Stage - Métamodèle pour la Fragmentation des Granules d'Uo2 H/F CEA

Vous serez accueilli·e au sein de l'IRESNE, institut de la DES, où vous intégrerez l'équipe du laboratoire et participerez pleinement à ses activités.

Contexte
Ce stage s'inscrit dans le cadre de la modélisation multi-échelle du procédé de pressage de poudres.
La caractérisation mécanique d'un volume élémentaire représentatif (VER) de poudre par simulation discrète (DEM, Discrete Element Method) est une étape nécessaire pour prendre en compte les effets de la microstructure sur le comportement macroscopique à l'échelle de la pastille.

Cependant ces simulations sont très couteuses en temps de calcul car il est nécessaire de considérer des particules initialement discrétisées pour simuler leur fragmentation. Une piste pour réduire ces temps de calcul est d'utiliser un métamodèle capable de prédire la fragmentation de particules non discrétisées.

Lors d'un précédent stage, des simulations DEM élémentaires basées sur la compression de granules représentés par des clusters de sphères ont permis de générer une base d'apprentissage et d'implémenter un métamodèle de type réseau de neurones.

Ce métamodèle prédit, à partir du tenseur de contrainte, si un cluster se fragmente ou non. Plusieurs difficultés ont été identifiées liées à la modélisation et la génération de la base de données pour représenter le phénomène de fragmentation (dépendance au nombre de sphères, chemins de contraintes trop restreints, sous-représentation des scénarios fragmentés).

Ce stage a pour objectif de poursuivre ces travaux en développant une base d'apprentissage plus réaliste. Les améliorations porteront sur l'utilisation de granules discrétisées par des cellules de Voronoï, la prise en compte de l'historique de chargement des granules, ainsi que l'intégration du nombre de fragments dans les sorties prédites par le métamodèle.

Étapes du stage
Prise en main des outils DEM (ROCKABLE / EXADEM) et construction d'échantillons composés de granules discrétisés en cellules de Voronoï.
Réalisation de simulations pour alimenter la base de données.
Analyse de la base d'apprentissage (représentativité, répartition) et amélioration des entrées du métamodèle (prise en compte de l'historique de chargement).
Mise en en place du métamodèle et évaluation de ses prédictions.