• Langue : Anglais
• Discipline : Mécanique des solides, des matériaux, des structures et des surfaces
• Identifiant : 2025ULILN031
• Type de thèse : Doctorat
• Date de soutenance : 08/12/2025

Résumé en langue originale

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.

Résumé traduit

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.