Dans un certain nombre d'industries telle que la mise en forme des métaux ou la fabrication additive, l'écart entre la forme désirée et la forme effectivement obtenue est important, ce qui freine le développement de ces méthodes de fabrication. Cela est dû en bonne partie à la complexité des processus thermiques et mécaniques en jeu, difficiles à simuler à des fins d’optimisation du fait du temps de calcul important de la simulation des phénomènes en jeu.

La thèse vise à réduire significativement cet écart grâce à l'accélération des simulations thermo-mécaniques par éléments finis, notamment via le design d'une architecture de réseau de neurones adaptée, en s'appuyant sur les connaissances physiques théoriques.

Pour mener à bien ce sujet, la thèse bénéficiera d'un écosystème favorable aussi bien au LMS de l'École polytechnique qu'au CEA List : architecture PlastiNN développée en interne (brevet en cours de dépôt), bases de données mécanique existantes, supercalculateur FactoryIA et DGX, machine d'impression 3D. Il s'agira dans un premier temps de générer des bases de données à partir de simulations éléments finis thermo-mécaniques, puis d'adapter PlastiNN à apprendre de telles simulations, avant de mettre en œuvre des procédures d'optimisation s'appuyant sur ces réseaux de neurones.

L'objectif final de la thèse est d'illustrer l'accélération de simulations éléments finis ainsi obtenue sur des cas réels : d'une part par l'instauration d'une rétroaction durant l'impression métallique via la mesure du champ de température pour réduire l'écart entre géométrie désirée et géométrie fabriquée, d'autre part par la mise en place d'un outil de commande de forge qui permet d'arriver à une géométrie désirée à partir d'une géométrie initiale. Les deux applications s'appuieront sur une procédure d'optimisation rendue réalisable par l'accélération des simulations thermo-mécaniques.