29/04/26 -

(English below)

Contexte

Le procédé Automated Fiber Placement (AFP) est aujourd’hui un levier majeur pour la fabrication de structures composites complexesà haute performance. Toutefois, son industrialisation reste limitée par la complexité des phénomènes physiques mis en jeu (thermiques, chimiques et mécaniques), la variabilité des matériaux et des conditions environnementales, ainsi que le coût élevé des simulations numériques détaillées. Dans ce contexte, le développement de chaînes numériques produit–process constitue un enjeu stratégique pour sécuriser les choix industriels, réduire les cyclesde développementet améliorer la robustesse des procédés. Cette thèse s’inscrit dans cette dynamique, au sein d’un outil de l’aide à la décision en visant une meilleure intégration du procédé AFP.

Objectifs de la thèse

L’objectif principalest de développer uneméthodologie permettant detransformer des modèles multi-physiques deréférence du procédé AFP en modèles réduits exploitables industriellement, puisde les intégrer dans une chaîne numérique d’aide à la décision.

Les objectifs scientiﬁques et techniques sont :

Développer des modèles multi-physiques haute-ﬁdélité du procédé AFP ;
Construire des modèles réduits (surrogates) capables de fournir des prédictions rapides et robustes ;
Intégrer ces modèlessous forme de services numériques standardisés dans l’outil de l’aide à la décision.

Travaux proposés

La thèse s’articulera autour de trois axes principaux :

Modélisation multi-physique du procédé AFP Développementde modèlesdécrivantles phénomènesclés du procédé : transferts thermiques, cinétique de réticulation, retrait chimique, contraintes résiduelles et déformations. Les effets de la géométrie (épaisseur, courbure), de la variabilité matériau et des conditions environnementales (notamment l’hydrométrie) seront pris en Les modèlesseront calibrés et validésà partir d’essaisinstrumentés et de données de contrôle qualité.
Réduction de modèles et prédiction rapide
À partir des modèles de référence, des méthodes de réduction de modèles seront développées aﬁn d’obtenir des prédictions en temps quasi-réel. Les travaux incluront l’identiﬁcation des paramètres inﬂuents, la déﬁnition d’un domaine d’applicabilité, la gestion des incertitudes et une stratégie d’enrichissement continu à partir de données de simulation et d’atelier. Les indicateurs ciblés incluent le temps de cycle, la consommation énergétique/CO₂ et les risques de défauts.
Intégration dans la chaîne numérique
Les modèles réduits seront industrialisés sous forme de micro-services (entrées/sorties standardisées, traçabilité, versionnage) et intégrés dans ICAP2 aﬁn de soutenir l’aide à la décision tout au long du cycle de développement procédé.

Résultats attendus

La thèse permettra de proposer une chaîne méthodologique complète allant du modèle de référence au modèle réduit industrialisé, validée sur des cas d’étude AFP. Les travaux viseront également une transposabilité à d’autres procédés composites, contribuant ainsi au développement de jumeaux numériques industriels.

Proﬁl recherché

Master 2 ou diplôme d’ingénieur
Spécialisation en mécanique, matériaux composites, modélisation numérique ou procédés de fabrication
Compétences appréciées : simulation numérique, programmation scientiﬁque (Python, MATLAB), bases en data ou modèles réduits
Goût pour la recherche appliquée et l’environnement industriel

Mots-clés

Simulation multi-physique – réduction de modèles – procédés de fabrication – Placement automatisé des

ﬁbres – composites – chaîne numérique.

Établissement de première inscription

Université Paris-Saclay (ED SMEMAG), ISAE-SUPMECA-Institut Supérieur de Mécanique de Paris, Laboratoire EULER, 3 rue Fernand Hainaut 93407, Saint-Ouen, France.

Encadrement

Pr. Olga KLINKOVA (olga.klinkova@isae-supmeca.fr), MCF HDR M. HAMMADI (moncef.hammadi@isae-supmeca.fr) et MCF M.L. RAFFA (maria-letizia.raffa@isae-supmeca.fr)

Bibliographie

Alex Brasington, Christopher Sacco, Joshua Halbritter, Roudy Wehbe, Ramy Harik, Automated ﬁber placement: A review of history, current technologies, and future paths forward, Composites Part C: Open Access, Volume 6, 2021, 100182,

Matthew Donough, Shafaq, Nigel A. St John, Andrew W. Philips, B. Gangadhara Prusty, Process modelling of In-situ consolidated thermoplastic composite by automated ﬁbre placement – A review, Composites Part A: Applied Science and Manufacturing, Volume 163, 2022, 107179, https://doi.org/10.1016/j.compositesa.2022.107179.

Candidature

Adressez votre CV et une lettre de motivation à :

M. HAMMADI Moncef

moncef.hammadi@isae-supmeca.fr

PhD opportunity

Development of reduced-order multi-physics models for an automated manufacturing process for aerospace composites.

Context

The Automated Fibre Placement (AFP) processis now a key enabler for the manufacture of complex, high-performance composite structures. However, its industrialisation remains limited by the complexity of the physical phenomena involved (thermal, chemical and mechanical), the variability of materials and environmental conditions, and the high cost of detailed numerical simulations. In this context, the development of digital product–process chains is a strategic priority for ensuring sound industrial decisions, reducing development cycles and improving process robustness. This thesis forms part of this initiative, within a decision-support tool aimed at better integrating the AFP process.

Aims of the thesis

The main objective is to develop a methodology for converting multi-physics reference models of the AFP process into scaled-down models suitable for industrial use, and then to integrate them into a digital decision-support chain.

The scientiﬁc and technical objectives are:

To develop high-ﬁdelity multi-physics models of the AFP process;
To construct reduced-order models (surrogates) capable of providing rapid and robust predictions;
To integrate these models as standardised digital services into the decision-support

Proposed research topics:

The thesis will focus on three main areas:

Multi-physics modelling of the AFP process Development of modelsdescribing the key phenomena of the process: heat transfer, cross-linking kinetics, chemical shrinkage, residual stresses and deformations. The effects of geometry (thickness, curvature), material variability and environmental conditions (particularly humidity) will be taken into account. The models will be calibrated and validated using instrumented tests and quality control
Model reduction and rapid prediction
Based on the reference models, model reduction methods will be developed to obtain near-real-time predictions. The work will include the identiﬁcation of inﬂuential parameters, the deﬁnition of a domainof applicability, uncertainty management and a strategy for continuous reﬁnement using simulation and workshop data. The targeted indicators include cycle time, energy consumption/CO₂ and defect risks.
Integration into the digital chain
The reduced models will be industrialised in the form of microservices (standardised inputs/outputs, traceability, versioning) and integrated into ICAP2 to support decision-making throughout the process development cycle.

Expected outcomes

The thesis will propose a comprehensive methodological framework, ranging from the reference model to the industrialised scaled-down model, validated through AFP case studies. The research will also aim to ensure its applicability to other composite processes, thereby contributing to the development of industrial digital twins.

Required proﬁle:

Master’s degree or engineering qualiﬁcation
Specialisation in mechanics, composite materials, numerical modelling or manufacturing processes
Desirable skills: numerical simulation, scientiﬁc programming (Python, MATLAB), basic knowledge of data or scaled models
An interest in applied research and the industrial environment

Keywords:

Multiphysics simulation – model reduction – manufacturing processes – automated ﬁbre placement – composites – digital supply chain.

Primary affiliation

Université Paris-Saclay (ED SMEMAG), ISAE-SUPMECA-Institut Supérieur de Mécanique de Paris, EULER Laboratory, 3 rue Fernand Hainaut 93407, Saint-Ouen, France.

Supervisors: