Note ABES Machine Learning pour la tribologie des freins : prédiction de la pollution, analyse des mécanismes et stratégies de contrôle Machine Learning in brake tribology : pollution prediction, mechanism analysis and control strategies Machine learning Tribologie du freinage Modélisation interface de contact Problèmes multi-Échelle et multi-Physique Émissions particulaires Machine learning Brake Tribology Contact interface modeling Multi_scale and multi_physics problems Véhicules Freins à disque Propriétés mécaniques Bruit Tribologie (technologie) Multiphysique Analyse multiéchelle Apprentissage automatique Apprentissage profond Pollution par le bruit Pollution atmosphérique Les systèmes de freins à disque illustrent la complexité des contacts tribologiques, où des phénomènes mécaniques, thermiques, acoustiques et chimiques interagissent de manière fortement couplée et évolutive. Ces interactions soulèvent des enjeux pratiques, notamment le bruit généré et les émissions particulaires, qui sont difficiles à appréhender uniquement par des approches physiques classiques. Cette thèse explore comment le Machine Learning peut enrichir l'analyse et l'optimisation de la tribologie des freins.À partir d'un jeu de données multimodal combinant des mesures acoustiques, thermiques, mécaniques et d'émissions de particules, nous examinons d'abord des modèles prédictifs pour le bruit émis et les émissions particulaires. Nous allons ensuite au-delà de la prédiction en appliquant des méthodes de clustering et de classification à des spectrogrammes acoustiques. Associées à des techniques d'interprétabilité, elles révèlent des états de signal récurrents ainsi que les variables qui les influencent. Enfin, nous couplons un simulateur par éléments finis d'un système de frein avec du reinforcement learning dans une étude de faisabilité, montrant que cette approche peut découvrir des politiques de contrôle adaptatives améliorant la maîtrise et la stabilité des freins à disque.Bien que ces travaux demeurent exploratoires et encore éloignés des standards industriels — qu'il s'agisse de la prédiction en temps réel, de la compréhension des mécanismes ou du contrôle — ils ouvrent des perspectives prometteuses et laissent entrevoir la possibilité de généraliser de tels modèles à l'échelle du véhicule réel. Dans leur ensemble, ces contributions abordent des challenges liés à la granularité, à l'interprétabilité et à la diversité méthodologique dans le domaine du Machine Learning appliqué à la tribologie du freinage, illustrant comment le Machine Learning peut compléter les outils expérimentaux et numériques pour améliorer la conception et le fonctionnement des systèmes de freinage. Disk brake systems exemplify the complexity of tribological contacts, where mechanical, thermal, acoustic, and chemical phenomena interact in strongly coupled and evolving ways. These interactions give rise to practical concerns such as noise and particulate emissions, which remain difficult to capture with physics-based approaches alone. This thesis investigates how machine learning can extend the analysis and optimization of brake tribology.Using a multimodal experimental dataset that records acoustic, thermal, mechanical, and particle-emission signals, we first examine predictive models for braking noise and pollution. We then move beyond prediction by applying clustering and classification methods to acoustic spectrograms, complemented by interpretability techniques, which reveal recurring signal states and the variables that influence them. Finally, we couple a finite-element brake-like simulator with reinforcement learning in a proof-of-concept study, demonstrating that reinforcement learning can discover adaptive control policies that enhance the control and stability of disk brakes.While these contributions remain exploratory and not yet at the level of industrial standards—whether for real-time prediction, mechanism understanding, or control—they highlight promising directions and suggest that data-driven approaches could ultimately be generalized to vehicle-scale applications. Taken together, the work addresses open challenges of granularity, interpretability, and methodological breadth in machine learning applied to brake tribology research, illustrating how machine learning can complement experimental and numerical tools in advancing the design and operation of braking systems. Electronic Thesis or Dissertation Text en PDF 14540676 https://pepite-depot.univ-lille.fr/LIBRE/EDENGSYS/2025/2025ULILN031.pdf https://theses.fr/2025ULILN031/abes https://theses.hal.science/tel-05586240 https://theses.hal.science/tel-05586240 Bauman Guillaume Bauman 1999-06-10 FR 296043591 https://theses.fr/2025ULILN031 2025ULILN031 https://doi.org/10.70675/bd3239dfz18daz40b7z91ffz24af2091e72e 2025-12-08 Mécanique des solides, des matériaux, des structures et des surfaces Université de Lille (2022-....) 259265152 Doctorat Docteur es non oui Magnier Vincent MADS_DIRECTEUR_DE_THESE_1 13373563X Wannous Hazem MADS_DIRECTEUR_DE_THESE_2 147352460 Chiementin Xavier MADS_PRESIDENT_DU_JURY 122693507 Bouchot Alizée MADS_MEMBRE_DU_JURY_1 273500554 Devanne Maxime MADS_MEMBRE_DU_JURY_2 191718076 Massa Franck MADS_RAPPORTEUR_1 094993750 Chaieb-Chakchouk Faten MADS_RAPPORTEUR_2 241471672 École graduée Sciences de l’ingénierie et des systèmes (Lille ; 2021-....) MADS_ECOLE_DOCTORALE_1 25860221X LaMcube - Laboratoire de mécanique, multiphysique, multiéchelle MADS_PARTENAIRE_DE_RECHERCHE_1 1057027 223408220 Université de Lille (2022-....) MADS_PARTENAIRE_DE_RECHERCHE_2 259265152 Hauts-de-France. Conseil régional MADS_PARTENAIRE_DE_RECHERCHE_3 203650891 ddc:620 Magnier Vincent Wannous Hazem Chiementin Xavier Bouchot Alizée Devanne Maxime Massa Franck Chaieb-Chakchouk Faten École graduée Sciences de l’ingénierie et des systèmes (Lille ; 2021-....) LaMcube - Laboratoire de mécanique, multiphysique, multiéchelle Université de Lille (2022-....) Hauts-de-France. Conseil régional PDF 14540676