Jumeau numérique multi-échelle et assimilation de données pour prévoir l'endommagement dans les réservoirs sous pression en composite - PASTEL - Thèses en ligne de ParisTech Accéder directement au contenu
Thèse Année : 2023

Multiscale Digital Twin and Data Assimilation to Predict Damage in Composite Pressure Vessels

Jumeau numérique multi-échelle et assimilation de données pour prévoir l'endommagement dans les réservoirs sous pression en composite

Nesrine Klebi
  • Fonction : Auteur
  • PersonId : 1363486
  • IdRef : 276301870

Résumé

In this thesis work, we develop a multi-scale Digital Twin (DT) by combining Acoustic Emission (AE) signals with a high fidelity damage model that includes a high level of detail, aiming to perform online damage assessment of CPVs and make future predictions. Nonetheless, the realization of this objective is riddled with challenges. For the mechanical description, we utilize a micro-meso model that provides an intricate account of fiber rupture statistics, resulting in a substantial computational burden. To seam lessly integrate it into the DT, we first homogenize the model to make it deterministic at the mesoscopic scale, and subsequently reduce it to a 0D model at the location of the damage-prone fold with imposed deformation. On the other hand, acoustic signals are simplified by being modeled as detections, without attenuation or propagation analysis. They will be generated through a Poisson process based on physical principles, where the probability of detecting acoustic events increases as damage progresses. This connection with mechanics is expressed through the form of the Poisson process intensity, which follows a power-law distribution that links the evolution of damage to various acoustic events that can be instantaneously detected by sensors. Finally, to adapt to the dynamic data generation,an online inverse problem is solved through data assimilation using a particle filter (PF) Bayesian filtering approach. The parameters of the non-Gaussian acoustic model and the PF are evaluated by maximizing the marginal like lihood.
Dans ce travail de thèse, nous développons un jumeau numérique (DT) multi-échelle en associant les signaux des EAs à un modèle d’endommagement HF comportant un niveau élevé de détails, afin d’évaluer en ligne l’endommagement des CPVs et faire des prédictions futures. Néanmoins, la concrétisation de cet objectif est jonché de difficultés. Pour la description mécanique, nous utilisons un modèle micro-méso qui offre une description détaillée de la statistique de rupture des fibres, engendrant une forte charge de calcul. Pour une intégration efficace dans le DT, nous homogénéisons d’abord le modèle pour le rendre déterministe à l’échelle mésoscopique et nous le réduisons ensuite en un modèle 0D au point du pli endommageable avec une déformation imposée. D’autre part, les signaux acoustiques sont simplifiés en étant modélisés comme des détections, sans analyse d’atténuation ni de propagation. Elles seront générées par un processus de Poisson basé sur des principes physiques, où la probabilité de détection d’événements acoustiques augmente au fur et à mesure de l’avancement de l’endommagement. Cette relation avec la mécanique est exprimée par la forme de l’intensité du processus de Poisson, qui suit une loi puissance liant l’évolution de l’endommagement à divers événements acoustiques pouvant être détectés instantanément par des capteurs. Finalement, pour s’adapter à la génération dynamique de données, on résout un problème inverse en ligne par assimilation de données avec un filtrage bayésien de type filtre particulaire (PF) avec une évaluation des paramètres du modèle acoustique non gaussien et du PF par maximisation de la vraisemblance marginale.
Fichier principal
Vignette du fichier
2023UPSLM051_archivage.pdf (51.34 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04504082 , version 1 (14-03-2024)

Identifiants

  • HAL Id : tel-04504082 , version 1

Citer

Nesrine Klebi. Jumeau numérique multi-échelle et assimilation de données pour prévoir l'endommagement dans les réservoirs sous pression en composite. Matériaux. Université Paris sciences et lettres, 2023. Français. ⟨NNT : 2023UPSLM051⟩. ⟨tel-04504082⟩
82 Consultations
7 Téléchargements

Partager

Gmail Facebook X LinkedIn More