H/F Doctorant - Représentation des réseaux de dislocations pour l'apprentissage machine de la plasticit

Sujet de thèse :
Contexte du travail de doctorat

Les alliages métalliques cristallins sont des matériaux structurels par excellence en raison de leur combinaison unique de ductilité et de résistance, qui leur permet de se plier plutôt que de se fissurer sous l'effet de charges externes importantes. Les métaux sont également très durables car ils sont légers et facilement recyclables, donc économes en matières premières.
La déformation plastique des métaux est rendue possible par le mouvement collectif des dislocations, des défauts linéaires de déplacement plastique généralement contraints de se déplacer sur des plans cristallins à faible indice. Sous l'effet de charges répétées, les dislocations forment des réseaux denses et enchevêtrés à l'intérieur de la microstructure d'un métal, provoquant un écrouissage, une perte de ductilité et, finalement, une fracture. Prédire comment les réseaux de dislocations évoluent et conduisent à la défaillance d'un composant est un grand défi ouvert de l'ingénierie.
Les modèles théoriques de plasticité des dislocations sont essentiels, car les observations expérimentales ne sont qu'indirectes ou destructives. Malgré des décennies d'efforts pour obtenir une équation fermée pour l'évolution de la microstructure des dislocations, les méthodes actuelles sont inspirées de la physique mais ajustées à la main, manquant de représentations basées sur les données, essentielles pour exploiter les outils d'apprentissage automatique qui ont montré une grande capacité dans l'analyse et la prédiction. Des problèmes très similaires ont été rencontrés lors de la construction de potentiels atomistiques pour les simulations moléculaires ; la solution a été le développement de fonctions "descripteurs" à haute dimension pour représenter les ensembles de données atomiques.

Description du poste

Le poste de doctorant, qui fait partie du projet ANR DaPreDis (voir ci-dessous), permettra de construire un cadre de travail basé sur les données pour représenter les réseaux de dislocations, en s'inspirant des récentes avancées en matière d'apprentissage machine pour les systèmes atomiques.
Une première partie du travail de thèse sera consacrée à la génération de microstructures de dislocations en 3D à l'aide de simulations de pointe à l'échelle méso et atomique (dynamique des dislocations et dynamique moléculaire), puis à la conception d'une représentation pour la comparaison des données de dislocations provenant des deux types de simulations.
La représentation des données proposée devra respecter les symétries et les invariances des microstructures de dislocation et se conformer aux lois physiques connues.
Dans la deuxième partie de la thèse, les données issues des simulations DD et des prédictions ML seront exploitées pour révéler de nouveaux mécanismes physiques ou des corrélations de manière impartiale et axée sur les données. Les représentations de données développées seront utili
Voir plus sur le site emploi.cnrs.fr...