Simulation en temps réel des procédés de soudage par friction pour le développement de leurs jumeaux numériques : application au soudage par friction linéaire (LFW)

L'allègement des structures constitue un enjeu majeur pour réduire l'empreinte carbone du secteur des transports, notamment dans le domaine aérospatial. Cet objectif favorise le développement de nouveaux alliages, dont l'intégration soulève toutefois d'importants défis en matière d'assemblage. Les procédés de soudage en phase solide se distinguent par leur capacité à préserver les propriétés spécifiques de ces alliages, dont la composition est optimisée pour garantir des performances mécaniques et thermiques élevées. Des techniques telles que le soudage par friction-malaxage (FSW) et ses variantes, notamment le soudage par friction-malaxage à épaulement fixe (SSFSW), ainsi que le soudage par friction linéaire (LFW), présentent un fort potentiel. Cependant, les écoulements complexes de matière et les mécanismes de cohésion mis en jeu au cours de ces procédés sont particulièrement sensibles aux paramètres opératoires. Une maîtrise insuffisante de ces paramètres peut entraîner l'apparition de défauts. Chaque nouvelle application nécessite alors des analyses approfondies et de nombreux essais, ce qui ralentit l'adoption industrielle de ces technologies. L'intelligence artificielle (IA) et les jumeaux numériques offrent des perspectives prometteuses pour relever ces défis. En constituant des répliques virtuelles évolutives des systèmes physiques, les jumeaux numériques permettent de simuler, de surveiller et d'optimiser les procédés industriels en temps réel. L'IA facilite l'intégration des connaissances métiers, l'exploitation des données expérimentales et l'ajustement dynamique des paramètres opératoires. Elle contribue ainsi à l'optimisation du procédé et à la détection précoce des défauts. Ce projet de thèse se concentre sur la simulation en temps réel du soudage par friction linéaire. Il vise à développer des modèles de substitution fondés sur des réseaux de neurones informés par la physique et enrichis par des données expérimentales multi-échelles, allant de la microstructure jusqu'à l'échelle de la machine. Ces modèles constitueront le cœur d'un jumeau numérique destiné à mieux comprendre, surveiller et optimiser le procédé. École doctorale : MEGEP - Mécanique, Energétique, Génie civil, Procédés Direction : Amèvi TONGNE Financement : MSCA COFUND BEST