L'apprentissage automatique a permis la caractérisation de la microstructure 3D montrant des grains de différentes tailles et leurs limites. Crédit :Laboratoire National d'Argonne
La recherche scientifique moderne sur les matériaux repose fortement sur l'exploration de leur comportement aux échelles atomique et moléculaire. Pour cette raison, les scientifiques sont constamment à la recherche de méthodes nouvelles et améliorées pour la collecte de données et l'analyse de matériaux à ces échelles.
Chercheurs du Centre des matériaux à l'échelle nanométrique (CNM), une installation d'utilisateurs du bureau des sciences du département de l'Énergie des États-Unis (DOE) située au laboratoire national d'Argonne du DOE, ont inventé un algorithme basé sur l'apprentissage automatique pour caractériser quantitativement, en trois dimensions, matériaux avec des caractéristiques aussi petites que des nanomètres. Les chercheurs peuvent appliquer cette découverte cruciale à l'analyse de la plupart des matériaux structurels présentant un intérêt pour l'industrie.
« Ce qui rend notre algorithme unique, c'est que si vous commencez avec un matériau dont vous ne savez pratiquement rien sur la microstructure, ce sera, en quelques secondes, indiquer à l'utilisateur la microstructure exacte dans les trois dimensions, " dit Subramanian Sankaranarayanan, chef de groupe du groupe de théorie et de modélisation CNM et professeur agrégé au Département de génie mécanique et industriel de l'Université de l'Illinois à Chicago.
"Par exemple, avec des données analysées par notre outil 3D, " dit Henry Chan, Chercheur postdoctoral CNM et auteur principal de l'étude, « les utilisateurs peuvent détecter les défauts et les fissures et potentiellement prédire les durées de vie sous différentes contraintes et déformations pour toutes sortes de matériaux de structure. »
La plupart des matériaux de structure sont polycristallins, ce qui signifie qu'un échantillon utilisé à des fins d'analyse peut contenir des millions de grains. La taille et la distribution de ces grains et les vides au sein d'un échantillon sont des caractéristiques microstructurales critiques qui affectent d'importantes propriétés physiques, mécanique, optique, propriétés chimiques et thermiques. Une telle connaissance est importante, par exemple, à la découverte de nouveaux matériaux aux propriétés recherchées, tels que des composants de machine plus solides et plus durs qui durent plus longtemps.
Autrefois, les scientifiques ont visualisé les caractéristiques microstructurales en 3D d'un matériau en prenant des instantanés à l'échelle microscopique de nombreuses tranches en 2D, traitement des tranches individuelles, puis les coller ensemble pour former une image 3-D. Tel est le cas, par exemple, avec la routine de tomographie informatisée effectuée dans les hôpitaux. Ce processus, cependant, est inefficace et entraîne la perte d'informations. Les chercheurs ont donc recherché de meilleures méthodes pour les analyses 3D.