Approches statistiques et modèles guidés par les données pour la fatigue

Les données et leur traitement statistique constituent aujourd’hui un champ d’investigation permanent dans une société où les capacités de mesures, de stockage et de traitement numérique ne cessent de croître. La conception mécanique n’échappe pas à la tendance et particulièrement le dimensionnement à la fatigue, un phénomène connu pour sa variabilité. La disponibilité de nombreuses bases de données numériques et expérimentales offre une opportunité sans précédent pour améliorer la compréhension et la et la prévision de la tenue en fatigue des matériaux et des structures. Ces bases de données fournissent une mine d’informations sur le comportement des matériaux sous différents régimes de chargement, pour différentes microstructures ou pour de larges variétés de structures, permettant ainsi de développer des modélisations plus précises, robustes et fiables.

Les approches statistiques pour la fatigue constituent le premier pilier de cette démarche, permettant de quantifier et modéliser les incertitudes associées aux résultats expérimentaux ou de générer des bases de données numériques permettant d’explorer toute la variété des comportement matériaux, par exemple en générant des microstructures complexes à la demande, intégré à des calculs micromécaniques.  En parallèle, les modèles « data-driven » représentent une autre facette essentielle des protocoles actuels de dimensionnement à la fatigue. En exploitant les données disponibles sur le comportement des matériaux, ces modèles peuvent identifier les configurations optimales et les stratégies d’optimisation les plus efficaces pour estimer la durée de vie ou définir des intervalles de maintenance en maîtrisant les risques de défaillance. Enfin, la démocratisation des techniques de « machine learning » et des modèles physiques augmentés par l’intelligence artificielle peut également jouer un rôle crucial dans cette démarche. En utilisant des algorithmes spécifiques, il est possible d’identifier des modèles complexes et des relations non linéaires entre les paramètres de conception, les conditions de chargement et les performances des matériaux en fatigue pour des bases de données toujours plus conséquentes. Il est également possible de mieux quantifier les incertitudes et leur propagation dans les modèles, de mieux définir les marges et les intervalles de confiance. Comment assurer et maitriser la mise en œuvre de ces approches dans une démarche industrielle de dimensionnement à la fatigue ? Comment conserver le sens physique des données lorsque ces dernières se multiplient et que les modèles se complexifient ? Comment efficacement dimensionner à la fatigue en présence de nombreuses sources d’incertitudes ? Comment mieux exploiter des données hétérogènes et parcellaires notamment à l’échelle de la microstructure ? Autant de questions et bien d’autres auxquelles la conférence se propose d’apporter de premières réponses.

Mots clefs

Conférences introductives

La première demi-journée sera consacrée a des conferences introductives aux différentes méthodes statistiques, aux modèles data-driven et aux techniques de machine learning pour la mécanique

Posters et travaux en cours

Une session poster est organisée au cœur de la conférence et les participants ont la possibilité de présenter un poster sur des études en cours dans les différents domaines de la fatigue. Les étudiant•e•s sont particulièrement encouragé•e•s à présenter leurs premiers résultats. Un prix sera remis au meilleur poster à l’issue de la conférence.

Prix Jacques Pomey

Ce prix sera décerné à l’issue de la conférence à un jeune conférencier remarqué pour l’excellence de sa présentation. Les orateurs de moins de 32 ans fin 2023 sont invités à candidater en confirmant leur âge à la soumission du résumé.