Thèse Développement de Lois d'Écoulement Fondées sur des Réseaux de Neurones Artificiels pour la Simulation de l'Usinage du Ti-6Al-4V Aéronautique H/F - Doctorat.Gouv.Fr

Établissement : Institut National Polytechnique de Toulouse École doctorale : MEGEP - Mécanique, Energétique, Génie civil, Procédés Laboratoire de recherche : LGP - Laboratoire Génie de Production Direction de la thèse : Olivier PANTALE ORCID 0000000173675453 Début de la thèse : 2027-09-01 Date limite de candidature : 2026-11-23T23:59:59 Ce projet de thèse en codirection entre l'Université de Toulouse et l'Université de Mons (UMONS) vise à développer des lois d'écoulement fondées sur des réseaux de neurones artificiels (ANN) pour la simulation de l'usinage du Ti-6Al-4V. Le Ti-6Al-4V Grade 5 est un alliage de titane léger essentiel aux applications aéronautiques, mais son usinage implique des conditions thermomécaniques sévères, caractérisées par de grandes déformations plastiques, des vitesses de déformation élevées et des températures importantes.

Le projet combinera des essais de compression thermomécaniques sur simulateur Gleeble-3500, des données qualifiées à grande vitesse de déformation issues de la littérature et des expériences d'usinage instrumentées. Plusieurs descriptions constitutives seront développées et comparées : une loi de Johnson-Cook de référence, des modèles ANN directs et des modèles hybrides associant ANN et loi analytique. Les lois fondées sur les ANN seront implantées dans Abaqus/Explicit par l'intermédiaire d'une sous-routine utilisateur VUHARD, puis vérifiées sur des cas mécaniques élémentaires.

L'étape principale de validation reposera sur des essais instrumentés de coupe orthogonale et sur des simulations par éléments finis utilisant prioritairement des modèles ALE 2D, complétés si nécessaire par des simulations CEL 3D ciblées. Les comparaisons porteront sur les efforts de coupe, la puissance, la morphologie des copeaux et l'intégrité de surface. Le projet fournira ainsi une chaîne intégrée reliant caractérisation du matériau, apprentissage automatique, simulation numérique et validation expérimentale, avec des perspectives pour un usinage aéronautique plus efficace et plus durable. The scientific context of this PhD is the increasing need for predictive and physically reliable numerical models to support the machining of high-performance aerospace materials. Ti-6Al-4V Grade 5 is widely used because of its high specific strength, corrosion resistance, and suitability for demanding structural and aero-engine applications; however, its machining remains particularly difficult owing to the extreme thermomechanical conditions generated in the primary shear zone. These conditions involve large plastic strains, high strain rates, and high temperatures, which govern cutting forces, chip morphology and segmentation, tool wear, and the final surface integrity of machined components.
Although finite-element simulations are widely used to investigate these mechanisms and optimise machining conditions, their predictive capability depends critically on the constitutive law adopted. Conventional models such as Johnson-Cook remain attractive because they are simple and efficient, but they may not capture adequately the strong and coupled effects of strain hardening, strain-rate sensitivity, and thermal softening exhibited by titanium alloys.

The thesis therefore builds on the complementary expertise of the University of Toulouse in thermomechanical characterization, nonlinear constitutive modelling, and ANN implementation in Abaqus/Explicit, and of the University of Mons in instrumented cutting experiments and ALE/CEL machining simulations. It investigates whether ANN-based flow laws, trained on qualified experimental data and enriched with high-strain-rate information, can provide a more accurate and robust description of Ti-6Al-4V behaviour under machining conditions while remaining computationally viable for explicit finite-element simulations. The thesis aims to develop, implement, and validate an artificial-neural-network-based constitutive flow law for the numerical simulation of machining annealed Ti-6Al-4V Grade 5, a strategic aerospace alloy subjected to extreme strain, strain-rate, and temperature conditions during cutting.
The work will combine thermomechanical characterization using Gleeble-3500 compression tests, critical qualification and integration of published high-strain-rate data, and the construction of a traceable material database. Several constitutive approaches-including reference and enriched analytical laws, direct ANN models, and hybrid formulations-will be evaluated in terms of accuracy, smoothness, numerical robustness, derivative consistency, computational efficiency, and validity domain.
The selected ANN law will be implemented in Abaqus/Explicit through a VUHARD user subroutine, verified on elementary mechanical cases, and validated against instrumented orthogonal-cutting experiments by comparing predicted and measured cutting forces, power, chip morphology, and surface integrity. Subject to the results obtained, the study will further assess the transferability of the modelling framework to shoulder milling through a simplified, scientifically justified approach, thereby delivering a reproducible workflow from material characterization to process-scale simulation. The proposed methodology follows an integrated experimental-numerical-data-driven workflow, progressing from material characterization to machining-process validation. The project will begin with a focused literature review and the development of a qualified database for annealed Ti-6Al-4V Grade 5, ensuring traceability of alloy condition, microstructure, temperature, strain rate, testing procedures, and data quality. Instrumented compression tests will then be conducted using a Gleeble-3500 thermomechanical simulator over temperatures ranging from room temperature to approximately 950 °C (up to 1,200 °C for targeted investigations) and strain rates from quasi-static conditions to about 5/s. The resulting data will be rigorously processed to account for friction, thermal gradients, adiabatic heating, and repeatability, and complemented with published high-strain-rate data relevant to machining conditions.
Several constitutive descriptions will subsequently be developed and compared, including a reference Johnson-Cook law, enriched analytical formulations, neural networks directly predicting flow stress, and hybrid models in which an ANN corrects an analytical law. Their performance will be assessed not only on fitting accuracy but also on smoothness, extrapolation behaviour, derivative consistency, numerical stability, and computational cost.

The selected ANN-based law will be implemented in Abaqus/Explicit through a VUHARD user subroutine and first verified using elementary mechanical simulations. Its process-scale validity will then be evaluated through instrumented orthogonal-cutting experiments and corresponding two-dimensional ALE simulations, with selected three-dimensional CEL analyses where justified. Predicted cutting forces, power, chip geometry and morphology, and surface condition will be compared with experimental measurements.

Ce sujet de thèse s'adresse à un candidat ou une candidate titulaire d'un Master 2, d'un diplôme d'ingénieur ou d'une qualification équivalente en mécanique, génie mécanique, science des matériaux, génie industriel, calcul scientifique ou dans une discipline connexe. Les compétences et qualités suivantes sont recherchées :

- Solides bases en mécanique des solides, plasticité, comportement des matériaux ou procédés de fabrication.
- Intérêt pour l'usinage et l'expérimentation.
- Intérêt pour les éléments finis et la simulation numérique.
- Compétences en programmation scientifique, idéalement en Python et en Fortran.
- Intérêt pour l'apprentissage automatique et les réseaux de neurones.
- Rigueur dans le traitement des données et capacité à confronter les modèles aux résultats expérimentaux.

Application link : https://edd-projets.utoulouse.fr/
- Autonomie, curiosité scientifique et capacité à travailler dans un environnement pluridisciplinaire.
- Capacité à évoluer dans un contexte international et à effectuer des séjours prolongés en France et en Belgique.

Une expérience avec Abaqus, les sous-routines utilisateur, la caractérisation mécanique, l'usinage ou les outils de traitement de données constituerait un atout, sans être indispensable. Une bonne maîtrise écrite et orale de l'anglais est indispensable pour la lecture scientifique, les échanges internationaux, la participation à des conférences et les publications. La connaissance du français serait appréciée afin de faciliter l'intégration dans les deux laboratoires.

• Gestion des données
• Python
• Programmation
• Anglais
• Autonomie
• Procédure d'usinage
• Machine learning
• Fortran
• Éléments finis
• Français