Mechanical submodels driven by machine learning : application to structural dynamics

Sous-modèles mécaniques pilotés par machine learning : application à la dynamique des structures

Hamza Boukraichi (1)

1 CDM - Centre des Matériaux

The primary goal of this thesis is to develop efficient and reliable numerical methods and deep learning methods for the reduction of parametric and/or non-parametric contact models in structural dynamics, including impact zone scenarios that can evolve over time on cabin aeronautical equipment. The approach is to determine a zone of interest in the physical model and construct models capable of generating boundary conditions to the physical model around the zone of interest. This modelisation will allow to explore the parametric space using the generative model while keeping the high-fidelity caracteristics of the physical solutions by solving the physical problem in the area of interest, and then use it to test out a variety of impact scenarios. Thus reducing the computational cost of the physical model. Our source code for Europlexus will be used to create the program. There will be more Python development for deep learning methods.

L'objectif principal de la thèse est le développement de méthodes numériques et des méthodes de deep learning efficaces et robustes pour la réduction des modèles paramétriques et/ou non-paramétriques de contact en dynamique des structures, avec des scénarios de zones d’impact qui peuvent évoluer au niveau de l’équipement aéronautique en cabine. L'approche consiste à déterminer une zone d'intérêt dans le modèle physique et à construire des modèles capables de générer des conditions aux limites autour de la zone d'intérêt pour le modèle physique. Cette modélisation permettra d'explorer l'espace paramétrique à l'aide du modèle génératif tout en conservant les caractéristiques de haute fidélité des solutions physiques en résolvant le problème physique dans la zone d'intérêt, puis de l'utiliser pour tester une variété de scénarios d'impact. Réduisant ainsi le coût de calcul du modèle physique. Notre code source pour Europlexus sera utilisé pour créer le programme. Il y aura plus de développement Python pour les méthodes d'apprentissage automatique.

Mots clés: Structural dynamics; Deep learning; Machine learning; Reduced order models; Generative models; Uncertainty quantification; Submodeling; Structural zoom; Supervised learning; Regression model

Mots clés: Dynamique des structures; Apprentissage profond; Apprentissage automatique; Modèles d'ordre réduit; Modèles génératifs; Quantification d'incertitude; Sous-modélisation; Zoom structurel; Apprentissage supervisé; Modèles de régression

Domaines: Matériaux

Hamza Boukraichi. Mechanical submodels driven by machine learning : application to structural dynamics. Materials. Université Paris sciences et lettres, 2023. English. ⟨NNT : 2023UPSLM003⟩. ⟨tel-04083179⟩