Modélisation électro-thermomécanique et lois d'écoulement neuronales pour la simulation du comportement des alliages métalliques lors d'essais Gleeble

Le recours à des blocs massifs fabriqués à base des matériaux faiblement carbonés, en raison de leurs propriétés mécaniques robustes, de leur résistance à la corrosion et de leur aptitude à supporter des contraintes dynamiques, est répandu dans divers secteurs industriels tels que l'automobile, le ferroviaire, l'aéronautique et l'aérospatiale. La complexité du processus de mise en forme de ces blocs requiert une analyse approfondie à chaque étape pour une optimisation tant en termes de coûts que de temps. Cependant, les expériences physiques nécessaires à cette étude sont coûteuses et les entreprises cherchent à minimiser les erreurs dans un contexte de concurrence accrue. Pour relever ces défis, la modélisation numérique non linéaire est devenue prépondérante pour simuler ces processus industriels complexes. Cette transition vers la simulation numérique nécessite une représentation à l'échelle du laboratoire, réalisée à l'aide de dispositifs expérimentaux comme le simulateur thermomécanique Gleeble. Cet appareil est prisé pour sa capacité à effectuer des essais électro-thermomécaniques entièrement couplés, statiques et dynamiques, reproduisant ainsi les phénomènes industriels. Cependant, la simulation numérique de ces essais demeure un défi, exigeant la création de modèles numériques électro- thermomécaniques entièrement couplés. Cette thèse vise précisément à relever ce défi en proposant une démarche en plusieurs étapes. Le premier chapitre établit le contexte en caractérisant le matériau d'étude et en présentant le simulateur thermomécanique Gleeble. Le second chapitre est consacré plus particulièrement à une comparaison des lois de comportement analytiques et propose une nouvelle formulation : le modèle PTM. Le troisième chapitre explore l'utilisation de réseaux de neurones artificiels pour modéliser le comportement, contournant ainsi l'étape d'identification des paramètres dans les modèles analytiques. Une fois les modèles établis, dans le quatrième chapitre, une simulation est réalisée pour reproduire un essai de compression thermomécanique effectué sur le Gleeble. L'originalité de cette simulation réside dans sa capacité à prédire la recristallisation dynamique, avec les réseaux de neurones montrant une meilleure prédiction par rapport aux modèles analytiques lors de l'étape d'identification. Enfin, le dernier chapitre traite de la simulation électro- thermomécanique entièrement couplée et propose un algorithme pour prédire la densité de courant à c