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

webTV

Lecture

Aftermovie du H4ck@mines 2019 MINES ParisTech

Lecture

MIG 2019 - Systèmes embarqués

Lecture

Teaser Journées Portes Ouvertes

Lecture

Season's Greetings - Meilleurs voeux 2019

Lecture

Plan stratégique de l'Ecole

+ Toutes les vidéos

Partager

POURVU - Réduction de modèles de contact en dynamique des structures : application au dimensionnement

POURVU - Réduction de modèles de contact en dynamique des structures : application au dimensionnement

PROVIDED - Model order reduction for contact problems in structural dynamics: application to the dimensioning of aeronautical cabin components

Proposition de thèse

Spécialité

Mécanique

Ecole doctorale

Ingénierie des Systèmes, Matériaux, Mécanique, Énergétique

Directeur de thèse

RYCKELYNCK David

Unité de recherche

Centre des Matériaux

Contact
Date de validité

01/10/2019

Site Webhttp://www.mat.mines-paristech.fr/Formations/Etudes-doctorales/
Mots-clés

Dynamique explicite, réduction de modèle, crash, machine learning

Explicit dynamic, model reduction, crash, machine learning

Résumé

Comme dans de très nombreux domaines industriels, la simulation numérique est un outil incontournable, utilisé dans toutes les étapes des activités de Safran. Elle met en oeuvre des codes de calculs complexes, dont la durée de résolution par simulation peut atteindre plusieurs heures, voire plusieurs jours. En général, nous sommes dans un contexte de problème paramétré pour lequel une résolution ne suffit pas : les études d'optimisation ou propagation d'incertitudes nécessitent des résolutions pour un nombre important de valeurs paramétriques : il est en pratique impossible d'utiliser des modèles compliqués.
Aussi, afin de rendre possibles le calcul intensif pour des applications comme les études paramétriques, l'optimisation et le contrôle de design, les modèles élément finis multi-échelles requièrent la réduction du nombre d'inconnues.
Nous nous intéressons plus particulièrement au dimensionnement des équipements aéronautiques cabine, où un grand nombre de régimes de fonctionnement, ou de scénarios, sont à prévoir sur une base de simulations de crash par dynamique rapide. Aussi, il devient indispensable de prendre en compte la variabilité et les différents scénarios, à travers des approches de multi-fidélité qui se basent sur des méthodes de réduction d'ordre des équations de la physique mais aussi sur des approches stochastiques. Grâce à ces approches de multi-fidélité, il serait possible aussi d'intégrer des données d'essais dans les modèles réduits en vue d'améliorer leur robustesse et leur prédictibilité par rapport à une large gamme de scénarios.

As in many other industrial sectors, digital simulation is an essential tool used in all stages of Safran's activities. It implements complex calculation codes, whose resolution time by simulation can reach several hours or even several days. In general, we are in a context of a parameterized problem for which one solution is not enough: optimization studies or uncertainty propagation require resolutions for a large number of parametric values: it is in practice impossible to use complicated models.
Also, in order to make intensive computing possible for applications such as parametric studies, optimization and design control, multi-scale finite element models require the reduction of the number of unknowns.
We are particularly interested in the sizing of cabin aircraft equipment, where a large number of operating regimes, or scenarios, are to be expected on the basis of fast dynamic crash simulations. It is also becoming essential to take into account variability and different scenarios, through multi-fidelity approaches based on methods for reducing the order of physics equations but also on stochastic approaches. Through these multi-fidelity approaches, it would also be possible to integrate test data into the scale models to improve their robustness and predictability over a wide range of scenarios

Contexte

Nous nous intéressons plus particulièrement au dimensionnement des équipements aéronautiques cabine, où un grand nombre de régimes de fonctionnement, ou de scénarios, sont à prévoir sur une base de simulations de crash par dynamique rapide. Aussi, il devient indispensable de prendre en compte la variabilité et les différents scénarios, à travers des approches de multi-fidélité qui se basent sur des méthodes de réduction d'ordre des équations de la physique mais aussi sur des approches stochastiques. Grâce à ces approches de multi-fidélité, il serait possible aussi d'intégrer des données d'essais dans les modèles réduits en vue d'améliorer leur robustesse et leur prédictibilité par rapport à une large gamme de scénarios.

Encadrement

Directeur de thèse : RYCKELYNCK David - Centre des Matériaux

Profil candidat

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.
Elève de Mines ParisTech ou d'une formation équivalente, ayant une pratique de la modélisation en mécanique et de l'apprentissage statistique

Pré-requis (compétences spécifiques pour cette thèse) : Des bases solides en mathématiques appliquées et en mécanique.

Pour postuler :
Envoyer votre dossier à recrutement_these@mat.mines-paristech.fr comportant :
• un curriculum vitae détaillé
• une copie de la carte d'identité ou passeport
• une lettre de motivation/projet personnel
• des relevés de notes L3, M1, M2
• 2 lettres de recommandation
• les noms et les coordonnées d'au moins deux personnes pouvant être contactées pour recommandation
• une attestation de niveau d'anglais

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.

Applicants should supply the following :
• a detailed resume
• a copy of the identity card or passport
• 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

Résultat attendu

Résultats attendus :
T0 : (i) Recherche bibliographique.
T0 + 6 mois : (i) Construction d'un cas test représentatif en dynamique des structures avec impact.
T0 + 12 mois : (i) Mise en place de l'approche de réduction de modèles avec une base réduite générée à partir d'un GAN. (ii) Détermination de la technique de réduction de modèles à adopter une fois la base réduite d'un scénario est générée.
T0 + 18 mois : (i) Développement numérique et recherche approfondie sur la performance et la robustesse de cette méthode. (ii) Proposition et contribution au progrès des connaissances en deep learning exploitant des données de simulation et en réduction de modèles en dynamique du contact.
T0 + 24 mois : (i) Test de la méthode sur un cas industriel d'impact aéronautique en cabine.
T0 + 30 mois : Rédaction du manuscrit de thèse, participation aux conférences internationales et formation à l'insertion professionnelle

Objectif

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 : il s'agit de pouvoir explorer rapidement des scénarios d'impact différents, en construisant rapidement une base réduite déterminant les conditions aux limites de contact et/ou des champs physiques du siège déformé du scénario sous-jacent et ensuite, d'affiner l'étude de la variabilité spatiale , temporelle et paramétrique du scénario en fonction d'un modèle d'ordre réduit physique stable associé à la base réduite générée. Ce modèle d'ordre réduit est celui du calcul élément finis coûteux du siège déformé.

Références

Abigail Hunter Bryan A. Moore, Maruti Mudunuru, Viet Chau, Roselyne Tchoua, Chandramouli Nyshadham, Satish Karra, Daniel O'Malley, Esteban Rougier, Hari Viswanathan, Gowri Srinivasan Reduced-order modeling through machine learning and graph-theoretic approaches for brittle fracture applications [Revue] // Computational Materials Science. - 2019. - 1 : Vol. 157. - pp. 87-98.
Akkari N. Mercier R., Moureau V. Geometrical reduced order modeling by proper orthogonal decomposition for the incompressible Navier-Stokes equations [Revue] // AIAA Aerospace Sciences Meeting, AIAA SciTech Forum, (AIAA 2018-1827). - 2018.
An SS. Kim T., James DL. Optimizaing cubature for efficient integration of subspace deformations [Revue] // ACM
Transactions on Graphics (TOG). - 2008. - 5 : Vol. 27. - pp. 1-10.
Balajewicz M. Amsallem D., Farhat C. Projection-based model reduction for contact problems [Revue] // Int. J. Numer. Meth. Engng. - 2015.
Casenave F. Akkari N., Bordeu F., Rey C., Ryckelynck D. A Nonintrusive Distributed Reduced Order Modeling Framework for nonlinear structural mechanics -- application to elastoviscoplastic computations [Revue] // Arxiv. - 2018.
Chiara Gastaldi Stefano Zucca, Bogdan I. Epureanu Jacobian projection reduced order models for dynamic systems with contact nonlinearities [Revue] // Mechanical systems and signal processing. - 2018. - 1 : Vol. 100. - pp. 550-569.
D. Ryckelynck A priori hyperreduction method: an adaptive approach [Revue] // Journal of Computational Physics. - 2005. - 1 : Vol. 202. - pp. 346-366.
Everson R. Sirovich L. Karhunen Loeve procedure for Gappy data [Revue] // J. Opt. Soc. Am. A.. - 1995. - 12 : Vol. 8. - pp. 1657-1664.
Farhat C. Avery P., Chapman T., Cortia J. Dimensional reduction of nonlinear finite element dynamic models with finite rotations and energybased mesh sampling and weighting for computational efficiency [Revue] // International Journal for Numerical Methods in Engineering. - 2014. - 9 : Vol. 98. - pp. 625-662.
Fauque J. Ramière I., Ryckelynck D. [En ligne] // Club utilisateurs Cast3M. - 2017. - www-cast3m.cea.fr/html/ClubCast3m/club2017.
Holmes P. Low dimensional modeling of turbulence using the POD: A tutoriel [Ouvrage]. - [s.l.] : Springer, 2005.
Jia-Peng Liu Xuan-Bo Shu, Hiroyuki Kanazawa, Kengo Imaoka, Aki Mikkola, Ge-Xue Ren A model order reduction for the simulation of gear contacts based on Arbitrary Lagrangian Eulerian formulation [Revue] // Comput. Methods. Appl. Mech. Engrg. . - 2018. - Vol. 338. - pp. 68-96.
L. Sirovich Turbulence and the dynamics of coherent structures. Part I: coherent structures. [Revue] // Quarterly of Applied Mathematics. - 1987. - pp. 788-791.
Nguyen F. Barhli S., Pino Munoz D., Ryckelynck D. Computer vision with error estimation for reduced order modeling of macroscopic mechanical tests [Revue] // Complexity. - 2018. - Vol. 2018. - pp. 1-10.
P. Wriggers Computational Contact Mechanics [Revue]. - [s.l.] : Springer, 2006.
Simo J.C. Laursen T.A. An augmented Lagrangian treatment of contact problems involving friction [Revue] // Computers & Structures. - 1992. - 1 : Vol. 42. - pp. 97-116.
Y. Le Guennec J.-P. Brunet, F.-Z. Daim, M. Chau, Y. Tourbier A parametric and non-intrusive reduced order model of car crash simulation [Revue] // Computer Methods in Applied Mechanics and Enginnering. - 2018. - Vol. 338. - pp. 186-207.
Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio Generative Adversarial Networks in NIPS 2014
Martin Arjovsky, Soumith Chintala, Léon Bottou Wasserstein GAN arxiv.org 2017
Lars Mescheder, Andreas Geiger, Sebastian Nowozin Which Training Methods for GANs do actually Converge? in arxiv.org 2018
Alexia Jolicoeur-Martineau The relativistic discriminator: a key element missing from standard GAN in ICLR 2019
Antoine Labatie Characterizing Well-behaved vs. Pathological Deep Neural Networks in ICML 2019
Byungsoo Kim, Vinicius C. Azevedo, Nils Thuerey, Theodore Kim, Markus Gross, Barbara Solenthaler Deep Fluids: A Generative Network for Parameterized Fluid Simulations in Eurographics 2019
You Xie, Erik Franz, Mengyu Chu, Nils Thuerey tempoGAN: A Temporally Coherent, Volumetric GAN for Super-resolution Fluid Flow SIGRGAPH 2019
Xintao Wang, Ke Yu, Shixiang Wu, Jinjin Gu, Yihao Liu, Chao Dong, Chen Change Loy, Yu Qiao, Xiaoou Tang ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks arxiv.org 2018

Type financement

Convention CIFRE

Retour à la liste des propositions

actualité

Agir pour renforcer le doctorat en Europe

Formation Agir pour renforcer le doctorat en Europe Le projet IDEAL vise à développer l’impact…
> En savoir +

L'intelligence artificielle pour la santé

Formation L'intelligence artificielle pour la santé Le jeudi 27 juin, l' Association des Instituts Carnot…
> En savoir +

Télécommunications acoustiques MIMO

Formation Télécommunications acoustiques MIMO Arthur Aubertin, doctorant au Centre de recherche en…
> En savoir +

Concours étudiant sur les réseaux électriques intelligents

Formation Concours étudiant sur les réseaux électriques… La 5 e édition du concours étudiant sur les réseaux…
> En savoir +

Prix Maurice Allais de Science économique 2019

Formation Prix Maurice Allais de Science économique 2019 Deux articles primés Le Jury a unanimement souhaité cette…
> En savoir +

+ Toutes les actualités

agenda

Du 4 juin au 28 septembre 2019 Dons du Ciel - Des météorites et des hommes

Du 24 août au 30 septembre 2019 L'École des Mines de Paris - 39-45 Engagement et…

Du 18 septembre au 17 octobre 2019 Musique aux Mines

Du 21 au 22 septembre 2019 Les Journées européennes du patrimoine

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