Bienvenue aux Mines Paristech
Bienvenue à MINES ParisTech
Newsletter International
Website
Théorie & Pratique
Vous êtes

webTV

Lecture

Séminaire PSL - Écosystèmes de médias I Session 4 Partie 4

Lecture

Séminaire PSL - Écosystèmes de médias I Session 4 Partie 2

Lecture

Séminaire PSL - Écosystèmes de médias I Session 4 Partie 3

Lecture

Séminaire PSL - Écosystèmes de médias I Session 4 Partie 1

Lecture

Lancement de la Chaire DEEP unissant HUTCHINSON, l'ESPCI et MINES ParisTech

+ Toutes les vidéos

Partager

SUJET POURVU - Modèles réduits par apprentissage automatique pour l'étude de la nocivité de défauts, Z-ROM Z-learn

SUJET POURVU - Modèles réduits par apprentissage automatique pour l'étude de la nocivité de défauts, Z-ROM Z-learn

SUBJECT OF THESIS PROVIDED - Machine learning for defect acceptability by using reduced-order modeling, Z-ROM Z-learn

Proposition de thèse

Spécialité

Mécanique

Ecole doctorale

SMI - Sciences des Métiers de l'Ingénieur

Directeur de thèse

RYCKELYNCK David

Co-directeur de thèse

BESSON Jacques

Unité de recherche

Centre des Matériaux

ContactDavid Ryckelynck
Date de validité

01/10/2018

Site Webhttp://www.mat.mines-paristech.fr/Recrutements/Theses/
Mots-clés

Apprentissage piloté par la simulation, dictionnaire de défauts, modélisation multi-échelle, aéronautique, énergie, HPC

Simulation-driven machine learning, dictionary of defects, multi-scale modeling, aeronautics, energy, HPC

Résumé

Nous proposons de développer une méthode de réduction de modèle par apprentissage automatique (machine learning) pour l'analyse de la nocivité de défauts en mécanique des matériaux. Des algorithmes d'apprentissage automatique ont récemment été proposés pour l'analyse de défauts, pour des pipelines [1], dans le domaine de l'aéronautique [2] ou celui des procédés de fabrication [3]. Par ailleurs, simulation numérique et apprentissage automatique ont montré leur complémentarité, par exemple pour l'étude de défauts dans des roulements à bille [4]. L'approche « Simulation-driven machine learning » [4] est très attrayante lorsque l'on dispose de modèles. Par ailleurs, les méthodes d'apprentissage automatique permettent d'éviter le paramétrage des objets à modéliser. C'est une propriété particulièrement intéressante pour l'analyse des défauts. On les représentera à l'aide d'images (2D ou 3D).
Dans le cadre de cette thèse nous nous intéresserons à des défauts locaux dans des matériaux métalliques ductiles. L'objectif de la thèse est de constituer des dictionnaires de modèles numériques permettant une décision rapide sur la nocivité d'un défaut local. Ce type de décision a lieu en phase de production ou en phase d'exploitation de composants mécaniques. Les dictionnaires permettront de couvrir de larges variations de paramètres de comportement ou de chargement et aussi une grande variété de géométries différentes.
On propose de constituer un premier dictionnaire de modèles mécaniques de pièces saines, sans défauts, à l'échelle macroscopique ou mésoscopique. Les modèles de ce dictionnaire seront des modèles hyper-réduits issus d'une méthode proposée dans [5]. Cette méthode a récemment été étendue, afin de pouvoir insérer des défauts locaux dans un modèle sans défaut. Elle permet l'étude de nocivité en réduisant considérablement le nombre d'équations mécaniques à résoudre (plusieurs ordres de grandeur). Dans cette approche, l'insertion de défaut passe par un modèle réduit du défaut, considéré comme isolé dans un milieu infini. Le deuxième dictionnaire que l'on propose de développer est celui de modèles réduits de défauts isolés en milieu infini. On considèrera des données expérimentale 2D ou 3D (issues de tomographies aux rayons X) pour traiter des défauts réalistes. Les deux dictionnaires ainsi constitués permettront de donner plus de valeurs aux données expérimentales et aux données de simulation qui sont générées pendant les études de nocivité de défaut.
L'analyse des défauts en milieu infini sera traitée en associant la méthode des éléments finis et la méthode FFT. La première capte très bien les gradients de contrainte et la seconde est très rapide d'exécution. On portera une attention particulière à la généricité des algorithmes développés afin qu'ils puissent être réutilisés rapidement par des chercheurs en mécanique des matériaux. De plus, il faudra prévoir une procédure d'enrichissement de la base des données de défauts isolés et de la base de données des modèles sans défaut.

We propose to develop a machine learning approach to model order reduction method for the analysis of the harmfulness of defects in materials mechanics. Machine learning algorithms have recently been proposed for defect analysis, for pipelines [1], in aeronautics [2] or in manufacturing processes [3]. In addition, numerical simulation and machine learning have shown their complementarity, for example for the study of defects in bearings [4]. The 'Simulation-driven machine learning' approach [4] is very attractive when models are available. In addition, the machine learning methods make it possible to avoid the parameter setting of the objects to be modeled. This is a particularly interesting property for defect analysis. They will be represented using images (2D or 3D).
In this thesis we will focus on local defects in ductile metallic materials. The objective of the thesis is to constitute dictionaries of numerical models allowing a quick decision on the harmfulness of a local defect. This type of decision takes place during the production phase or during the operation phase of mechanical components. The dictionaries will cover wide variations in behavior or loading parameters and also a wide variety of different geometries.
It is proposed to constitute a first dictionary of mechanical models of sound parts, without defects, on a macroscopic or mesoscopic scale. The models in this dictionary will be hyper-reduced models from a method proposed in [5]. This method has recently been extended, in order to be able to insert local defects in a defect-free model. It allows the study of harmfulness by considerably reducing the number of mechanical equations to solve (several orders of magnitude). In this approach, the defect insertion passes through a reduced model of the defect, considered as isolated in an infinite environment. The second dictionary that is proposed to be developed is that of reduced models of isolated defects in an infinite environment. Experimental 2D or 3D data (from X-ray tomography) will be considered to treat realistic defects. The two dictionaries thus constituted will make it possible to give more values to the experimental data and to the simulation data, which are generated during the studies of harmfulness of defect.
The analysis of defects in infinite medium will be treated by combining the finite element method and the FFT method. The first captures stress gradients very well and the second is very fast to execute. Particular attention will be paid to the generality of the algorithms developed, so that they can be quickly reused by researchers in materials mechanics. In addition, a procedure will be required to enrich the single defect database and the defect-free model database.


[1] Mohamed Layouni, Mohamed Salah Hamdi and Sofiane Tahar, Detection and sizing of metal-loss defects in oil and gas pipelines using pattern-adapted wavelets and machine learning, Applied Soft Computing, (2017), https://doi.org/10.1016/j.asoc.2016.10.040.
[2] Biagio, Marco San Beltràn-Gonzàlez, Carlos, Giunta Salvatore, Bue Alessio Del and Murino Vittorio, Automatic inspection of aeronautic components, Machine Vision and Applications, (2017), https://doi.org/10.1007/s00138-017-0839-1
[3] Carlos A Escobar and Ruben Morales-Menendez, Machine learning techniques for quality control in high conformance manufacturing environment, Advances in Mechanical Engineering, (2018), https://doi.org/10.1177/1687814018755519
[4] Cameron Sobie, Carina Freitas and Mike Nicolai, Simulation-driven machine learning: Bearing fault classification, Mechanical Systems and Signal Processing, (2018), https://doi.org/10.1016/j.ymssp.2017.06.025
[5] D. Ryckelynck, K. Lampoh, S. Quilici, Hyper-reduced predictions for lifetime assessment of elasto-plastic structures, Meccanica, (2015), DOI 10.1007/s11012-015-0244-7

Thesis program:
- Preliminary study of a case of a cracked pipe by using the hyper-reduction method available in the research version of the Z-set software developed at the Materials Center.
- Implementation of a digital environment for the development of dictionaries for Z-set.
- Coupling of the FFT method and the finite element method for the insertion of defects in hyper-reduced Z-set models
- Realization of a very large number of simulations by HPC for learning dictionaries.
- Development of a method for using dictionaries by automatic learning. The software developed will be called Z-learn. It will be open-source. It will be written in python to benefit from the many libraries available for automatic learning (Tensor Flow, Keras, ...).
- Development of a partial and mesoscopic regularization method for the study of localized damage.

Contexte

Déroulement de la thèse :
- Etude préliminaire d'un cas de tube fissuré par la méthode d'hyper-réduction en exploitant la méthode d'hyper-réduction de modèle disponible dans la version recherche du logiciel Z-set développée au Centre des Matériaux.
- Mise en place d'un environnement digital pour le développement de dictionnaires pour Z-set.
- Couplage de la méthode FFT et de la méthode des éléments finis pour l'insertion de défauts dans des modèles hyper-réduits issus de Z-set
-Réalisation d'un très grand nombre de simulations par HPC pour l'apprentissage de dictionnaires.
- Développement d'une méthode d'exploitation des dictionnaires par apprentissage automatique. Le logiciel développé sera appelé Z-learn. Il sera open-source. Il sera écrit en python pour bénéficier des nombreuses librairies disponibles pour l'apprentissage automatique (Tensor Flow, Keras, …).
- Développement d'une méthode de régularisation partielle et mésoscopique, pour l'étude de dommages localisés.

Encadrement

Directeur de thèse : David Ryckelynck
Co-directeur : Jacques Besson
Co-encadrant : François Willot
Support scientifique et technique : Basile Marchand

Profil candidat

Profil type pour une thèse à MINES ParisTech: Ingénieur et/ou Master recherche - Bon niveau de culture générale et scientifique. Bon niveau de pratique du français et de l'anglais (niveau B2 ou équivalent minimum). Bonnes capacités d'analyse, de synthèse, d'innovation et de communication. Qualités d'adaptabilité et de créativité. Capacités pédagogiques. Motivation pour l'activité de recherche. Projet professionnel cohérent.
Pré-requis (compétences spécifiques pour cette thèse) : mathématiques appliquées ou machine learning ou mécanique numérique

Pour postuler : Envoyer votre dossier à recrutement_these@mat.mines-paristech.fr comportant :

• un curriculum vitae détaillé
• une lettre de motivation/projet personnel
• des relevés de notes L3, M1, M2
• 2 lettres de recommandation
• Une attestation de niveau d'anglais

Typical profile for a thesis at MINES ParisTech: Engineer and / or Master of Science - Good level of general and scientific culture. Good level of knowledge of French (B2 level in french is required) and English. (B2 level in english is required) Good analytical, synthesis, innovation and communication skills. Qualities of adaptability and creativity. Teaching skills. Motivation for research activity. Coherent professional project.
Prerequisite (specific skills for this thesis): applied mathematics, machine learning or computational mechanics

Applicants should supply the following :
a detailed resume
a covering letter explaining the applicantÂ's motivation for the position
detailed exam results
two references : the name and contact details of at least two people who could be contacted
to provide an appreciation of the candidate
Your notes of M1, M2
level of English equivalent TOEIC

to be sent to recrutement_these@mat.mines-paristech.fr

Références

[1] Mohamed Layouni, Mohamed Salah Hamdi and Sofiane Tahar, Detection and sizing of metal-loss defects in oil and gas pipelines using pattern-adapted wavelets and machine learning, Applied Soft Computing, (2017), https://doi.org/10.1016/j.asoc.2016.10.040.
[2] Biagio, Marco San Beltràn-Gonzàlez, Carlos, Giunta Salvatore, Bue Alessio Del and Murino Vittorio, Automatic inspection of aeronautic components, Machine Vision and Applications, (2017), https://doi.org/10.1007/s00138-017-0839-1
[3] Carlos A Escobar and Ruben Morales-Menendez, Machine learning techniques for quality control in high conformance manufacturing environment, Advances in Mechanical Engineering, (2018), https://doi.org/10.1177/1687814018755519
[4] Cameron Sobie, Carina Freitas and Mike Nicolai, Simulation-driven machine learning: Bearing fault classification, Mechanical Systems and Signal Processing, (2018), https://doi.org/10.1016/j.ymssp.2017.06.025
[5] D. Ryckelynck, K. Lampoh, S. Quilici, Hyper-reduced predictions for lifetime assessment of elasto-plastic structures, Meccanica, (2015), DOI 10.1007/s11012-015-0244-7

Type financement

Financement d'un Etablissement d'enseignement supérieur

Retour à la liste des propositions

actualité

Vladislav Yastrebov, Médaille de bronze CNRS 2018

Formation Vladislav Yastrebov, Médaille de bronze CNRS 2018 " La médaille de bronze récompense un premier travail…
> En savoir +

Plenesys, spin-off de l'École, Grand prix i-Lab 2018

Formation Plenesys, spin-off de l'École, Grand prix i-Lab… Belle reconnaissance pour la recherche conduite au sein du…
> En savoir +

Marguerite Champion galope vers la victoire

Formation Marguerite Champion galope vers la victoire Marguerite Champion, discrète élève ingénieure de 1 re année,…
> En savoir +

Le Rapport d'activité 2017 est en ligne

Formation Le Rapport d'activité 2017 est en ligne « L'ambition de MINES ParisTech : former des…
> En savoir +

Pluie de récompenses pour le CGS

Formation Pluie de récompenses pour le CGS La FNEGE, qui célèbre cette année ses 50 ans, organise la…
> En savoir +

+ Toutes les actualités

agenda

Du 5 juin au 3 août 2018 Boganium, Handwavium et les autres

Le 11 septembre 2018 10 e anniversaire de la Chaire "Modélisation…

Du 18 septembre au 14 décembre 2018 Musique aux Mines 2018

Du 5 juin au 3 août 2018 Boganium, Handwavium et les autres

Le 11 septembre 2018 10 e anniversaire de la Chaire "Modélisation…

Du 18 septembre au 14 décembre 2018 Musique aux Mines 2018

+ Tous les événements

contact

Régine MOLINS
Direction de l'Enseignement
Service du Doctorat
> envoyer un mail

Plan du site
MINES
ParisTech

60, Boulevard Saint-Michel
75272 PARIS Cedex 06
Tél. : +33 1 40 51 90 00

Implantations
Formation
Mentions légales | efil.fr | ©2012 MINES ParisTech | +33 1 40 51 90 00 |