L’apprentissage automatique prédit le comportement de l’acier inoxydable au niveau microstructural

L'apprentissage automatique utilisé pour prédire le comportement de l'acier inoxydable au niveau microstructural

La rangée supérieure de trois cases sont des mesures expérimentales de trois composants de déformation différents. La rangée du bas contient les prédictions de réseau correspondantes – d’un réseau de neurones entraîné à partir d’un ensemble d’expériences différent – ce qui en fait une illustration du fonctionnement de la méthode. Crédit : Département d’ingénierie aérospatiale de l’Université de l’Illinois

À l’œil nu, une tôle d’acier inoxydable présente une surface lisse, polie et homogène. Le même matériau, vu à un grossissement de 400 fois, révèle sa véritable structure enchevêtrée : différentes formes de cristaux, jointes à des angles très différents. Des chercheurs de l’Université de l’Illinois Urbana-Champaign ont utilisé des données d’images haute résolution d’échantillons d’acier inoxydable pour former des réseaux de neurones qui font des prédictions sur le comportement du matériau aux endroits où les cristaux se rencontrent, lorsqu’ils sont tendus.

John Lambros a expliqué qu’en étudiant les propriétés d’un matériau tel que l’acier inoxydable, il est impossible de mener des expériences séparées à des grossissements aussi élevés qui le soumettent à tous les paramètres imaginables – chaque température, chaque angle de chargement, chaque quantité de pression. Nous nous appuyons donc souvent sur des modèles.

« Plutôt que d’utiliser un modèle physique extrêmement détaillé et lourd avec de nombreux paramètres d’ajustement, nous avons utilisé l’apprentissage automatique pour entraîner un réseau de neurones à faire ces prédictions », a déclaré Lambros. « L’apprentissage automatique contourne le besoin d’une modélisation détaillée de toute la physique derrière le processus et établit une sorte de lien direct, ou d’ajustement, entre les entrées et les sorties.

« C’est la première fois que cette technique est appliquée pour apprendre ce qui se passe dans une microstructure métallique dans diverses conditions de charge », a déclaré Lambros. « Dans ce cas, nous voulions voir combien de contrainte accumulée aux joints de grains dans un métal polycristallin pendant le fluage. » Il a expliqué que le fluage est la tendance d’un matériau solide à se déformer sous une charge continuelle, un peu comme certaines étagères finissent par se plier sous le poids des livres.

Lambros et son étudiant diplômé Renato Vieira ont commencé l’étude avec une hypothèse.

« Nous pensions que les différences physiques entre les deux grains adjacents à la frontière seraient plus importantes, ou du moins un paramètre tout aussi important. Ainsi, la découverte la plus remarquable pour moi était qu’un seul paramètre géométrique était capable de prédire les résultats de 80 pour cent de le temps », a-t-il déclaré. « C’est la géométrie – l’angle sous lequel vous le chargez qui a fait la plus grande différence. J’ai trouvé cela inattendu et intéressant – non pas que cela ne devrait pas influencer les résultats, mais qu’il l’a fait de manière aussi spectaculaire. C’était surprenant, car cela signifie que toute cette modélisation sophistiquée à plusieurs échelles que nous effectuons pour comprendre toute la physique peut n’être importante qu’à environ 20 pour cent. »

Lambros a ajouté qu’il s’agit d’une étude préliminaire. « Etant le premier du genre, il doit y avoir beaucoup plus d’études approfondies avant de pouvoir dire que c’est universellement vrai. »

Il a noté que cela fonctionne dans les cas 70 à 80 pour cent du temps, mais cela ne prédit pas la réponse de toutes les limites partout. « Cela signifie qu’il y a d’autres facteurs au-delà de l’angle qui influencent ce qui se passe. C’est juste que c’est le plus important, ou le plus important. »

Lambros a déclaré qu’il souhaitait finalement incorporer la technique, et ce qu’ils en ont appris, dans les modèles de défaillance existants.

« Le modèle d’apprentissage automatique que nous avons jusqu’à présent ne fonctionne qu’à proximité des joints de grains », a-t-il déclaré. « Nous ne pouvons pas encore prédire ce qui se passe à l’intérieur du grain. Donc, numéro un, nous avons besoin d’un ensemble différent d’entrées qui fonctionneront également à l’intérieur. Nous les avons expérimentalement, mais nous devons développer un modèle différent et remplir les trous.

« En fin de compte, ce que nous voulons, c’est pouvoir simplement montrer une image de la microstructure à l’algorithme et l’algorithme nous dira quand et où le matériau échouera. Mais, plutôt que de faire un grand réseau de neurones s’adapter du début à la fin, nous allons faire des étapes intermédiaires qui représentent la physique sous-jacente et dans chaque étape, nous utiliserons l’apprentissage automatique pour déterminer les entrées et les sorties appropriées. »

L’étude, « Machine Learning Neural-Network Predictions for Grain-Boundary Strain Accumulation in a Polycristallin Metal », a été écrite par Renato Vieira et John Lambros. Il est publié dans Mécanique expérimentale et apparaît également comme couverture du Journal pour le numéro.


L’équipe utilise l’IA pour prédire les processus d’impression 3D


Plus d’information:
RB Vieira et al, Machine Learning Neural-Network Predictions for Grain-Boundary Strain Accumulation in a Polycristallin Metal, Mécanique expérimentale (2021). DOI : 10.1007 / s11340-020-00687-1

Fourni par l’Université de l’Illinois à Urbana-Champaign

Citation: L’apprentissage automatique prédit le comportement de l’acier inoxydable au niveau microstructural (2021, 24 août) extrait le 24 août 2021 de https://techxplore.com/news/2021-08-machine-behavior-stainless-steel-microstructural.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.