Un défi à la frontière de la tribologie et de l’IA 

Le frottement joue un rôle crucial dans de nombreux systèmes technologiques, avec un impact direct sur leur efficience énergétique, leur durabilité et leurs performances. Malgré des siècles de recherche, contrôler précisément le frottement reste un défi majeur en raison de la nature multi-échelle des phénomènes tribologiques et de leur sensibilité aux conditions environnementales. Des travaux récents dans le domaine de la tribotronique et des métainterfaces ont ouvert la voie à de nouvelles approches pour modifier/contrôler les propriétés frictionnelles (glissement/adhérence) d’une interface. A l’heure actuelle, ces approches restent limitées à des configurations statiques de l’interface (i.e. les propriétés tribologiques de l’interface sont figées dans le temps). Néanmoins, les matériaux intelligents offrent des perspectives prometteuses pour dépasser cette limite et envisager un contrôle dynamique de l’interface et ainsi lui permettre de s’adapter en temps réel à des modifications de ses conditions de chargement. Ce projet de thèse propose ainsi une rupture conceptuelle qui consistera à concevoir des surfaces tribologiques adaptatives capables d’ajuster dynamiquement et en temps réel leurs propriétés frictionnelles, grâce à l’intelligence artificielle et notamment l’apprentissage par renforcement. 

Objectifs de la thèse 

1.    Développement d’un jumeau numérique innovant : 
Établissement d’une base de modélisation à échelle unique inspirée des métainterfaces. Cette étude s’appuiera sur les différents modèles de contact et la théorie de Greenwood et Williamson (1966) pour prédire le comportement tribologique d’une interface modèle à partir de sa topographie (typiquement on pourra utiliser la distribution statistique des hauteurs des aspérités qui la composent). Ce jumeau numérique générera l’environnement virtuel nécessaire pour l’entraînement des algorithmes d’apprentissage par renforcement. 
2.    Implémentation d’algorithmes d’apprentissage par renforcement avancés : 
Élaboration des stratégies de contrôle optimales de la topographie d’une surface pour s’adapter à des environnements non-stationnaires « simples ». Il s’agira en particulier d’explorer certaines méthodes de RL (model based RL, metalearning), des architectures de réseaux profonds adaptées aux systèmes physiques, et des techniques pour gérer l’équilibre exploration/exploitation.
3.    Robustesse face aux comportements complexes : 
Développement de stratégies avancée de contrôle adaptatives de la topographie d’une surface capables de maintenir des performances tribologiques optimales pour répondre à des scénarios d’hétérogénéité de surface et/ou de chargement plus complexes. Il s’agira en particulier développer des boucles de rétroaction pour garantir la robustesse face aux perturbations. 4. Transfert vers un prototype physique : Développement de méthodes de sim-to-real pour adapter les stratégies développées en simulation au monde réel, en tenant compte des incertitudes et des dynamiques non modélisées.