• Langue : Anglais
• Discipline : Génie civil
• Identifiant : 2022ULILN048
• Type de thèse : Doctorat
• Date de soutenance : 12/12/2022

Résumé en langue originale

Des modèles micro-mécaniques sont développés pour les matériaux hétérogènes afin d'estimer leurs propriétés mécaniques macroscopiques en fonction des données micro-structurelles. Les principaux défis sont d'estimer rapidement et précisément les propriétés macroscopiques et d'identifier les propriétés locales des phases constituentes.Dans cette thèse, nous présentons quelques méthodes efficaces basées sur les réseaux de neurones artificiels (ANNs) pour prédire les propriétés élastiques effectives et les résistances à la rupture macroscopiques des matériaux hétérogènes, en prenant comme exemples des bétons et des roches. Les détails de l'étude sont décrits ci-dessous:Un modèle ANN est développé pour évaluer les propriétés élastiques effectives des matériaux hétérogènes. La base de données pour l'entraînement du modèle est obtenue de simulations numériques basées sur la méthode FFT. Différents types de validation du modèle proposé sont effectués. Les résultats montrent que le modèle ANN peut estimer les propriétés élastiques macroscopiques des matériaux fortement hétérogènes avec une très bonne précision, pour différents types de micro-structures et une large gamme de porosité et de fraction volumique des agrégats.L'influence de la zone de transition d'interface (ITZ) sur les propriétés élastiques des matériaux cimentaires est ensuite étudiée. Certains modèles analytiques d'homogénéisation largement utilisés sont évalués en comparant les prédictions théoriques avec les solutions de référence, obtenues des simulations directes en utilisant la méthode FFT. Sur la base de cette évaluation, un modèle ANN est construit afin d'améliorer les modèles analytiques. Le modèle ANN proposé est entraîné, testé et validé par rapport à la solution de référence. Son efficacité et sa bonne précision sont clairement démontrées.Un modèle ANN est établi pour estimer les résistances à la rupture de matériaux cimentaires avec des matrices solides de type Drucker-Prager contenant des inclusions et des pores à la même échelle.Les simulations numériques par la FFT sont réalisées pour construire la base de données pour entrainer le modèle. Le modèle prend en compte de manière adéquate les effets de la porosité et de la fraction volumique des inclusions sur la résistance macroscopique. Les tests de précision du modèle et les évaluations de la signification physique démontrent son efficacité.Afin d'identifier le coefficient de friction et la cohésion locaux de la matrice cimentaire à partir des valeurs macroscopiques mesurées des résistances à la compression et à la traction uniaxiale. Un critère analytique simplifié de résistance macroscopique est d'abord adopté.Une large base de données est ensuite construite par l'inversion du critère de résistance analytique. Un modèle ANN est proposé et entraîné en utilisant cet ensemble de données. Différents types de validation du modèle ANN sont effectués. Il s'avère que le modèle ANN proposé peut prédire efficacement le coefficient de friction et la cohésion de la pâte de ciment poreuse à l'échelle microscopique avec une très bonne précision.

Résumé traduit

Multi-scale models are developed for heterogeneous materials to estimate their macroscopic mechanical properties in terms of micro-structural data. The main challenges are to quickly and accurately estimate the macroscopic properties of homogenized materials and identify the local properties of the constituent phases.In this thesis, with the combination with analytical homogenization models, we present some efficient methods based on artificial neural networks (ANNs) to predict the effective elastic properties and failure strength of heterogeneous materials, taking typical concrete and rock as examples. The details of the study are described below:An ANN model is developed to evaluate the effective elastic properties of concrete-like materials. The dataset for training the model was derived from FFT-based numerical simulations. And various types of validation of the proposed model are performed. The results show that the ANN-based model can estimate the macroscopic elastic properties of strongly heterogeneous materials with a very good accuracy, for different types of micro-structures and a large range of porosity and aggregates volume fraction.The influence of interface transition zone (ITZ) on the elastic properties of concrete materials is investigated. Some widely used analytical homogenization models are evaluated by comparing the theoretical predictions with the reference solutions, obtained by using an FFT-based simulations. Based onthis evaluation, an ANN model is constructed in order to improve the analytical models. The proposed ANN model is trained, tested and validated against the reference solution. Its efficiency and good accuracy are clearly demonstrated.An ANN model is established to predict the effective failure strength of concrete-like materials with Drucker-Prager type solid matrices containing inclusions and pores at the same scale.The FFT-based numerical simulations are again performed to collect the dataset for the training of model. The model adequately considered the effects of porosity and volume fraction of inclusions on the macroscopic failure strength. Model accuracy tests and physical significance assessments demonstrate its effectiveness.In order to identify the local frictional coefficient and cohesion of cement matrix from measured macroscopic values of uniaxial compression and tensile strengths. A simplified analytical macroscopic strength criterion is adopted.A large dataset is further constructed through the inversion of the analytical strength criterion. An ANN model is constructed and trained by using this dataset. Various types of validation of the ANN model are performed. It is found that the proposed ANN based model can effectively predict the frictional coefficient and cohesion of porous cement paste at the microscopic scale with a very good accuracy.