Apprentissage automatique utilisé pour prédire les propriétés mécaniques dépendantes de la direction des métaux

  • FrançaisFrançais



  • Un algorithme d’apprentissage automatique développé aux Sandia National Laboratories pourrait fournir à la fabrication automobile, à l’aérospatiale et à d’autres industries un moyen plus rapide et plus rentable de tester les matériaux en vrac.

    La technique a été publiée récemment dans la revue scientifique Science et génie des matériaux : A.

    Les arrêts de production coûtent cher. Ainsi, les fabricants examinent des matériaux comme la tôle pour la formabilité avant de les utiliser pour s’assurer que le matériau ne se fissurera pas lorsqu’il est estampé, étiré et tendu lorsqu’il est formé en différentes parties. Les entreprises utilisent souvent des logiciels de simulation commerciaux calibrés sur les résultats de divers tests mécaniques, a déclaré le scientifique de Sandia David Montes de Oca Zapiain, l’auteur principal de l’article. Cependant, ces tests peuvent prendre des mois.

    Et tandis que certaines simulations informatiques haute fidélité peuvent évaluer la formabilité en quelques semaines seulement, les entreprises ont besoin d’accéder à un supercalculateur et à une expertise spécialisée pour les exécuter, a déclaré Montes de Oca Zapiain.

    Sandia a montré que l’apprentissage automatique peut réduire considérablement le temps et les ressources nécessaires pour calibrer les logiciels commerciaux, car l’algorithme n’a pas besoin d’informations provenant de tests mécaniques, a déclaré Montes de Oca Zapiain. La méthode n’a pas non plus besoin d’un supercalculateur. De plus, cela ouvre une nouvelle voie pour effectuer plus rapidement la recherche et le développement.

    “Vous pouvez utiliser efficacement cet algorithme pour trouver potentiellement des matériaux plus légers avec un minimum de ressources sans sacrifier la sécurité ou la précision”, a déclaré Montes de Oca Zapiain.

    L’algorithme remplace les tests mécaniques

    L’algorithme d’apprentissage automatique nommé MAD3, prononcé « mad cubed » et abréviation de Material Data Driven Design, fonctionne parce que les alliages métalliques sont constitués de grains microscopiques dits « cristallographiques ». Collectivement, ces grains forment une texture qui rend le métal plus résistant dans certaines directions que dans d’autres, un phénomène que les chercheurs appellent l’anisotropie mécanique.

    “Nous avons formé le modèle pour comprendre la relation entre la texture cristallographique et la réponse mécanique anisotrope”, a déclaré Montes de Oca Zapiain. “Vous avez besoin d’un microscope électronique pour obtenir la texture d’un métal, mais vous pouvez ensuite déposer ces informations dans l’algorithme, et il prédit les données dont vous avez besoin pour le logiciel de simulation sans effectuer de tests mécaniques.”

    En collaboration avec l’Ohio State University, Sandia a formé l’algorithme sur les résultats de 54 000 tests de matériaux simulés à l’aide d’une technique appelée réseau neuronal à anticipation. L’équipe Sandia a ensuite présenté l’algorithme avec 20 000 nouvelles microstructures pour tester sa précision, en comparant les calculs de l’algorithme avec les données recueillies à partir d’expériences et de simulations sur superordinateur.

    “L’algorithme développé est environ 1 000 fois plus rapide que les simulations haute fidélité. Nous travaillons activement à l’amélioration du modèle en incorporant des fonctionnalités avancées pour capturer l’évolution de l’anisotropie, car cela est nécessaire pour prédire avec précision les limites de rupture du matériau”, a déclaré le scientifique de Sandia Hojun Lim, qui a également contribué à la recherche.

    En tant que laboratoire de sécurité nationale, Sandia mène des recherches supplémentaires pour déterminer si l’algorithme peut raccourcir les processus d’assurance qualité pour le stock nucléaire américain, où les matériaux doivent répondre à des normes rigoureuses avant d’être acceptés pour une utilisation en production. L’Administration nationale de la sécurité nucléaire a financé la recherche sur l’apprentissage automatique par le biais du programme Advanced Simulation and Computing.

    Pour permettre à d’autres institutions de profiter de la technologie, Sandia a formé une équipe interdisciplinaire pour développer le logiciel Material Data Driven Design convivial et basé sur des graphiques. Il a été développé avec la contribution de plus de 75 entretiens avec des utilisateurs potentiels dans le cadre du programme Energy I-Corps du ministère de l’Énergie.

    L'équipe de Comparaland

    L'équipe rédactionnnelle du site

    Pour contacter personnellement le taulier :

    Laisser un commentaire

    Votre adresse e-mail ne sera pas publiée.