Saïf Eddine Sekkal : Modélisation multi-échelle du comportement global des composites thermoplastiques recyclés : investigation et génération microstructurales, et homogénéisation basée sur les données

Jury

• Fadi Aldakheel (Leibniz University, rapporteur)
• Patrick Rozycki (École Centrale de Nantes, rapporteur)
• Emmanuel Baranger (ENS Paris-Saclay, examinateur)
• Chady Chnatios (University of North Florida, examinateur)
• Mohsen Mirkhalaf (University of Gothenburg, examinateur)
• Frédéric Ruch (CETIM, examinateur)
• Fodil Meraghni (Arts et Métiers, examinateur)
• George Ghatzigeorgiou (Arts et Métiers, examinateur)
• Denis Espinassou (CETIM, invité)
• Francis Praud (Arts et Métiers, invité)

Mots clés : Modélisation multi-échelle, Composites thermoplastiques recyclés, Génération de microstructures, Variabilité microstructurale induite par le procédé, Modélisation non-linéaire viscoélastique et viscoplastique, Endommagement anisotrope, Réseaux de neurones artificiels, Modélisation basée sur les données

Abstract

Les composites thermoplastiques recyclés offrent une alternative durable aux matériaux traditionnels, mais leur
comportement mécanique reste difficile 4 prévoir en raison de leur hétérogénéité intrinsèque. Le processus de recyclage introduit une variabilité de la microstructure et des propriétés mécaniques, nécessitant des approches adaptées pour une prédiction précise. Cette thèse développe des outils et méthodologies pour mieux comprendre, prédire le comportement de ces composites. D’abord, des investigations expérimentales montrent comment les paramètres de procédé, comme la taille des fragments, influencent les propriétés microstructurales et mécaniques des composites recyclés a fibres de verre. L’analyse révèle des comportements anisotropes et non linéaires liés 4 des architectures de fibres distinctes, établissant une base pour des modèles prédictifs reflétant leur hétérogénéité. Ensuite, des modèles constitutifs non linéaires capturent les mécanismes viscoélastiques, viscoplastiques et d’endommagement. Les résultats valident leur capacité 4 reproduire le comportement sous des chargements complexes. Enfin, approche MuTINN (Multiscale Thermodynamics Informed Neural Networks), basée sur les données et les principes thermodynamiques, intègre des variables d’état internes pour modéliser le comportement non linéaire. L’approche permet des prédictions efficaces et précises tout en maintenant l’interprétabilité physique. Son intégration dans un logiciel EF démontre son efficacité pour l’analyse macroscopique et l’optimisation rapide des composites recyclés pour l’industrie.

En visioconférence

Il est possible d’assister à la soutenance en visioconférence sur Microsoft Teams.

Keywords: Multiscale modeling, Recycled thermoplastic composites, Microstructure generation, Process induced microstructural variability, Nonlinear viscoelastic viscoplastic modeling, Anisotropic damage, Artificial Neural Networks, Data-driven modeling

Abstract

Recycled thermoplastic composites offer a sustainable alternative to traditional composites, but their mechanical behavior remains difficult to predict due to inherent heterogeneity. The recycling process introduces variability in microstructure and material properties, requiring tailored approaches for accurate performance prediction. This thesis develops tools and methodologies to improve the understanding, prediction, and application of these composites. First, experimental investigations examine how processing parameters, such as chip size, influence the microstructural and mechanical properties of recycled glass fiber composites. The analysis reveals anisotropic and history-dependent behaviors linked to distinct fiber architectures at micro- and meso-scales, forming a foundation for predictive models reflecting their heterogeneity. Second, nonlinear constitutive models are proposed to capture viscoelastic, viscoplastic, and damage mechanisms in the composites. Experimental results validate their ability to replicate energy absorption, damping, and inelastic behaviors under complex loading conditions. Finally, the data-driven MuTINN (Multiscale Thermodynamics Informed Neural Networks) framework improves predictive capabilities for recycled composites. Grounded in thermodynamics, it incorporates internal state variables (ISVs) to model anisotropic and history-dependent behaviors. The approach enables efficient predictions while maintaining physical interpretability. Its integration into FE software demonstrates effective macroscale structural analysis and facilitates the rapid optimization of recycled composites for industrial applications.

By videoconference

Il est possible d’assister à la soutenance en visioconférence sur Microsoft Teams.