Afin de trouver des matériaux d’ingénierie efficaces et à faible densité résistants aux conditions de charge complexes tout en assurant la stabilité thermique, les polymères semi-cristallins sont fréquemment utilisés et renforcés par des phases secondaires rigides comme les fibres de verre. Afin d’obtenir les propriétés mécaniques requises, le renforcement doit répondre à certaines caractéristiques structurelles. Des écarts locaux par rapport à ces caractéristiques, comme le gradient de mésostructure dû à l’orientation des fibres, entraînent une concentration locale de la déformation et une perte conséquente des propriétés mécaniques à une échelle globale. Des micro-mécanismes de dommages ont été déjà identifiés pour ce type de matériel dans les essais de traction et de fatigue, tels que les dommages aux extrémités des fibres, le décollement, la défaillance des fibres et les dommages à la matrice (1). Mais aucun modèle combinant le gradient de mésostructure et les données des dommages existe pour l’instant. D’où l'intérêt d’utiliser des techniques d’IA comme le ” Physics Informed Deep Learning ” (2) pour pouvoir quantifier ces mécanismes et créer un tel modèle. Ce projet se concentrera sur le développement de nouvelles méthodes d’apprentissage automatique pour identifier et comprendre la nucléation et la propagation des dommages dans les matériaux d’ingénierie renforcés par des fibres de verre, en utilisant une combinaison de données de tomographie représentant l’évolution des dommages, traitement d’image basé sur l’apprentissage en profondeur et modèles micro mécaniques. Dans ce projet, nous visons à identifier les défauts locaux (rupture, cavités, décohésion, etc.) et à établir leur rôle dans l’apparition et la propagation des fissures. (1) Rolland, H., N. Saintier, I. Raphael, N. Lenoir, A. King, et G. Robert., Fatigue Damage Mechanisms of Short Fiber Reinforced PA66 as Observed by In-Situ Synchrotron X-Ray Microtomography, Composites Part B: Engineering 143 (2018): 217-29 (2) Karniadakis, George Em, Ioannis G. Kevrekidis, Lu Lu, Paris Perdikaris, Sifan Wang, et Liu Yang, Physics-Informed Machine Learning, Nature Reviews Physics 3, no 6 (2021): 422-40