Physics-augmented neural networks for constitutive modeling - TEL - Thèses en ligne
Thèse Année : 2024

Physics-augmented neural networks for constitutive modeling

Réseaux de neurones augmentés par la physique pour l'apprentissage de lois de comportement

Antoine Benady
  • Fonction : Auteur
  • PersonId : 1489978
  • IdRef : 282308040

Résumé

Structural health monitoring remains a crucial concern in engineering, given the imperatives of safety and durability. A recent practice involves establishing a dialogue between a physical structure and its numerical model to predict the health status and limit damage. This thesis focuses on the fundamental question of automatically constructing a material constitutive model, necessary for reliably predicting the structure's state. Material constitutive laws are represented by neural networks constrained to adhere to the principles of thermodynamics, through the learning of convex potentials within the framework of Generalized Standard Materials. The training of neural networks is performed in an unsupervised manner by minimizing the modified constitutive relation error (mCRE).The mCRE functional provides a rich physical sense due to the model error indicator and the ability to guarantee compliance with reliable knowledge.The method developed in this thesis is tested on various types of nonlinear behaviors (hyperelasticity, elastoplasticity, viscoplasticity). Finally, a data assimilation procedure based on Kalman filters is developed to sequentially predict the structure's state, in the case of material behavior dependent on history.
Le contrôle de santé des structures demeure une préoccupation essentielle en ingénierie, étant donné les impératifs de sécurité et de durabilité. Une pratique récente consiste à mettre en place un dialogue entre une structure physique et son modèle numérique, afin de prédire l'état de santé et de limiter l'endommagement. Cette thèse s'intéresse à la question fondamentale de la construction automatique d'un modèle de comportement matériau, nécessaire à la prédiction fiable de l'état de la structure. Les lois de comportement matériau sont représentées par des réseaux de neurones contraints à respecter les principes de la thermodynamique, via l'apprentissage de potentiels convexes intervenant dans le cadre des Matériaux Standards Généralisés. L'entraînement des réseaux de neurones est réalisé de manière non supervisée par la minimisation de l'erreur en relation de comportement modifiée (mCRE). La fonctionnelle mCRE offre un sens physique riche grâce à l'indicateur d'erreur de modèle ainsi qu'à la possibilité de garantir le respect des connaissances fiables. La méthode développée dans cette thèse est testée sur différents types de comportements non linéaires (hyperélasticité, élastoplasticité, viscoplasticité). Enfin, une procédure d'assimilation de données, fondée sur les filtres de Kalman, est développée pour prédire de manière séquentielle l'état de la structure, dans le cas de comportement matériau dépendant de l'histoire.
Fichier principal
Vignette du fichier
137708_BENADY_2024_archivage.pdf (22.92 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04887187 , version 1 (14-01-2025)

Identifiants

  • HAL Id : tel-04887187 , version 1

Citer

Antoine Benady. Physics-augmented neural networks for constitutive modeling. Solid mechanics [physics.class-ph]. Université Paris-Saclay, 2024. English. ⟨NNT : 2024UPAST089⟩. ⟨tel-04887187⟩
0 Consultations
0 Téléchargements

Partager

More