| Source DB | fr |
|---|---|
| Institution | ULiège |
| Code | 26_12090 |
| Unit | ULiège_u001 |
| Begin | 10/1/2018 |
| End | |
| title fr | Analyse stochastique multi-échelle de composites tissés assistée par intelligence artificielle |
| title nl | |
| title en | Stochastic Multiscale Analysis of Woven Composites Assisted by Machine learning |
| Description fr | En vue d'optimiser les procédés de fabrication et l'architecture de la microstructure pour atteindre des performances structurellesvoulues, il existe un besoin de conduire des simulations multi-échelles stochastiques. Cependant, quand la microstructure impliquedes propriétés géométriques et des réponses matérielles non uniformes, les approches multi-échelles traditionnelles couplées avec dessimulations de Monte Carlo ne peuvent pas être envisagées en raison du coût prohibitif, en particulier dans le domaine non-linéaire.Il existe donc un besoin d'enrichir les simulations stochastiques multi-échelles avec des outils développés pour la science du traitement des données. L'objectif de ce projet et de s'appuyer sur les théories de l'intelligence artificielle pour pouvoir conduire simulations stochastiques multi-échelles de composites tissés qui peuvent prendre en compte les incertitudes liées au procédé de fabrication. |
| Description nl | |
| Description en | In order to optimise manufacturing process and the design to reach targeted structural performance, there is a need to conduct stochastic multiscale simulations. However, when the microstructures involve geometrical properties and material responses that may vary, traditional multiscale approaches coupled with Monte-Carlo simulations cannot be envisioned because of the overwhelming computational cost, in particular in the nonlinear range. There is thus a need to enhance the stochastic multiscale simulations with tools developed by the data science community. The goal of this project is to rely on machine learning theories to achieve efficient stochastic multiscale simulations of woven composite materials that can consider the uncertainties resulting from the manufacturing process. |
| Qualifiers | |
| Personal | |
| Collaborations |
