10 mars 2022 / Paris

Journée scientifique

Matériau – numérique

La commission Matériau numérique organise cette année la Journée scientifique de la SF2M.Les thèmes abordés sont les suivants :

  • IA ;
  • approches data-driven et comportement ;
  • conception et optimisation grâce à l’IA ;
  • IA et méthodes expérimentales ;
  • applications en science des matériaux.

Le programme de la journée est détaillé  ci-dessous.

Tarifs d’inscription :

  • Membre SF2M : 60 €
  • Non-membre : 70 €
  • Étudiant / Orateur : 20 €

Ce tarif ne comprend pas le déjeuner.

Téléchargez le bulletin d’inscription au moyen du lien ci-contre.

La journée scientifique sera suivie de l’assemblée générale de la SF2M.

Les Prix Jacquet des plus belles photos de matériaux seront décernés ultérieurement par un scrutin en ligne, comme les années précédentes.

évènement de la commission  matériau numérique

organisateur

SF2M

date

10 mars 2022

Lieu

Maison de la Chimie
28 rue Saint Dominique, 75007 Paris
France

Contact

secretariat@sf2m.fr

programme de la journée

9h00-9h15 Accueil des participants

9h15-9h30 Introduction Luisa Rocha da Silva, École Centrale de Nantes

9h30-10h40 IA, approches data driven et comportement

  • Une approche « data-driven » des passages d’échelle pour les matériaux numériques
    Laurent Stainier, École Centrale de Nantes
Résumé

On peut aujourd’hui construire des modèles numériques de matériaux, basés sur une description de leur comportement et leur architecture aux échelles les plus fines (atomistiques, microscopiques…). Ces modèles numériques fournissent une profusion d’information sur la réponse et les interactions des différents composants du matériau sous un chargement macroscopique. Le passage d’échelle, consistant à identifier la réponse macroscopique en fonction de ce chargement, reste cependant un obstacle. En effet, la représentation explicite de cette réponse par un modèle de comportement macroscopique n’est pas toujours simple ni appropriée et la représentation implicite par le modèle numérique complet pose un soucis de coût de calcul. Nous présenterons comment une approche « data-driven », ne faisant intervenir aucun modèle de comportement à l’échelle macroscopique, peut être adoptée pour exploiter de façon optimale et dynamique les données générées par les modèles numériques de matériaux.

  • Nonlinear physical reduced order modeling for industrial simulations
    Fabien Casenave, Safran
Résumé

In an industrial group like Safran, the numerical simulation of physical phenomena is used in the majority of design processes. Physical reduced-order modeling aims to replace the costly reference high-fidelity solver, by a reduced-order model for which we want to control the speedup/accuracy trade-off. Contrary to most black-box meta-models, we keep the knowledge of the underlying physical model by projecting the continuous model equations on a reduced-order space. In this talk, we present recent contributions in a class of nonlinear reduced-order called ROM-nets, involving a piecewise linear approximation of the solution manifold, and carefully designed clustering and classification tasks on this manifold. This enables the construction of a dictionary of reduced-order models, with automatic model selection. The framework is applied to an uncertainty quantification study on an industrial high-pressure turbine blade.

10h40-11h00 Pause
11h00-12h10 Conception et optimisation grâce à l’IA

  • A discussion of the current and potential uses of Gaussian Processes in mechanics
    Rodolphe Le Riche, CNRS LIMOS (Mines St-Etienne, UCA)
Résumé

Data-driven approaches to modeling and design in mechanics often assume, when relying on neural networks, that a large amount of data is available. However, this is not always the case as the experiments or the physical simulations may be time or money consuming. Data then tends to be small rather than big.

Gaussian processes are a versatile statistical model that is relevant for small data.

In this talk, we will show how Gaussian processes can be useful for designing material or structures in three challenging situations: costly simulations and

  1. functional inputs (shapes)
  2. discrete inputs (materials)
  3. intrinsic randomness (permeability fields).

 

  • Intelligence Artificielle pour le Design des Matériaux : des Calculs Atomistiques à la Caractérisation et Synthèse Haut Débit
    Noel Jakse, Grenoble INP, chaire “Machine Learning for Materials Design & Efficient Systems”

12h10-13h30 Pause déjeuner
13h30-14h00 Pause café
14h00-14h35 IA et méthodes expérimentales

  • Enforcing structural contraints in deep learning segmentation (apprentissage automatique / profond pour l’analyse d’image 3D en science des matériaux)
    Etienne Décencière, MINES ParisTech
Résumé

Some essential notions in image segmentation with deep learning will be recalled and illustrated through a practical example. Then, a drawback of this methodology will be presented: the difficulty to take into account a priori structural information. Solutions will be presented, based on the use of operators from mathematical morphology within artificial neural networks.

14h35-15h45 Applications de l’IA en science des matériaux

  • Detection & identification of process & product drifts / failures based on hybrid solution coupling multi-physical models and data driven modelling
    Frederic Bonnet & Gabriel Fricout, ArcelorMittal
  • La modélisation pour la conception et l’optimisation de dispositifs médicaux (le numérique pour le design des matériaux de santé)
    Yannick Tillier, MINES ParisTech
Résumé

La modélisation (qu’elle soit analytique ou numérique) peut permettre, tout comme cela est le cas dans les mondes de l’aéronautique ou de l’automobile notamment, d’optimiser la forme de dispositifs médicaux (implants, prothèses …) ou la composition de matériaux à visée médicale afin qu’ils puissent atteindre certaines propriétés recherchées, notamment mécaniques. Ces calculs sont souvent associés à des campagnes expérimentales visant à caractériser le comportement mécanique des matériaux ou des structures. L’analyse des essais mécaniques peut elle-même recourir à la simulation numérique dans le cas de l’identification par analyse inverse. Plusieurs exemples issus de mes activités de recherche pourront être présentés à l’occasion de la journée SF2M comme par exemple l’optimisation d’un implant dentaire basal, l’aide à la décision dans le choix de plaques d’ostéosynthèse en chirurgie maxillofaciale, l’optimisation de l’enveloppe de prothèses mammaires dans le but d’éviter l’apparition d’instabilités, ou encore la proposition de modèles visant à prédire certaines propriétés mécaniques de composites dentaires, avant même de les avoir synthétisés.

15h45-16h20 Conclusions et perspectives de la journée (table ronde)
16h30-17h30 Assemblée Générale de la SF2M