Parcours Initiation à la Recherche
Titre du sujet
Approches de type Deep Learning en science des matériaux : utilisation de
réseaux de neurones pour la caractérisation de la déformation plastique en
surface de métaux polycristallins
Equipe de
recherche
Julien GENEE1,2,#, Damien TEXIER2,3, Ali ROUWANE2,3,**, Sylvain VALLOT1,2,*, Malo JULLIEN2,3,*
1 IMT Mines Albi ; 2 Institut Clément ADER (ICA) ; 3CNRS ;
*doctorant ; **post-doctorant ; ## julien.genee@mines-albi.fr
Laboratoire
ICA UMR CNRS 5312
Contexte et problématique :
Dans les matériaux métalliques polycristallins, l’évaluation quantitative et statistique de l’activité plastique en
relation avec les paramètres microstructuraux (taille de grain, phases, état de précipitation, etc) et les conditions
environnementales (haute température, atmosphère oxydante, etc) est essentielle afin de comprendre les mécanismes
de déformation à l’œuvre sous sollicitation mécanique.
Dans ce type de matériaux, la déformation plastique se localise souvent sous formes de bandes au sein des grains, dites
bandes de glissement, apparaissant et persistant au cours du chargement et traduisant le mouvement collectif de
dislocations [1]. Ces bandes de localisation de la déformation plastique, et la manière dont elles évoluent en fonction
de la microstructure lorsque le matériau se déforme, sont susceptibles d’être à l’origine d’un endommagement [2-3]. Il
est donc nécessaire de pouvoir cartographier de manière précise la localisation de la déformation au sein des grains
du polycristal afin d’identifier les configurations critiques pouvant conduire à l’amorçage de fissures, et de comprendre
quels facteurs pilotent ces mécanismes de déformation.
Différentes techniques expérimentales peuvent aujourd’hui être utilisées afin de mesurer les champs de déformation et
capter la localisation de la plasticité à l’échelle locale. Elles requièrent en général l’utilisation de moyens d’imagerie
à haute résolution, comme le microscope à force atomique ou le microscope électronique à balayage (MEB, ou SEM
en anglais). L’utilisation couplée du MEB avec la technique de corrélation d’image numérique (DIC en anglais) est
très souvent utilisée et décrite comme une approche efficace pour la détermination expérimentale des champs de
déformation à l’échelle de la microstructure [4-5]. Le principe repose sur la mesure du champ de déplacement en
surface d’une éprouvette sous sollicitation à partir de deux images acquises à deux instants distincts du chargement (en
général un état de référence non déformé et un état déformé). L’utilisation d’un mouchetis est généralement requise
afin de suivre une même zone d’intérêt entre les deux états considérés. Cette technique permet ensuite, par dérivation
des champs de déplacement, d’extraire les champs continus de déformation dans les grains du polycristal.
Figure 1 : Champ de déformation obtenue par HR-DIC (composante suivant la direction
de traction) ; la déformation plastique se concentre sous forme de bandes très intenses (bandes de glissement) [6].
Plus récemment, une approche dite de corrélation d’image numérique haute résolution (HR-DIC) a démontré sa
capacité à mieux décrire les bandes de glissement, localisées sous forme de traces discontinues en surface des métaux
déformés (Figure 1) [7]. Cette approche est donc plus performante que la DIC conventionnelle, et se place donc comme
un meilleur outil pour l’évaluation statistique de l’activité plastique dans les polycristaux.
Toutefois, les algorithmes d’optimisation utilisés en HR-DIC pour la détermination des champs locaux de déformation
peuvent nécessiter des temps de calcul relativement longs, a fortiori si l’on souhaite caractériser ces champs sur une
large zone en surface du matériau déformé. La parallélisation du code de calcul (en utilisant les unités GPUs) a permis
de réduire ces temps, mais la technique HR-DIC reste néanmoins plus couteuse que la DIC conventionnelle.
Avec le développement actuel des algorithmes de machine learning (ML) dédiés à l’analyse d’images et la
multiplication de ces approches dans le domaine des sciences des matériaux [8-9], il convient de s’interroger sur
l’intérêt que peuvent présenter ces méthodes pour la détermination des champs de déformation par corrélation d’images
numérique.
Description du projet :
L’objectif à terme du projet sera de mettre en place un algorithme de Deep Learning (DL) basé sur les réseaux de
neurones de convolution (CNN en anglais) permettant d’extraire à partir de deux images en entrée (une image de
référence et une image propre à un état déformé) le champ de déformation en surface d’un matériau sollicité
mécaniquement. Le matériau support de l’étude sera un Inconel 718 ; cet alliage représente plus de la moitié du tonnage
produit des pièces en superalliages base nickel dans le monde.
Ce projet exploratoire entrera en interaction avec des travaux de thèse et de post-doctorat actuellement en cours au
laboratoire ICA de l’Ecole. Les étudiants, accueillis au sein du laboratoire, pourront ainsi entrer en interaction avec les
doctorants et les membres permanents de l’équipe de recherche. Notamment, les étudiants intéressés pourront assister
aux essais mécaniques avec suivi optique pour la corrélation d’image numérique, permettant de générer les données
nécessaires à la réalisation du projet.
Profil recherché :
- goût prononcé pour le domaine des sciences des matériaux (matériaux métalliques)
- connaissance du langage de programmation Python
- curiosité ou aspiration au monde de la recherche
Modalités :
Déposer une lettre expliquant les motivations pour le parcours orienté recherche et pour le sujet proposé. Pour toute
question relative au sujet, s’adresser à Julien GENEE (julien.genee@mines-albi.fr).
Références :
[1] Pineau, A., & Antolovich, S. D. (2009). High temperature fatigue of nickel-base superalloys–a review with special emphasis
on deformation modes and oxidation. Engineering failure analysis, 16(8), 2668-2697.
[2] Stinville, J. C., Echlin, M. P., Texier, D., Bridier, F., Bocher, P., & Pollock, T. M. (2016). Sub-grain scale digital image
correlation by electron microscopy for polycrystalline materials during elastic and plastic deformation. Experimental
mechanics, 56(2), 197-216.
[3] Genée, J., Signor, L., & Villechaise, P. (2017). Slip transfer across grain/twin boundaries in polycrystalline Ni-based
superalloys. Materials Science and Engineering: A, 701, 24-33.
[4] Jiang, J., Zhang, T., Dunne, F. P., & Britton, T. B. (2016). Deformation compatibility in a single crystalline Ni superalloy.
Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, 472(2185), 20150690.
[5] Stinville, J. C., Lenthe, W. C., Echlin, M. P., Callahan, P. G., Texier, D., & Pollock, T. M. (2017). Microstructural statistics
for fatigue crack initiation in polycrystalline nickel-base superalloys. International Journal of Fracture, 208(1), 221-240.
[6] Charpagne, M. A., Hestroffer, J. M., Polonsky, A. T., Echlin, M. P., Texier, D., Valle, V., ... & Stinville, J. C. (2021). Slip
localization in Inconel 718: a three-dimensional and statistical perspective. Acta Materialia, 215, 117037.
[7] Bourdin, F., Stinville, J. C., Echlin, M. P., Callahan, P. G., Lenthe, W. C., Torbet, C. J., ... & Valle, V. (2018). Measurements
of plastic localization by heaviside-digital image correlation. Acta Materialia, 157, 307-325.
[8] Ge, M., Su, F., Zhao, Z., & Su, D. (2020). Deep learning analysis on microscopic imaging in materials science. Materials
Today Nano, 11, 100087.
[9] Himanen, L., Geurts, A., Foster, A. S., & Rinke, P. (2019). Data‐driven materials science: status, challenges, and
perspectives. Advanced Science, 6(21), 1900808.