Le suivi des ouvrages en béton armé revêt une importance toute particulière quand il s’agit d’identifier de potentielles anomalies (fissuration ou déformations excessives par exemple) par rapport au fonctionnement nominal. Ces anomalies peuvent en effet avoir des conséquences tant sur le comportement global (résistance…) que sur la fonctionnalité (étanchéité…) de la structure. Pour répondre à cet enjeu (détection du défaut et prédiction des conséquences), un couplage fort entre données de mesure et simulations apparaît indispensable. La méthodologie actuelle s’appuie principalement sur une instrumentation initiale de l’ouvrage à partir d’avis d’experts ou de retours d’expérience mais les données ne sont pas exploitées et analysées au regard de codes de calcul numériques. Le sujet de thèse proposé se place dans le cadre d’une rupture méthodologique, à travers l’association d’outils de machine learning et de simulation numérique pour la détection et le diagnostic d’anomalies sur des structures de génie civil afin de développer une instrumentation intelligente et adaptative du suivi de la vie de l’ouvrage. La méthodologie s’articule autour des axes suivants : le traitement des données de mesure par machine learning conduisant à l’identification des zones potentiellement défaillantes, la reconstruction par métamodélisation de conditions aux limites adaptées autour de l’anomalie précédemment détectée et l’identification du défaut et de ses conséquences par la simulation numérique en utilisant les conditions aux limites issues de l’étape précédente. La thèse sera réalisée conjointement entre deux laboratoires du CEA : le LM2S, spécialiste des questions relatives à la mécanique des structures et le LIAD, unité de compétence autour de l’Intelligence Artificielle et la science des Données.
Le candidat recherché (niveau M2) devra avoir une appétence pour les méthodes numériques avancées (dont machine learning) ainsi que des connaissances en mécanique et/ou génie civil. A l'issue de la thèse, le candidat aura développé des connaissances et des compétences en simulation numérique, assimilation de données et mécanique qui pourront être efficacement valorisées à la fois dans le milieu industriel et académique.
La thèse pourra faire l'objet d'un stage de M2 préliminaire.