Méthodes de machine learning pour la prédiction de trajets de fissures dans les matériaux cimentaires sur la base de descripteurs morphologiques locaux - Archive ouverte HAL
Communication Dans Un Congrès Année : 2019

Méthodes de machine learning pour la prédiction de trajets de fissures dans les matériaux cimentaires sur la base de descripteurs morphologiques locaux

Résumé

La construction d'un matériau numérique repose sur des descripteurs morphologiques qui caractérisent un matériau réel à l'aide d'informations statistiques et géométriques. La microstructure numérique générée est qualifié statistiquement semblable par rapport à la réalité. Or deux microstructures statistiquement semblables peuvent présenter des comportements de fissuration différents. Ces différences peuvent avoir une influence sur la perméabilité des enceintes. Pour contourner cette limitation, nous proposons dans ce travail un nouvelle approche qui combine descripteurs morphologiques et modèle de prédiction de fissure pour évaluer la similarité entre 2 microstructures.
Fichier principal
Vignette du fichier
Conf_Pele_al_CSMA_2019.pdf (2.2 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

hal-02456777 , version 1 (27-01-2020)

Identifiants

  • HAL Id : hal-02456777 , version 1

Citer

Kathleen Pele, Frédéric Perales, Jean Baccou, Yann Monerie, Loïc Daridon, et al.. Méthodes de machine learning pour la prédiction de trajets de fissures dans les matériaux cimentaires sur la base de descripteurs morphologiques locaux. 14e Colloque National en Calcul de Structures - CSMA 2019, May 2019, Giens, France. ⟨hal-02456777⟩
253 Consultations
392 Téléchargements

Partager

More