Artificial intelligence empowered by physics-based and data-driven hybrid models for casting simulation
Intelligence artificielle associée aux modèles physiques et hybrides pour la simulation des défauts de fonderie
Résumé
In industrial environments, there are several techniques of material forming. Casting is a widely used material forming process to produce a required shape with less raw material consumption. It can be operated to form various metals such as aluminum alloys. However, various defects might appear in the resulting part that can contribute on crack initialization and fatigue resistance decreasing such as shrinkage porosity. This fact highlights the importance of studying the presence of these defaults in the resulting part. Though numerical simulation and experimental approaches have been playing a prominent role in process design to circumvent these anomalies. It would take rounds of simulation with a particular set of parameters to come with an optimized process configuration. In this work, Artificial Intelligence-based methods are proposed to learn on sparse simulation data and generate efficient real-time simulation results. These models can be enriched by experimental data in order to develop hybrid-twins that predict and correct the gap between experimental and simulations results. The efficiency of the proposed methodologies is evaluated on various study cases. These solutions can contribute to open perspectives for more data-driven solutions that minimize the time-cost in the design stage.
Dans le milieu industriel, il existe plusieurs techniques de mise en forme des matériaux. La fonderie est un procédé de formage des matériaux largement utilisé pour produire une forme requise en minimisant la consommation de matières premières. Il peut être utilisé pour former divers métaux tels que les alliages d'aluminium. Divers défauts peuvent apparaître dans la pièce résultante et contribuer à l'initialisation de fissures et la diminution de la résistance à la fatigue, comme les porosités et les retassures. Ce fait souligne l'importance d'étudier la présence de ces défauts dans la pièce obtenue. La simulation numérique et les approches expérimentales jouent un rôle important dans la conception du processus pour contourner ces anomalies. Il faudrait prévoir des séries de simulations avec un ensemble particulier de paramètres pour arriver à une configuration de processus optimisée. Dans cette thèse, des méthodes basées sur l'intelligence artificielle sont proposées pour apprendre sur des données de simulation et générer des résultats de simulation efficaces en temps-réel. Ces modèles peuvent être enrichis par des données expérimentales afin de développer des jumeaux hybrides qui prédisent et corrigent l'écart entre les résultats expérimentaux et les simulations. L'efficacité des méthodologies proposées est évaluée sur différents cas d'étude. Ces solutions peuvent contribuer à ouvrir des perspectives pour des solutions plus axées sur les données qui minimisent le coût du temps dans la phase de conception.
Origine : Version validée par le jury (STAR)