Bibliographie & annexes
Présentation
En anglais
RÉSUMÉ
Les alliages modernes peuvent faire appel à de nombreux éléments, si bien que le concepteur se heurte à deux problèmes majeurs, d’une part la complexité des relations entre composition, procédés et propriétés, et d’autre part à l’immensité de l’espace des compositions possibles. Cet article montre comment certains outils computationnels (la thermodynamique prédictive ainsi que des techniques issues de l’intelligence artificielle comme la fouille de données ou l’optimisation combinatoire) permettent de gérer ces problèmes et de concevoir de nouveaux alliages par le calcul, avec des gains en temps, en coûts et en performances par rapport à des méthodes par essai-erreur.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleABSTRACT
Modern alloys can potentially incorporate many elements, so that the designer faces two major problems, on the one hand the complexity of the relations between composition, processes and properties, and on the other hand the immensity of the space of possible compositions. This article shows how certain computational tools (predictive thermodynamics as well as techniques inherited from artificial intelligence such as data mining or combinatorial optimisation) make it possible to tackle these problems and to design new alloys by calculation, associated to time, cost and performance savings compared to trial-and-error methods.
Auteur(s)
-
Franck TANCRET : Professeur des Universités - Nantes Université, Institut des Matériaux de Nantes Jean Rouxel (IMN), Nantes, France
INTRODUCTION
Le présent article décrit une méthode générique de conception d’alliages par le calcul, qui permet des gains en temps, en coûts et en performances par rapport à des méthodes de développement par essai-erreur. Cette méthode s’appuie d’une part sur des méthodes issues de l’intelligence artificielle, telles l’optimisation combinatoire multi-objectif (algorithmes génétiques, etc.) et la fouille de données (réseaux de neurones artificiels, processus gaussiens, etc.), et d’autre part sur la thermodynamique prédictive par la méthode dite « Calphad » (pour « CALculation of PHAse Diagrams » en anglais). Ce sont les principaux outils qui permettent aujourd’hui d’embrasser la complexité des espaces de composition des matériaux métalliques modernes, qu’il s’agisse d’établir des liens entre composition, procédés et propriétés, ou de rechercher les compositions qui conduiront à des combinaisons optimales de caractéristiques.
La méthode concerne potentiellement toute l’industrie métallurgique (aciers, alliages de nickel, d’aluminium, de titane, etc.), et tous les domaines nécessitant l’emploi d’alliages métalliques performants : transport (automobile, aéronautique, spatial, ferroviaire, naval, etc.), énergie (nucléaire, gaz, pétrole, etc.), génie chimique (réacteurs, etc.), biomédical (prothèses, implants, agrafes, etc.), etc. Le contexte global du développement de nouveaux alliages est tout d’abord exposé sous une triple perspective historique, combinatoire et de complexité. Après la présentation de quelques caractéristiques techniques des outils exploités, la méthode est illustrée à l’aide d’exemples de conception d’alliages complexes, tels les superalliages à base de nickel ou les alliages multi-concentrés dits « à haute entropie ». On montre ensuite comment la méthode peut être exploitée pour concevoir des matériaux en prenant en compte des considérations environnementales (éco-conception). Quelques perspectives liées aux développements en cours de la méthode sont finalement exposées.
Domaine : Matériaux
Degré de diffusion de la technologie : Maturité
Technologies impliquées : Thermodynamique prédictive/méthode Calphad [M 4 105] ; intelligence artificielle [H 3 720], dont apprentissage machine [H 5 010] et optimisation combinatoire [S 7 218]
Domaines d’application : Métallurgie, et tous les domaines nécessitant l’emploi d’alliages métalliques performants : fabrication de moyens de transport (automobile, aéronautique, spatial, ferroviaire, naval, etc.), énergie (nucléaire, gaz, pétrole, etc.), génie chimique (réacteurs, etc.), biomédical (prothèses, implants, agrafes, etc.), etc.
Principaux acteurs français :
-
Centres de compétence : Nantes Université (Institut des Matériaux de Nantes Jean Rouxel, IMN) ; Mines Saint-Étienne (Laboratoire Georges Friedel, LGF)
-
Industriels : Safran
Autres acteurs dans le monde : Principalement des académiques, en Europe (Royaume-Uni, Pays-Bas, Allemagne), aux États-Unis et en Chine
Contact : [email protected]
L'expertise technique et scientifique de référence
KEYWORDS
Genetic algorithms | Calphad | machine learning | neural networks
DOI (Digital Object Identifier)
Cet article fait partie de l’offre
Étude et propriétés des métaux
(201 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
Conclusion
En anglais
5. Perspectives et évolutions
Au-delà de la conception assez « classique » d’alliages, présentée au § 3.1, diverses approches un peu plus innovantes ont été présentées (critères probabilistes ou utilisation de descripteurs physiques en fouille de données, éco-conception, adaptation de la stratégie combinatoire à des cas particuliers, etc.). Cependant, l’avenir de la conception computationnelle d’alliages pourra faire face à d’autres défis, dont deux sont explicités ci-après.
Les deux sont liés à l’exploitation de petits jeux de données ; à ce titre elles relèveraient d’une approche de « small data », à l’opposé de la récente tendance du « big data » (masses de données) :
-
la fouille de données « non conventionnelles » en ce qu’elles n’obéissent pas, contrairement aux exemples précédents, à des standards en termes de mesure ou de caractérisation ;
-
la possibilité de recourir, pour déterminer les critères à optimiser, à des outils prédictifs gourmands en temps de calcul, voire à des techniques d’élaboration et de caractérisation « à haut débit ».
5.1 Fouille de données non conventionnelles
Certains défis sont liés aux méthodes de l’intelligence artificielle lorsque se posent des problèmes métallurgiques qui ne peuvent pas être traités à l’aide des outils précédemment décrits. Ceci se produit notamment quand des caractéristiques « complexes » doivent être prédites en fonction de la composition, mais ne peuvent pas, à ce jour, être correctement approchées à l’aide de modèles physiques, tandis qu’il n’existe pas non plus de données...
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Étude et propriétés des métaux
(201 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Perspectives et évolutions
BIBLIOGRAPHIE
-
(1) - BHADESHIA (H.K.D.H.) - Neural networks in materials science. - ISIJ International, 39, p. 966-979 (1999).
-
(2) - WILLIAMS (C.K.I.), RASMUSSEN (C.E.) - Gaussian processes for regression. - Advances in Neural Information Processing Systems, 8, MIT Press (1996).
-
(3) - PEI (J.F.), CAI (C.Z.), ZHU (X.J.), WANG (G.L.) - Investigation on the processing-properties of hot deformed TA15 titanium alloy via support vector regression. - Materials Science Forum, 689, p. 134-143 (2011).
-
(4) - JHA (R.), PETTERSSON (F.), DULIKRAVICH (G.S.), SAXEN (H.), CHAKRABORTI (N.) - Evolutionary design of nickel-based superalloys using data-driven genetic algorithms and related strategies. - Materials and Manufacturing Processes, 30, p. 488-510 (2015).
-
(5) - TANCRET (F.), BHADESHIA (H.K.D.H.), MACKAY (D.J.C.) - Comparison of neural networks with Gaussian processes to model the yield strength of nickel-base superalloys. - ISIJ International, 39, p. 1020-1026 (1999).
-
...
DANS NOS BASES DOCUMENTAIRES
ANNEXES
1.1 Constructeurs – Fournisseurs – Distributeurs (liste non exhaustive)
Matlab, logiciel de calcul scientifique (permettant notamment la fouille de données et l’optimisation) distribué par Mathwoks : https://fr.mathworks.com/products/matlab.html
Thermo-Calc, logiciel Calphad distribué par Thermo-Calc Software : https://thermocalc.com/
HAUT DE PAGE1.2 Organismes – Fédérations – Associations (liste non exhaustive)
Réseau National de la Métalurgie (RNM) : https://www.rnm-metallurgie.fr/
Société Française de Métallurgie et de Matériaux (SF2M) : https://sf2m.fr/
HAUT DE PAGE1.3 Laboratoires – Bureaux d'études – Écoles – Centres de recherche (liste non exhaustive)
Institut des Matériaux de Nantes Jean Rouxel (IMN), Nantes Université, CNRS : https://www.cnrs-imn.fr/...
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Étude et propriétés des métaux
(201 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
