Post-Doctorat en IA Frugale et Durabilité des Composites - Campus d'Angers H/F Ecole Nationale Supérieure d'Arts et Métiers (ENSAM)

Le projet COMPOSIA s'inscrit dans le cadre des transitions écologique et numérique. Il vise à développer une méthodologie hybride basée sur des outils d'intelligence artificielle qui combinent données et modèles physiques (IA frugale) pour prédire la durabilité des matériaux composites à matrice thermodurcissable utilisés dans le bâtiment en zone inondable. Compte tenu des changements climatiques en milieu urbain, il est important de contrôler en temps réel la dégradation des bâtiments et de proposer des solutions de prédiction des durées de vie. Le matériau choisi pour cette étude est un composite verre/époxy unidirectionnel, matériau qui occupe une place centrale dans le secteur du bâtiment pour des applications de renforcement, de réhabilitation ou d'éléments structurels exposés. Leur utilisation repose sur un compromis favorable entre performances mécaniques spécifiques, faible masse volumique et résistance à la corrosion. Néanmoins, en zone inondable, ces matériaux sont soumis à des sollicitations hygrothermiques sévères caractérisées par une humidité élevée, des variations de température, ce qui induit des mécanismes de dégradation progressifs et fortement couplés. Dans ce contexte, les industriels du bâtiment sont confrontés à une problématique majeure liée à l'exploitation de données expérimentales coûteuses à acquérir et souvent insuffisantes pour alimenter des modèles robustes. Cette limitation freine la capacité à anticiper la durabilité des structures et à optimiser les choix de conception ou de maintenance. La problématique scientifique du projet s'inscrit précisément dans ce cadre et vise à établir un lien prédictif entre conditions de vieillissement hygrothermique et évolution des propriétés mécaniques à partir de jeux de données limités, en s'appuyant sur des approches d'intelligence artificielle intégrant des contraintes physiques. Une telle approche nécessite de dépasser les limites actuelles des modèles purement analytiques et des approches purement basées sur les données (data-driven), en développant des stratégies hybrides capables de capturer la complexité des mécanismes en jeu tout en restant compatibles avec des volumes de données réduits.

Les verrous scientifiques associés à cette problématique sont multiples. Ils concernent: - d'une part la nature limitée et hétérogène des données expérimentales disponibles, qui impose le développement de méthodes d'apprentissage adaptées aux faibles volumes de données; - d'autre part la complexité des mécanismes de vieillissement, qui impliquent des interactions entre diffusion, plastification, oxydation et endommagement mécanique, rendant difficile l'identification des variables réellement gouvernantes. À cela s'ajoute la difficulté de définir des descripteurs pertinents permettant de relier les observations expérimentales aux performances mécaniques, ainsi que le problème fondamental de la transposition des résultats issus d'essais accélérés vers des conditions réelles d'usage.