Une stratégie d’apprentissage automatique a généré une nouvelle classe d’acier ultra-résistant et ductile pour l’impression 3D qui coûte moins cher, résiste à la rouille et ne nécessite qu’une fraction du temps de traitement habituel.
Dans la International Journal of Extreme Manufacturing, une nouvelle étude démontre que l’intégration de l’intelligence artificielle avec les propriétés physiques et chimiques fondamentales des éléments peut identifier rapidement les recettes d’alliage optimales. Le métal obtenu atteint un équilibre rare entre une résistance et une ductilité extrêmes, résolvant un goulot d’étranglement persistant dans la fabrication lourde et l’ingénierie aérospatiale.
Actuellement, la production d’aciers ultra-résistants et ductiles par impression 3D nécessite de fortes doses d’éléments coûteux comme le cobalt, le molybdène ou de hauts niveaux de nickel. Même avec ces ingrédients premium, les pièces imprimées doivent subir des traitements thermiques complexes en plusieurs étapes dans des fours industriels pour atteindre leur résistance finale, et elles restent souvent très vulnérables à la corrosion dans des environnements sévères.
Pour contourner cette chimie par essais et erreurs, une équipe de recherche de l’Université de la Chine du Sud et de l’Université Purdue s’est tournée vers un modèle d’« apprentissage automatique interprétable ». Au lieu de traiter l’IA comme une boîte noire qui devine simplement des combinaisons, l’équipe a fourni à l’algorithme 81 caractéristiques physico-chimiques fondamentales de divers éléments, telles que leur rayon atomique, le comportement des électrons et la vitesse du son à travers eux.
Prédire les propriétés
L’algorithme a calculé qu’un mélange spécifique de fer et de chrome, mélangé à des quantités précises et faibles d’éléments moins chers comme le silicium, le cuivre et l’aluminium, formerait la structure interne idéale. Après avoir imprimé en 3D le métal Fe-15Cr-3.2Ni-0.8Mn-0.6Cu-0.56Si-0.4Al-0.16C (en % poids) en utilisant une technique de dépôt d’énergie par laser, les chercheurs l’ont cuit dans un processus de revenu en une seule étape à 480°C pendant seulement six heures.
Les tests physiques ont correspondu aux prédictions de l’algorithme. L’acier obtenu a résisté à des contraintes de 1 713 MPa et s’est étiré de 15,5 % avant de se rompre. Cela représente une augmentation d’environ 30 % de la résistance par rapport à l’état brut imprimé du métal, accompagnée d’un doublement de sa ductilité.
L’équipe a étudié l’architecture interne du métal pour comprendre la mécanique derrière cette performance. Ils ont constaté que le court traitement thermique a forcé le métal à développer un réseau dense de nanoparticules, comprenant du cuivre et du nickel-aluminium.
Lorsqu’une contrainte physique est appliquée au métal, ces minuscules particules agissent comme des obstacles qui bloquent les défauts structurels et empêchent leur propagation, augmentant considérablement la force nécessaire pour rompre la pièce. Simultanément, des poches microscopiques d’une phase plus douce, appelée austénite, agissent comme des amortisseurs en changeant leur forme cristalline pour absorber l’énergie, un phénomène qui empêche l’acier de se rompre sous tension.
Résistance à la rouille
La recette conçue par l’IA a également résolu le problème de rouille inhérent à de nombreux alliages à haute résistance. Dans les aciers typiques, la formation de carbures épuise le chrome du métal environnant, créant des zones vulnérables appauvries en chrome où la corrosion s’installe. Les chercheurs ont constaté que les nanoparticules de cuivre dans leur nouvel acier expulsaient efficacement le chrome pendant leur formation, le forçant à rester uniformément distribué dans la matrice environnante. Lors de tests en eau salée, le nouvel alliage s’est dégradé à un taux de seulement 0,105 millimètres par an, surpassant significativement les aciers inoxydables commerciaux standards comme l’AISI 420.
Bien que l’approche d’apprentissage automatique interprétable ait réussi à réduire les coûts et les temps de traitement, les chercheurs notent que la méthodologie repose sur des ensembles de données très spécifiques à certaines techniques de fabrication. Parce que différentes méthodes d’impression 3D chauffent et refroidissent les métaux à des vitesses radicalement différentes, les données d’un processus de fabrication sont souvent incompatibles avec un autre.
Dans de futurs travaux, les chercheurs devront ré-évaluer ces caractéristiques physiques fondamentales lors de l’application de l’IA à de nouvelles classes de matériaux. Cependant, l’étude fournit un plan clair pour s’éloigner des tests empiriques lents, offrant une voie rapide pour concevoir des composants personnalisés à haute performance.
Article : Interpretable machine learning integrated with physicochemical feature for developing additively manufactured ultra-high strength and ductility steel – Journal : International Journal of Extreme Manufacturing – DOI : Lien vers l’étude
Source : IJEM
