La thèse vise à améliorer le dimensionnement en fatigue des pièces mécaniques en générant numériquement des populations de défauts dans les alliages métalliques. La fatigue mécanique peut provoquer l’amorçage et la propagation de fissures, entraînant une fracture brutale, même sous des charges inférieures à la limite d’élasticité.
L’objectif est de limiter le nombre d’itérations de conception, fabrication et contrôle des pièces en créant des données numériques représentatives des défauts. Pour cela, la thèse explorera des méthodes de génération basées sur le Deep Learning, notamment les réseaux antagonistes génératifs (GANs) et les modèles de diffusion, éventuellement combinés à des mécanismes d’attention pour réaliser une génération conditionnelle adaptée au contexte de la pièce (taille, forme, procédé de fabrication, chargement mécanique).
Les travaux incluront la préparation de la base d’entraînement, l’optimisation des algorithmes pour accélérer l’apprentissage et la génération, ainsi que le développement d’outils d’évaluation adaptés aux images générées. La thèse débouchera sur la réalisation d’un démonstrateur logiciel permettant de simuler et générer des populations de défauts pour le dimensionnement en fatigue des pièces mécaniques.
