Deep learning frameworks for the analysis and optimisation of glass-fibre reinforced polymer composites

Approches d'apprentissage profond pour l'analyse et l'optimisation de composites à matrice polymère renforcés par des fibres de verre La croissance rapide de l'imagerie haute résolution a transformé l'étude des matériaux composites, générant des ensembles de données d'images d'une ampleur et d'une complexité sans précédent. Cette évolution représente à la fois une opportunité et un défi : si les détails microstructuraux des polymères renforcés de fibres peuvent désormais être observés avec précision, leur analyse systématique nécessite des outils automatisés et interprétables. Cette thèse répond à ce besoin en explorant comment des cadres d'apprentissage profond peuvent aider dans la compréhension et l'optimisation des composites.La première partie du manuscrit développe de approches d'apprentissage profond informées par la physique appliquées aux problèmes inverses de la mécanique des solides. Le cadre intègre les équations physiques dans le processus d'apprentissage, et est ensuite étendu par un couplage avec des réseaux convolutifs afin de réaliser de la modélisation par modèles de substitution et de la segmentation auto-supervisée. Cet étude met en évidence le potentiel et les limites de ces méthodes, en soulignant leur capacité à intégrer à la fois des connaissances physiques et des données.La seconde partie se concentre sur l'apprentissage profond génératif et les méthodes d'explica-bilité. Des modèles génératifs profonds sont entraînés pour générer des microstructures statistiquement cohérentes, tout en étant conditionnés par des cibles de propriétés mécaniques. Des évaluateurs basés sur ResNet, analysés à l'aide de Grad-CAM++, apportent de l'interprétabilité en localisant les régions microstructurales les plus influentes sur le comportement mécanique et permettent de détecter des zones sujettes à l'endommagement. Cette combinaison de modélisation générative et d'explicabilité permet l'optimisation de microstructures vers des propriétés effectives souhaitées et fournit un éclairage sur le comportement des matériaux. Des applications à des jeux de données issus de la tomographie au synchrotron illustrent en outre la valeur pratique de ces méthodes pour soutenir l'analyse experte de données expérimentales.La thèse propose de nouveaux outils pour une investigation automatisée et interprétable des composites. Pris dans leur ensemble, les apports de ce travail montrent comment des différentes approches d'apprentissage profond peuvent accélérer la recherche sur les matériaux composites.