Thèse Contrôle de la Trajectoire de la Lame Lors de la Découpe de Matériaux Auto-Cicatrisants Grâce à l'Apprentissage par Renforcement. H/F

Doctorat_Gouv

Le projet vise à contrôler la trajectoire d'une lame lors de la découpe de matériaux mous à l'aide de l'apprentissage par renforcement (IA). Il repose sur le développement d'un dispositif expérimental permettant la répétition de coupes dans un gel viscoélastique auto-cicatrisant, offrant ainsi à l'IA la possibilité d'apprendre à gérer les instabilités de coupe et les trajectoires de la lame.
En intégrant des contrôleurs basés sur l'intelligence artificielle, ce travail ambitionne d'approfondir la compréhension des mécanismes de coupe dans les matériaux mous, connus pour leurs comportements non linéaires et les instabilités qu'ils présentent lors des procédés de découpe. Le projet revêt un fort caractère interdisciplinaire, en combinant physique expérimentale, systèmes de contrôle par IA et synthèse physico-chimique avancée.
Les applications potentielles concernent de nombreux secteurs industriels, tels que la chirurgie médicale, l'agroalimentaire, le textile, l'industrie automobile ou encore l'emballage, pour lesquels la précision de la découpe des matériaux mous est un enjeu majeur. Des entreprises comme Saint-Gobain et Babybel ont déjà manifesté leur intérêt, en raison des perspectives d'amélioration de l'efficacité des procédés et de réduction des pertes.
La mise en oeuvre réussie de ce projet pourrait ainsi conduire à des avancées significatives dans le contrôle de la propagation des fractures, de l'adhésion et du frottement dans les matériaux mous, au bénéfice du laboratoire SIMM et, plus largement, de la communauté scientifique.

Le projet repose sur le développement d'un dispositif expérimental de découpe répétable utilisant un gel viscoélastique auto-cicatrisant, permettant un grand nombre d'essais sur un même échantillon.
La coupe est réalisée de manière continue, avec une lame montée sur un support radialement compliant, équipée de capteurs de position et de force.
Un agent d'apprentissage par renforcement est entraîné en temps réel à partir des mesures expérimentales afin d'ajuster l'orientation et la trajectoire de la lame, dans le but de contrôler les instabilités et les chemins de fracture.
Les stratégies de contrôle apprises sont ensuite analysées et interprétées afin d'en extraire les mécanismes physiques dominants.

L'objectif principal du projet est de développer et d'étudier un dispositif expérimental permettant le contrôle actif de la trajectoire d'une lame lors de la découpe de matériaux mous, à l'aide d'algorithmes d'apprentissage par renforcement.
Le projet vise à :
1) maîtriser et, le cas échéant, supprimer certaines instabilités de coupe,
2) comprendre les mécanismes physiques sous-jacents aux trajectoires instables de fracture,
3) démontrer la pertinence des contrôleurs basés sur l'IA pour des procédés de découpe complexes et non linéaires.

Le projet repose sur le développement d'un dispositif expérimental de découpe répétable utilisant un gel viscoélastique auto-cicatrisant, permettant un grand nombre d'essais sur un même échantillon.
La coupe est réalisée de manière continue, avec une lame montée sur un support radialement compliant, équipée de capteurs de position et de force.
Un agent d'apprentissage par renforcement est entraîné en temps réel à partir des mesures expérimentales afin d'ajuster l'orientation et la trajectoire de la lame, dans le but de contrôler les instabilités et les chemins de fracture.
Les stratégies de contrôle apprises sont ensuite analysées et interprétées afin d'en extraire les mécanismes physiques dominants.