Real-time prediction of mechanical stresses in welding by a library of surrogate models
Prévision en temps réel de contraintes mécaniques en soudage par une bibliothèque de métamodèles
Abstract
We propose developing a real-time offline/online data assimilation strategy for the estimation of physical fields and unknown parameters based on local probabilistic surrogate models and infrared thermography. The recent contributions of machine learning algorithms and model order reduction methods make it possible to obtain phenomenological models that can be used in real-time to evaluate the risk of drift during welding. These surrogate models are built from high-fidelity finite element simulations performed offline. Online, real-time predictions will be made using multiphysics surrogate models and surface temperature observations obtained with an infrared camera.
Nous proposons le développement d’une stratégie d’assimilation de données offline/online en temps réel pour l’estimation de champs physiques et paramètres inconnus basée sur des métamodèles probabilistes locaux et thermographie infrarouge. Les apports récents des algorithmes d'apprentissage automatique et des méthodes de réduction de modèle permettent d’obtenir des modèles phénoménologiques exploitables en temps réel afin d'évaluer un risque de dérive lors du soudage. Ces métamodèles sont construits à partir de simulations haute-fidélité par éléments finis faites offline. Online, les prévisions en temps réel seront réalisées à l'aide de métamodèles de champs multiphysiques et d’observations surfaciques de température par caméra infrarouge.
Origin : Version validated by the jury (STAR)