Cette thèse s'inscrit dans le contexte de l'extension de la durée d'exploitation des réacteurs électronucléaires du parc nucléaire français. L'irradiation neutronique des aciers de cuve des réacteurs (acier 16MND5), qui augmente avec la durée d'exploitation, provoque de nombreux changements de leur microstructure et modifie leurs réponses viscoplastiques et leurs propriétés à rupture (durcissement et fragilisation sous irradiation).

Dans ce contexte, l'ASNR ambitionne de développer des outils d'expertise lui permettant d'évaluer la propagation d'une fissure dans un acier de cuve irradié, sous un chargement accidentel.

La thèse a pour objectif de développer un modèle de comportement plastique à l'échelle du polycristal, capable d'utiliser une loi de comportement de plasticité cristalline adaptée à un acier de cuve irradié. Le modèle de comportement développé devra être directement intégrable dans un logiciel de calcul aux éléments finis, afin d'estimer les champs de contrainte en pointe de fissure.
Une loi de plasticité cristalline a été proposée dans le cadre d'une thèse précédente (Chaix, 2024). L'extension à l'échelle du polycristal s'est faite par homogénéisation, en utilisant soit des calculs en champs complets, soit des calculs en champs moyens.
Il s'agira dans le cadre de la thèse d'explorer les possibilités offertes par les modèles de réseaux de neurones qui permettent d'améliorer considérablement les temps de calcul, sans perte majeure en termes de précision.

Les résultats obtenus dans le cadre de la thèse précédente (Chaix, 2024) ont montré la pertinence de la loi de plasticité cristalline proposée, un bon accord entre les résultats expérimentaux, les simulations en champs complets par FFT et en champs moyens avec la méthode FOSO (Fully Optimized Second-Order). Néanmoins, les modèles en champs moyens obtenus avec FOSO ont montré plusieurs limitations pour leur application, en termes de robustesse, de temps de calcul importants et de mauvaise description de la transition élasto-plastique. La méthode en champs complets est trop couteuse en termes de temps de calcul pour être utilisable dans un calcul par éléments finis.

La thèse proposée vise à développer et entrainer un réseau de neurones pour contrer les limitations rencontrées. En effet, des travaux récents ont proposé et entrainé des modèles de réseaux de neurones, pour des polycristaux en viscoplasticité, sur la base d'ensemble de données générées par des calculs en champs complets, ou des calculs en champs moyens (Ali et al., 2019) (Dai et al., 2021). La base de données pourrait être générée grâce aux outils et modèles développés dans la thèse précédente : calculs en champs complets avec l'outil de simulation par FFT développé avec cette loi de plasticité cristalline complexe et à base physique pour acier de cuve, calculs en champs moyens avec la méthode FOSO. D'autres méthodes pourraient être investiguées : 1/ Liu et al., 2024 pour des polycristaux en viscoplasticité, basée sur l'identification, lors du processus d'entrainement du réseau de neurones, de variables internes macroscopiques qui embarquent l'histoire du chargement 2/ Shin et al. 2023 méthode des réseaux dits de matériaux, pour des matériaux bi-phasés.

Calendrier

Première année : Bibliographie, Mise au point d'une base d'ensemble de données et Développement et entrainement d'un réseau de neurones

Deuxième année : Implémentation du modèle dans un programme indépendant; Comparaison : nouveau modèle, simulations numériques en champs complets, modèles en champs moyens, résultats expérimentaux pour un acier de cuve vierge ou irradié pour une large gamme de températures, taux de déformation et niveaux d'irradiation

Troisième année : Investigation d'autres méthodes ; Préparation du manuscrit et de la soutenance.

Références

• Chaix L., Modélisation micromécanique du comportement viscoplastique d'un polycristal : application au durcissement d'un acier irradié, Thèse AMU (2024)
• Ali et al, Application of artificial neural networks in micromechanics for polycrystalline metals, IJP (2019)
  Dai et al, Studying the micromechanical behaviors of a polycrystalline metal by artificial neural networks, Acta Mat. (2021)
• Liu et al, Learning macroscopic internal variables and history dependence from microscopic models, JMPS (2023)
• Shin et al, Deep material network via a quilting strategy: visualization for explainability and and recursive training for improuved accuracy (2023)

Diplôme de Master 2 ou d'école d'ingénieur.
Compétences en mécanique des solides et des structures, programmation, mathématiques appliquées, si possible sur les méthodes d'homogénéisation en mécanique des matériaux, les réseaux de neurones.

La diversité est une des composantes de la politique RSE, RH et Qualité de Vie au Travail à l’ASNR. Nous accordons la même considération à toutes les candidatures, sans discrimination, pour inclure tous les talents.

Quelles que soient les différences, nous souhaitons attirer, intégrer et fidéliser nos candidats et nos collaborateurs au sein d’un environnement de travail inclusif.

L’ASNR conduit une politique active depuis de nombreuses années en faveur de l'égalité des chances au travail et l'emploi des personnes handicapées. Si vous êtes en situation de handicap, n'hésitez pas à nous faire part de vos éventuels besoins spécifiques afin que nous puissions les prendre en compte.