Stage M2 : Identification inverse des propriétés des matériaux à partir d’un spectre de fréquences

Unité : CERI MP

Responsable hiérarchique : Directrice du Centre d’Enseignement, de Recherche et d’Innovation Matériaux Procédés (CERI MP)

Catégorie : Étudiant

Nature de l’emploi : Stage

Lieu de travail : IMT Nord Europe Centres de Recherche Matériaux et Procédés 764, Boulevard Lahure 59508 Douai, Laboratoire de Mécanique, Multiphysique, Multiéchelle (LaMcube) - UMR 9013

Contexte :

La caractérisation des structures reste un enjeu d’actualité pour l’ingénieur qui souhaiterait connaitre le comportement du système pour une application donnée en vue d’améliorer les performances. Cela devient davantage nécessaire dans le domaine des sciences des matériaux et en particulier pour des applications telles que l'impression 3D, les matériaux composites, etc., où le lien entre le procédé d’obtention et les propriétés des matériaux sont intimement lié. Les méthodes de caractérisations expérimentales traditionnelles (tel que la corrélation d’images par exemple, les jauges de déformations etc.), nécessitent des compétences poussées et du matériel spécifiques qui ne sont souvent pas accessibles facilement aux ingénieurs. Afin de pallier ces difficultés, d’autres méthodes sont envisageables tel que la caractérisation modale du système. La condition sine qua non réside dans l’élaboration d’un outil permettant d’identifier les propriétés à partir d’un spectre fréquentiel. L’intelligence artificielle (IA) semble être un candidat pertinent.

Méthodologie :

La méthodologie consistera à partir de quantités mesurables tel que la géométrie, sa masse globale ainsi que les fréquences propres du système. Partant de ce principe, une base de données doit être générée pour l’entraînement de l’IA spécifique. Celle-ci sera générée à partir de modélisation Éléments Finis.

Objectif du Stage :

L’objectif de ce projet est de constituer une base de données numérique dédiée à l’identification des paramètres des lois de comportement en analysant les réponses dynamiques de systèmes. Un autre objectif est de développer l’algorithme IA en utilisant des techniques de Machine Learning et de Deep Learning. En associant intelligence artificielle et simulation numérique via la méthode des éléments finis pour générer une base de données exhaustive, cette approche pourra être appliquée aux validations expérimentales. Dans un premier temps, on validera le concept sur un matériau homogène puis on traitera, dans un second temps, de matériau présentant des hétérogénéités. 

Missions :

1.    Étude de l’état de l’art : 

1. Analyser les méthodes actuelles de caractérisation des matériaux et identifier les défis spécifiques associés aux matériaux dont la caractérisation est complexe.

2.    Modélisation et Analyse des données :

1. Générer une base de données en utilisant un logiciel d’éléments finis pour établir une connexion entre les données numériques, les résultats expérimentaux et les modèles d'intelligence artificielle.

3.    Développer l’algorithme IA adéquate :

En s'appuyant sur l’expérience de l’équipe encadrante, le/la stagiaire déterminera l’architecture pertinente pour répondre au problème posé

Profil recherché :

• Étudiant(e) en dernière année de cycle ingénieur ou master en sciences des matériaux, mécanique, ou data science.

• Compétences en mécanique des matériaux, intelligence artificielle (Machine Learning/Deep Learning), et simulation numérique.

• Autonomie, rigueur, esprit d’analyse, et capacité à travailler en équipe.

Références

[1] Reu, Philipp L., et al. "DIC challenge 2.0: developing images and guidelines for evaluating accuracy and resolution of 2D analyses: focus on the metrological efficiency indicator." Experimental Mechanics 62.4 (2022): 639-654.

[2] Motamedi Nikzad, Hazem Wannous, and Vincent Magnier. "Deep learning identifies transversely isotropic material properties using kinematics fields." International Journal of Mechanical Sciences 283 (2024): 109672.

[3] Kirchdoerfer, Trenton, and Michael Ortiz. "Data-driven computational mechanics." Computer Methods in Applied Mechanics and Engineering 304 (2016): 81-101.

[4] Koeppe, Arnd, et al. "Explainable artificial intelligence for mechanics: physics-explaining neural networks for constitutive models." Frontiers in Materials 8 (2022): 824958.

Conditions :

Le stage est à pourvoir à compter de la date de début de stage selon les conventions pour une durée de 5 à 6

mois.

Renseignements et modalités de dépôt de candidature :

•          Pour tout renseignement sur le poste, merci de vous adresser à Nikzad Motamedi, Vincent Magnier, Salim Chaki

• Nikzad Motamedi (Enseignant Chercheur): nikzad.motamedi@imt-nord-europe.fr

• Vincent Magnier (Enseignant Chercheur): vincent.magnier@polytech-lille.fr

• Salim Chaki (Enseignant Chercheur): salim.chaki@imt-nord-europe.fr

•          Pour tout renseignement administratif, merci de vous adresser à la Direction des Ressources Humaines : jobs@imt-nord-europe.fr  

•          Cet emploi est proposé en mobilité pour un fonctionnaire ou bien sous forme de contractuel de droit public.

•          Par ailleurs, le poste peut être aménagé pour une personne en situation de handicap.

Date limite de candidature : 15/01/2025