Mardi 17 juin 2025 à 10h, M. Antoine Goichon soutiendra publiquement ses travaux de thèse intitulés Approches hybrides couplant modèles physiques et apprentissage profond pour la prédiction d’état structurel de structures aéronautiques, dirigés par M. Nicolas Peyret et co-encadrés par M. Martin Ghienne et M. Valentin Tschannen
Lieu
ISAE-Supmeca, 3 Rue Fernand Hainaut, 93400 Saint-Ouen-sur-Seine
Salle : Amphitéâtre Nelly BLANC
Mots clés
# capteur virtuel
# modèle hybride
# apprentissage profond
# dynamique des structures
# aérodynamique
Résumé
La caractérisation des chargements subis en vol par les structures aéronautiques est importante pour les fabricants. Elle permet la certification de leurs appareils, la validation de modèles numériques et l’élaboration de plans de maintenance efficaces. Pour obtenir ces chargements, des avions équipés de capteurs additionnels dédiés à l’analyse structurelle sont utilisés. Équipés de leur instrumentation de bord, ces avions permettent, lors des vols d’essai, d’obtenir des bases de données les reliant à ces chargements. Mais l’exploitation de ces capteurs est souvent limitée par leurs coûts de déploiement, de fabrication et de maintenance. Par conséquent, les avions commercialisés disposent d’un nombre de capteurs limité, souvent réduits à l’instrumentation de bord.
Pour pallier ce problème, les capteurs virtuels suscitent un fort intérêt auprès des avionneurs. Basés sur des modèles mathématiques, ils permettent la reconstruction de grandeurs d’intérêt difficilement mesurables, de remplacer des capteurs physiques souvent coûteux, ou d’améliorer les mesures existantes. Généralement basés sur des modèles physiques ou guidés par les données, les capteurs virtuels fondés sur des modèles hybrides introduisent un nouveau paradigme, exploitant à la fois la robustesse, l’efficacité et l’interprétabilité des approches physiques ainsi que la flexibilité et les performances des approches guidées par la donnée.
Lors du challenge « AI for Industry 2020 », organisé par la région Île-de-France en partenariat avec Dassault Aviation, une preuve de concept de capteur virtuel de contraintes, basé sur l’apprentissage automatique, a été proposée. La prédiction précise des contraintes à partir de l’instrumentation de bord a permis de démontrer l’intérêt de cette approche. Dans la continuité de ces travaux et dans l’objectif d’améliorer ces capteurs virtuels, les modèles hybrides couplant l’apprentissage profond et la modélisation physique sont étudiés.
Un simulateur d’interaction fluide-structure a été développé afin d’étudier leur performance dans un contexte maîtrisé et dépourvu d’incertitude non contrôlée. Il permet la génération d’une base de données synthétique reliant l’instrumentation de bord au comportement dynamique d’une aile sur plusieurs heures de vol pour un faible coût en calcul. Une première application de capteur virtuel de déformations, fondée sur des réseaux de neurones artificiels et exclusivement guidée par les données, a démontré son intérêt. Toutefois, les prédictions sont restreintes aux emplacements de mesure de déformation utilisés lors de leur entraînement.
Afin d’étendre ces prédictions à l’ensemble de la structure, l’utilisation d’un réseau de neurones informé par la physique intégrant l’équation d’Euler-Bernoulli a été investigué. Mais cette approche s’est révélée contraignante et particulièrement peu adaptée à notre étude. En conséquence, trois architectures originales de réseaux de neurones, qualifiées d’informées par base modale, ont été proposées. La première architecture utilise cette information a posteriori. La seconde utilise la base modale comme décodeur, associé à une régularisation de Tikhonov basée sur l’énergie potentielle. La troisième, et la plus prometteuse, le réseau de neurones temporel à hiérarchie modale (THM-net), également basé sur l’utilisation de la base modale comme décodeur, intègre, par l’architecture et par un apprentissage résiduel, l’importance relative des différents modes de structure. Cette dernière a montré des performances remarquables tout en offrant une plus grande robustesse au nombre de mesures disponibles, une reconstruction précise du champ de déformations et un coût en calculs maîtrisé.
École doctorale : Sciences Mécaniques et Energétiques, Matériaux et Géosciences n°579
Spécialité : Génie Mécanique
Établissement : Université Paris-Saclay
Unité de recherche : Laboratoire Quartz (EA 7393) – ISAE-Supméca
Composition du jury
- Emmanuel Ramasso
Associate Professor, ENSMM, SUPMICROTECH
Rapporteur & Examinateur - Mathieu Aucejo
Professeur des universités, Le Cnam, MSSC
Rapporteur & Examinateur - Joseph Morlier
Professeur, ISAE-SUPAERO, ICA-CNRS
Examinateur - Mathilde Mougeot
Professeur des universités, ENSIIE, Centre Borelli
Examinatrice - Stéphane Nachar
Data Scientist Dassault Aviation
Examinateur
