Thèse d'Adam Hammoumi : « Analysis-Driven Design of Digital Multi-scale Microstructures of Materials »
Alors que les modèles macroscopiques couplés à l’analyse expérimentale de la porosité sont bien établis pour des pores de géométrie simple, les microstructures hiérarchisées et désordonnées défient les cadres existants et remettent en question les interprétations classiques. Nous avons proposé un cadre numérique pour contribuer à la résolution de ce défi, tenant compte à la fois de la morphologie, de la connectivité, et de la distribution en taille des pores.
Sur la base de jumeaux numériques réalistes, notre stratégie a tout d’abord permis de reproduire fidèlement les résultats des techniques de caractérisation de la porosité [a]. De nouveaux modèles pour la simulation numérique ont par ailleurs permis de faire le lien entre des phénomènes physico-chimiques et les propriétés géométriques des microstructures [b]. Enfin, les calculs réalisés sur la base de ces modèles ont été accélérés d’un facteur 30 par l’apprentissage profond (exemple figure 1), grâce à notre modèle auto-encodeur rendant possible, pour de grands volumes, une simulation précise de la mésoporosité à l’échelle du nanomètre [c].
Les résultats de ce travail de thèse sont très encourageants et la plateforme de simulation développée ouvre également la voie à des tests virtuels pour reproduire des opérations sur les matériaux, comme par exemple le broyage, et donner accès à une vision inédite des transformations internes subies par les microstructures à cette occasion.
Au-delà des processus habituels de modélisation microscopique et de caractérisation expérimentale des microstructures de matériaux poreux, la démarche entreprise ambitionne d’établir un nouveau cadre numérique, rapide et adaptatif, pour :
- comprendre les relations entre les propriétés texturales et les propriétés d’usage des matériaux poreux complexes ;
- être en capacité d’obtenir « à haut débit » des résultats expérimentaux simulés.
[a]- https://www.ifpenergiesnouvelles.fr/breve/conception-numerique-axee-lanalyse-microstructures-multi-echelles-materiaux-poreux
[b]- https://www.ifpenergiesnouvelles.fr/breve/vs4-nouvelle-voie-numerique-caracterisation-materiaux-poreux-virtuels
[c]- https://www.ifpenergiesnouvelles.fr/breve/segmentation-semantique-apprentissage-profond-en-sciences-des-materiaux
Références bibliographiques
- A. Hammoumi, M. Moreaud, D. Jeulin, E. Jolimaitre, T. Chevalier, L. Sorbier, M.Klotz and A. Novikov. A novel physisorption model based on mathematical morphology operators preserving exact pore morphology and connectivity. Microporous and Mesoporous Materials, Volume 337, 2022.
>> https://doi.org/10.1016/j.micromeso.2022.111847
- A. Hammoumi, M. Moreaud, C. Ducottet and S. Desroziers. Adding geodesic information and stochastic patch-wise image prediction for small dataset learning. Neurocomputing, Volume 456, 2021.
>> https://doi.org/10.1016/j.neucom.2021.01.108
- A. Hammoumi, M. Moreaud, E. Jolimaitre, T. Chevalier, A. Novikov and M. Klotz. Efficient Pore Network Extraction Method Based on the Distance Transform. In Lecture Notes in Networks and Systems, vol 144. Springer, Cham. Proceedings of the Artificial Intelligence and Industrial Applications conference (A2IA 2020),
>> http://dx.doi.org/10.1007/978-3-030-53970-2_1
- A. Hammoumi, M. Moreaud, E. Jolimaitre, T. Chevalier, A. Novikov and M. Klotz. Graph-Based M-tortuosity Estimation. In Lecture Notes in Computer Science, vol 12708. Springer, Cham. Proceedings of the Discrete Geometry and Mathematical Morphology conference (DGMM 2021).
>> http://dx.doi.org/10.1007/978-3-030-76657-3_30
- A. Hammoumi, M. Moreaud, E. Jolimaitre, T. Chevalier, A. Novikov and M. Klotz. Accelerating a Morphology-Preserving Adsorption Model by Deep Learning. IEEE International Conference on Image Processing (ICIP 2022).
>> http://dx.doi.org/10.1109/ICIP46576.2022.9897406
Contacts scientifiques : adam.hammoumi@ifpen.fr ; Maxime Moreaud