source qui
se déplace et un domaine d'intérêt qui évolue avec l'ajout de nouveaux cordons. La construction de bases définies dans le référentiel eulérien pourrait contourner certaines limites actuelles de ces approches.
L'apprentissage automatique ouvre la porte à des nouvelles méthodes hybrides qui combinent machine learning et réduction de modèle, capables de représenter des relations fortement non-linéaires en conservant un coût de calcul limité. Des développements récents dans ce domaine proposent des méthodes hybrides qui combinent des techniques classiques de réduction de modèle comme l'hyper-réduction et des réseaux de neurones.
Finalement, l'utilisation jointe de réduction de modèle, machine learning et de la disponibilité croissante de données expérimentales permettrait la construction de jumeaux numériques d'une opération de soudage. Ces jumeaux peuvent être basés sur la PGD, comme dans les travaux de RUBIO et al., 2021 ou de la Probabilistic PCA dans PEREIRA ÁLVAREZ et al., 2021. Ces travaux proposent des techniques d'assimilation de données par inférence bayesienne pour réaliser des prédictions en temps réel à partir d'observations. Dans ce contexte, l'assimilation de données serait utilisée pour enrichir ou corriger les prédictions d'un modèle réduit. La méthode PBDW (Parametrized-Background Data Weak) introduite par MADAY et al., 2015, en particulier, offre un cadre théorique robuste pour l'assimilation de données de problèmes transitoires (HAIK et al., 2023), en combinant un modèle réduit et des données expérimentales. Des évolutions récentes de la PBDW ont été appliquées au procédé LPBF en fabrication additive par CHAMOIN et al., 2024, où la PBDW a été utilisé pour réaliser des prédictions rapides du champ de température tout au long de la fabrication d'un composant. Une extension à cette méthode en incluant un modèle mécanique et des mesures de déplacement et/ou déformation est envisagée dans le cadre de la thèse.
Les moyens d'essai et d'instrumentation du laboratoire de soudage de Chatou permettront la réalisation de maquettes représentatives de configurations industrielles de soudage, ainsi que l'acquisition de données thermiques et mécaniques (BOUTIN, 2023) nécessaires pour la correction de modèles réduits thermo-mécaniques dans un cadre théorique basé sur la PBDW. Des mesures de température (ponctuelles par thermocouples et surfaciques par imagerie thermique) et mécaniques (déplacement, déformation) sont envisageables.

Diplôme d'ingénieur ou Master Recherche dans les thèmes de mathématiques appliquées et mécanique numérique
Un goût prononcé pour la modélisation et les méthodes numériques est attendu.
Des compétences en programmation et en techniques d'apprentissage sont également les bienvenues.