Soutenance de thèse : Maryne FEBVRE

Intelligence artificielle pour optimiser le contrôle distribué des vibrations : Application aux réseaux de transducteurs dans les structures intelligentes.

Doctorante : Maryne FEBVRE

Laboratoire INSA : LAMCOS - Laboratoire de Mécanique des Contacts et des Structures

École doctorale : ED162 : MEGA de Lyon (Mécanique, Énergétique, Génie civil, Acoustique)

Les matériaux intelligents, comme les transducteurs piézoélectriques, sont devenus essentiels en ingénierie moderne pour des applications telles que le contrôle des vibrations, la récupération d'énergie et la propagation des ondes. Ces éléments multiphysiques permettent de développer des structures intelligentes adaptatives, capables d'interagir avec leur environnement, et de résoudre des problématiques liées à l'instabilité et à la fatigue des matériaux. Cependant, l'optimisation de ces systèmes devient de plus en plus complexe à mesure que le nombre de transducteurs et de paramètres ajustables augmente. Cette thèse explore l'optimisation du contrôle des vibrations dans les structures intelligentes à l'aide de l'apprentissage par renforcement profond (DRL pour Deep Reinforcement Learning). Plusieurs lois de contrôle actif ou passif sont appliquées aux transducteurs piézoélectriques. Le réglage de ces lois par DRL est comparé à des méthodes d'optimisation traditionnelles telles que le simplex et les algorithmes génétiques. L'efficacité est évaluée en termes d'atténuation des vibrations, de stabilité structurelle et de performance de calcul. Des analyses modales, à la fois numériques et expérimentales, sont effectuées pour valider la faisabilité du contrôle sur diverses structures, allant de modèles unidimensionnels basés sur des éléments finis à des réseaux complexes de transducteurs. Les résultats mettent en évidence l'efficacité du DRL pour ajuster des lois de contrôle en boucle fermée multi paramètres tout en tenant compte de fonction d'optimisation non linéaires incluant des contraintes de stabilité. Cependant, des défis tels que l'aléa dans l'entraînement et la divergence sont surmontés grâce à des stratégies basées sur la mémoire, renforçant la robustesse et l'adaptabilité aux variations environnementales. Ce travail fait progresser les méthodes basées sur l'intelligence artificielle pour le contrôle des structures intelligentes distribuées, établissant un lien entre les domaines de l'intelligence artificielle et des matériaux adaptatifs.