EFFET D’ECHELLE EN RUPTURE LOCALISEE: EXPERIMENTATION, UNCERTITUDE, MODELISATION – SELF-TUM

Matériaux hétérogènes avec une composition aléatoire - tels que le béton, polymères renforcés de fibres, ou des matériaux géologiques, pour ne nommer que quelques-uns - sont aujourd'hui utilisés dans de nombreux domaines d'application de l'ingénierie. Lorsqu'elles sont chargées jusqu'à la rupture, les structures construites de ces matériaux présentent un effet d’échelle avec un comportement adoucissant distincte en raison de zone de localisation avec une déformation inélastique dominante.
La première idée ici est de développer un modèle de rupture localisée intrinsèque, à commencer par l'échelle fine des matériaux aléatoires avec des inclusions, telle que le béton comme un ensemble d'agrégats placés aléatoirement entourés de pâte de ciment. Les inclusions sont souvent sur une très petite échelle (échelle méso), alors que la réponse globale doit être examinée une échelle structurelle (échelle macro), où l’échelle méso ne peut plus être résolue. En outre, les tests en laboratoire sont généralement effectués avec un petit échantillon de taille réduite par rapport à l’échelle très différente d'une vraie, structure massive. Par conséquent, la validation expérimentale complète sur la structure en taille réelle est exclue. D'où le développement d'un modèle prédictif appelle à une approche multi-échelle, où les modèles de calcul aux différentes échelles seront couplées.
La deuxième idée ici, étant donné que la composition des matériaux est considérée comme aléatoire, est de développer les modèles qui sont probabilistes ou stochastiques et capable de capturer un effet d’échelle; les méthodes de mise à jour Bayésienne seront utilisées pour transférer l'information probabiliste entre différentes échelles. En bref, les expériences en laboratoire et / ou de calculs correspondants à des échelles fines peut être utilisé pour mettre à jour les paramètres de matériaux définis comme champs aléatoires pour les modèles utilisés à l'échelle structurel, garder la trace de l'effet de taille. Les méthodes de Bayes transforment efficacement le problème inverse mal posé d'identification des paramètres, en particulier pour cette situation multi-échelle difficile, dans un problème bien posé directe du calcul du modèle de distribution paramètre de probabilité.
Deux matériaux composites avec un grand potentiel d'application seront examinés: les premier concerne composites à base cimentaire renforcés de fibres (CBFR), et la seconde à des polymères en fibres de carbone (CFRP 3D renforcés), aussi connu comme composite tissé. La source d'incertitude pour chaque matériau à l'échelle fine se rapporte à la géométrie, les aspects qui peuvent être utilisés pour définir la distribution de probabilité des paramètres de matériaux à l'échelle grossière. Pour chacun de ces matériaux, nous pouvons également fournir une validation complète contre les expériences, tels que le programme expérimental récemment achevé en français ECOBA de projet d'excellence pour CBFR; et les résultats expérimentaux fournis par le centre de test des composites à l'Université de Technologie de Compiègne.