Missions

Développement des techniques numériques pour la description, simulation et optimisation de matériaux architectures via les techniques d’IA

Activités

• Définir et mettre en place des techniques de simulation avancées
• Vérifier et valider les techniques proposées
• Organiser les travaux avec les autres partenaires du projet

Compétences

• Expérience en mécanique numérique (techniques de discrétisation)
• Bonnes connaissances en optimisation topologique et de forme
• Connaissances solides dans le domaine de l’apprentissage machine et de l’intelligence artificielle
• Expérience en programmation
• Travail en équipe
• Pilotage de projets

Contexte de travail

Les matériaux architecturés et les métamatériaux présentent généralement des microstructures, des morphologies et des topologies complexes, qui échappent souvent à une description paramétrique. Même si la géométrie ne peut pas être facilement paramétrée dans de nombreux cas, comme nous venons de l'indiquer, certaines autres propriétés peuvent être facilement décrites à partir d'une liste de paramètres (par exemple les paramètres du matériau, les charges ou les conditions de procédé).
Créer un modèle a pour but d’établir un lien entre ces caractéristiques (géométriques, matériaux et paramètres de procédé avec les propriétés ou les performances finales des pièces fabriquées.
De nombreuses techniques de régression linéaire et non linéaire sont possibles dans un cadre à la fois statique et dynamique, des régressions polynomiales régularisées pour fonctionner dans des cas non linéaires, jusqu'aux architectures neuronales complexes, éventuellement informées ou augmentées à partir de la connaissance du domaine ou de la physique.

Cependant, l’une des tâches les plus difficiles reste la description précise des géométries dans une configuration non paramétrique. Une des possibilités consiste à prendre la géométrie, pour être traitée avec la technique adéquate (exemple : CNN). Dans le cas des structures à base de poutres, une autre voie implique de les décrire comme un graphe qui peut être manipulé par exemple par un GNN. Habituellement les modèles d’éléments finis peuvent aussi être exprimé sous la forme d’un GNN. Pour finir, quelques descripteurs statistiques peuvent être utilisés pour, d’une certaine manière, paramétrer et conduire la géométrie vers les propriétés ou les performances.

Les activités seront principalement menées au sein de l’équipe DYSCO du laboratoire PIMM (Procédés et Ingénierie en Mécanique et Matériaux) sur le campus l’ENSAM de Paris, en collaboration avec les autres équipes du projet (CMAP à École Polytechnique), LMPS (ENS Paris Saclay) et École de Mines (Centre de Morphologie Mathématique)



Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.