Application de l'IA aux méthodes discrètes pour simuler les matériaux granulaires / AI particle[...]

Organisation/Company: Université de Montpellier

Research Field: Engineering » Electronic engineering

Researcher Profile: Recognised Researcher (R2), Leading Researcher (R4), First Stage Researcher (R1), Established Researcher (R3)

Country: France

Application Deadline: 3 May 2025 - 22:00 (UTC)

Type of Contract: Temporary

Job Status: Full-time

Is the job funded through the EU Research Framework Programme? Not funded by a EU programme

Is the Job related to staff position within a Research Infrastructure? No

Offer Description

La grande majorité des produits industriels se présentent sous forme granulaire ou l'ont été à un stade de leur fabrication. Quelques exemples incluent les produits pharmaceutiques et alimentaires, les cosmétiques, les matériaux chimiques, nucléaires et de construction. Cependant, le comportement des matériaux granulaires est encore mal compris. Ces matériaux sont de grands ensembles de particules solides interagissant par des contacts frottants, des interactions cohésives, des ponts liquides ou des forces chimiques. Leurs comportements complexes, qui dépendent de la pression, de la densité et du taux de déformation, rendent souvent la manipulation de ces matériaux très difficile et complexe. De plus, les particules dans divers domaines ont des formes et des distributions de taille différentes qui peuvent évoluer sous l'action mécanique par déformation et/ou fragmentation.

Les simulations des matériaux granulaires reposent généralement sur des approches discrètes, telles que la méthode des éléments discrets (Discrete Element Method : DEM) et la méthode de dynamique des contacts (Contact Dynamics : CD). Pour tenir compte de la déformation volumique des particules, ces méthodes peuvent être couplées à des approches continues, telles que la méthode des éléments finis (Finite Element Method : FEM) ou la méthode des points matériels (MPM). Toutes ces méthodes partagent des caractéristiques communes impliquant trois étapes principales: (i) la détection des contacts, (ii) le calcul des forces d'interaction, et (iii) le pas de temps des particules. Chacune de ces étapes algorithmiques peut nécessiter des ressources de calcul significatives, en fonction du nombre de particules simulées. Par conséquent, nous sommes limités dans le nombre de particules que nous pouvons simuler, ce qui pose un défi majeur pour la modélisation de systèmes réels impliquant un grand nombre de particules avec des tailles, des formes et des comportements matériels variables.

L'application de l'intelligence artificielle (IA), en particulier de l'apprentissage automatique (Machine Learning : ML), semble être une solution prometteuse pour accélérer les simulations tout en maintenant la précision. L'objectif de ce projet de thèse est de développer des approches novatrices basées sur le ML pour améliorer considérablement les performances des algorithmes discrets pour les étapes algorithmiques mentionnées précédemment. Des jeux de données d'entraînement seront générés à l'aide de diverses approches numériques développées par notre équipe, y compris DEM, CD et MPM-CD. De plus, le ML peut être appliqué pour l'étape de préparation des échantillons en utilisant des données réelles, telles que des images de tomographie par rayons X. Pour chaque étape, une stratégie ML adéquate devra être conçue. Sur la base de ces stratégies, on préparera les jeux de données d'entraînement et les modèles seront entraînés. Enfin, ces modèles basés sur le ML seront vérifiés et validés par comparaison directe avec des simulations non-ML utilisant les mêmes méthodes. En particulier, nous nous concentrerons sur les écoulements granulaires cisaillés sous des conditions limites homogènes pour lesquelles les données rhéologiques et microstructurales (numériques et expérimentales) sont largement disponibles dans la littérature.

Début de la thèse : 01/10/2025

Funding category: Contrat doctoral

Concours pour un contrat doctoral