Accueil - - - MATERIAUX USINAGE Des informaticiens et des chercheurs en matériaux collaborent pour optimiser l’acier avec l’intelligence artificielle (US).

Des informaticiens et des chercheurs en matériaux collaborent pour optimiser l’acier avec l’intelligence artificielle (US).

0
0
97

 

 

Des informaticiens et des chercheurs en matériaux collaborent pour optimiser l'acier avec l'intelligence artificielle (US). dans - - - MATERIAUX USINAGE logo_uds

 

L’acier est utilisé pour construire des voitures, des éoliennes et des ponts et il existe actuellement environ 5000 types d’acier différents sur le marché. Mais comment les producteurs d’acier peuvent-ils garantir qu’un acier donné présentera toujours la même qualité élevée? Jusqu’à présent, des experts expérimentés ont analysé des échantillons de matériaux au microscope et ont soigneusement comparé les résultats avec des images de référence. Mais classer les matériaux de cette manière n’est pas exempt d’erreurs.

Grâce à des techniques d’apprentissage automatique, les informaticiens et les spécialistes des matériaux de Sarrebruck ont ​​mis au point une méthode beaucoup plus précise et objective que les méthodes de contrôle de la qualité traditionnelles. Leurs résultats viennent d’être publiés dans  Scientific Reports , le journal en libre accès associé à la revue scientifique  Nature . Lorsque des scientifiques de deux disciplines différentes collaborent à un projet de recherche, ils doivent d’abord apprendre à parler la même langue. « Il a fallu beaucoup de temps avant que les informaticiens

 

Nous comprenons pourquoi les structures internes d’un matériau et leur représentation sous forme d’image jouent un rôle si important pour les scientifiques des matériaux », explique Dominik Britz, doctorant au Département des matériaux fonctionnels de l’Université de la Sarre. Ces structures internes sont importantes car elles sont très étroitement liées aux propriétés du matériau. «Étant donné que les aciers modernes sont de plus en plus fournis et qu’ils présentent des structures internes de plus en plus complexes, les tolérances d’erreur sont de plus en plus strictes. Cela pose un énorme défi pour les ingénieurs qui développent de nouveaux aciers et qui doivent répondre à des exigences de qualité strictes », ajoute Britz.

Pour son collègue chercheur, Seyed Majid Azimi, de l’Institut Max Planck d’informatique, le travail consistait à expliquer à Dominik Britz comment les méthodes d’apprentissage automatique («deep learning») qu’il utilise sont capables de produire des résultats significativement plus précis que n’importe quel autre. analyses d’images réalisées manuellement par des scientifiques experts en matériaux. Pour obtenir de tels résultats, Azimi alimente son ordinateur hautes performances avec des données d’images auparavant classées à la main par des experts. Ces données sont utilisées pour former les modèles informatiques et ces modèles sont ensuite testés en les comparant à d’autres ensembles de données d’images classées par l’homme. Mais comment est-il possible que l’ordinateur produise des résultats si remarquablement bons sans avoir une réelle «connaissance» des matériaux impliqués?

Dans cette étude particulière, axée sur la classification des microstructures métalliques, la réponse réside dans la compréhension du processus de production de l’acier. «La fabrication d’aciers spéciaux est un processus extrêmement complexe qui dépend de nombreux facteurs individuels, notamment la composition chimique du matériau, le processus de laminage utilisé et les types de traitement thermique auxquels le matériau est soumis. Chaque étape du processus de production influence la structure interne de l’acier », explique Dominik Britz. Les spécialistes des matériaux désignent cette structure interne comme la «microstructure» du matériau. La microstructure est composée de «grains», dont chacun est une minuscule cristallite avec une structure cristalline particulière. Mais les grains voisins diffèrent également en termes d’orientation spatiale. En effet, les grains diffèrent non seulement par leur orientation, mais aussi en termes de leurs formes individuelles et de leur connectivité spatiale, aboutissant à des microstructures de haute complexité géométrique. «Ces structures extrêmement complexes peuvent être rendues visibles au cours des phases de développement matériel et de contrôle qualité en prenant des images microscopiques. Les échantillons spécialement préparés sont évalués en microscopie optique et électronique », explique Britz.

La classification d’un matériau implique la comparaison de ces images microscopiques avec des images de référence présentant une microstructure géométrique typique. Au fil du temps, des ingénieurs expérimentés dans les départements d’assurance qualité de l’entreprise développent un œil perspicace qui leur permet de décider quelle microstructure d’acier particulière ils traitent. « Mais même ces experts pratiqués vont parfois faire un appel incorrect, car les différences entre les images sont parfois à peine discernables à l’œil nu. Bien que les humains soient assez bons pour distinguer les petites différences relatives, nous ne sommes pas très doués pour reconnaître des normes géométriques absolues », explique le professeur Frank Muecklich, qui a supervisé l’étude. M. Muecklich est également directeur du Steinbeis Materials Engineering Center Sarre (MECS) à Saarbrücken, dont le personnel a participé à l’étude.

Les scientifiques des matériaux étaient intéressés à trouver une procédure objective qui était beaucoup moins sujette aux erreurs de l’utilisateur et qui pouvait être appliquée quel que soit le niveau d’expertise de l’utilisateur. Les méthodes d’apprentissage automatique permettent aux ordinateurs de reconnaître très rapidement des modèles complexes et d’attribuer la géométrie des microstructures aux images de microscopie. Ils peuvent apprendre les caractéristiques des microstructures précédemment classées et les comparer avec des modèles reconnus », explique Muecklich. Grâce à cette approche, l’équipe de recherche de Sarrebruck a pu déterminer les microstructures de l’acier à faible teneur en carbone à un niveau de précision qui n’était pas possible auparavant. «Lorsque nous avons utilisé notre système pour la classification microstructurelle, nous avons atteint un niveau de précision d’environ 93%. Avec des méthodes conventionnelles,

Histoire Source:

Matériel fourni par  l’Université de la Sarre . Remarque: Le contenu peut être modifié pour le style et la longueur.

Charger d'autres articles liés
Charger d'autres écrits par JC-GIROUD
Charger d'autres écrits dans - - - MATERIAUX USINAGE

Laisser un commentaire

Consulter aussi

Fuchs Petrolub SE des profits et des ventes en forte hausse pour 2016.

  Fuchs Petrolub SE et le groupe de production et de distribution de lubrifiants de C…