Des scientifiques japonais des matériaux développent une technique qui reconnaît et étiquette les structures microscopiques détaillées à l'intérieur de l'acier soudé, un peu comme certaines applications taguent des amis sur vos photos. L'approche pourrait aider à accélérer notre compréhension des propriétés des métaux, tout en ouvrant la voie à la conception de nouveaux matériaux.

« Les métallurgistes sont très intéressés par l'analyse des microstructures des matériaux car ils déterminent leurs propriétés, " explique Dmitry Bulgarevich de l'Institut national japonais des sciences des matériaux (NIMS). " La plupart des données de ces études proviennent de techniques d'imagerie par microscopie optique ou électronique qui peuvent produire un
quantité impressionnante d'informations."

Une équipe de scientifiques des matériaux du NIMS et de l'Université de Tokyo a exploré l'utilisation de l'apprentissage automatique pour analyser rapidement ces grandes quantités de données.

Ils ont préparé des alliages d'acier à base de carbone, silicium, manganèse, phosphore et soufre en les refroidissant à partir de 1400°C à des vitesses différentes :0,3°C, 1°C, 3°C, ou 10°C par seconde. Les vitesses de refroidissement variables ont conduit à la formation de différentes microstructures au sein de l'acier. Des métallurgistes experts ont identifié manuellement trois types de microstructures sur des images microscopiques des alliages :ferrite/perlite, ferrite/perlite/bainite, et bainite/martensite. Des sous-phases de ferrite ont également été identifiées.

Les images ont été traitées puis passées à travers plusieurs modèles d'apprentissage automatique, en utilisant des algorithmes pour les entraîner à reconnaître et à étiqueter les images. L'équipe a trouvé une méthode de classification d'apprentissage automatique, appelée forêt aléatoire, fait les prédictions les plus précises de la microstructure de l'alliage. Cette méthode pourrait être appliquée à un large éventail de métaux dans le cadre de la recherche et de l'industrie.

"Il y a beaucoup d'espoir que cette méthode d'apprentissage automatique aidera à automatiser l'analyse de la microstructure à l'aide de grands ensembles de données et au développement de nouveaux matériaux avec les propriétés mécaniques souhaitées, " dit Boulgarevitch.