Dans le milieu industriel, il existe plusieurs techniques de mise en forme des matériaux. La fonderie est un procédé de formage des matériaux largement utilisé pour produire une forme requise en minimisant la consommation de matières premières. Il peut être utilisé pour former divers métaux tels que les alliages d'aluminium. Divers défauts peuvent apparaître dans la pièce résultante et contribuer à l'initialisation de fissures et la diminution de la résistance à la fatigue, comme les porosités et les retassures. Ce fait souligne l'importance d'étudier la présence de ces défauts dans la pièce obtenue. La simulation numérique et les approches expérimentales jouent un rôle important dans la conception du processus pour contourner ces anomalies. Il faudrait prévoir des séries de simulations avec un ensemble particulier de paramètres pour arriver à une configuration de processus optimisée. Dans cette thèse, des méthodes basées sur l'intelligence artificielle sont proposées pour apprendre sur des données de simulation et générer des résultats de simulation efficaces en temps-réel. Ces modèles peuvent être enrichis par des données expérimentales afin de développer des jumeaux hybrides qui prédisent et corrigent l'écart entre les résultats expérimentaux et les simulations. L'efficacité des méthodologies proposées est évaluée sur différents cas d'étude. Ces solutions peuvent contribuer à ouvrir des perspectives pour des solutions plus axées sur les données qui minimisent le coût du temps dans la phase de conception.
