K. DONDA : Métasurfaces acoustiques absorbantes pour le régime basses fréquences: Approche en Deep-learning et Démonstration Expérimentale

Résumé :
L'avènement et le développement des métamatériaux/métasurfaces acoustiques au cours des dernières années a bouleversé les approches conventionnelles concernant la propagation et la manipulation des ondes acoustiques et même au-delà. Dans le contexte de l'absorption acoustique, ces structures artificielles ont ouvert des possibilités et des opportunités sans précédent pour s’atteler aux problèmes de l’absorption acoustique et du bruit en très basses fréquences défiant les limitations physiques classiques. L'objectif principal de cette thèse est de concevoir et réaliser des métasurfaces acoustiques pour l'absorption acoustique en extrême basses fréquences (<100Hz). Tout d'abord, le concept de métasurface absorbante à enroulement d’espace (MCM) est proposé. L'efficacité de son mécanisme physique associé est démontré théoriquement, numériquement et expérimentalement. Le MCM présenté est capable d'absorber entièrement l'énergie acoustique à une fréquence extrêmement basse de 50 Hz avec une épaisseur ultra-sublongueur d'onde (λ/527). Pour contourner les approches conventionnelles basées sur des méthodes et formalismes de simulation numériques classiques, de nouvelles approches basées sur le deep-learning ont été introduites dans ce travail de thèse. En particulier, les réseaux de neurones convolutifs (CNN) et les réseaux adverses génératifs conditionnels (CGAN) sont mis en œuvre pour simuler et optimiser des structures complexes de métasurfaces absorbantes. Le cadre développé basé sur le deep-learning pour ces métasurfaces absorbantes peut être potentiellement étendu à la conception et à l'optimisation d'autres dispositifs acoustiques. Cette thèse propose de nouvelles méthodes et outils pour la conception de métasurfaces acoustiques basées sur le deep-learning qui pourrait permettre à la communauté de l'acoustique-physique de se concentrer davantage sur des idées vraiment créatives pour résoudre les problèmes de conception complexe qui doivent encore être explorés par la machine, plutôt que sur des processus fastidieux d'essais et d'erreurs.

Mots clés :
métasurfaces et métamatériaux acoustiques, absorption basses fréquences, deep-learning, réseaux de neurones convolutifs, réseaux adverses génératifs conditionnels, inverse design.

Composition du jury :
> Rapporteurs :
- Abdelkrim KHELIF, Directeur de Recherche CNRS, Université de Franche-Comté
- Yan PENNEC, Professeur, Université de Lille
> Examinateurs :
- Agnès MAUREL, Directrice de Recherche CNRS, ESPCI, Paris
- Nico DECLERCQ, Professeur, Georgia Tech Lorraine
- Jean-François GANGAUFFER, Professeur, Université de Lorraine
> Directeur de thèse :
- Badreddine ASSOUAR, Directeur de Recherche CNRS, Université de Lorraine