Les techniques d'apprentissage automatique ont contribué aux progrès dans des domaines scientifiques et technologiques allant des soins de santé à la physique des hautes énergies. Maintenant, l'apprentissage automatique est sur le point d'aider à accélérer le développement d'alliages plus solides, en particulier les aciers inoxydables, pour la flotte américaine de production d'électricité thermique. Des matériaux plus solides sont essentiels pour produire de l'énergie efficacement, entraînant des avantages économiques et de décarbonation.

« L'utilisation des aciers à ultra-haute résistance dans les centrales électriques remonte aux années 1950 et a bénéficié d'améliorations progressives des matériaux au fil du temps, " dit Osman Mamun, un associé de recherche postdoctoral au Pacific Northwest National Laboratory (PNNL). « Si nous pouvons trouver des moyens d'accélérer les améliorations ou de créer de nouveaux matériaux, nous pourrions voir une efficacité accrue dans les plantes qui réduit également la quantité de carbone émise dans l'atmosphère."

Mamun est l'auteur principal de deux récents, articles de revues connexes qui révèlent de nouvelles stratégies pour l'application de l'apprentissage automatique dans la conception d'alliages avancés. Les articles relatent les résultats de la recherche d'un effort conjoint entre le PNNL et le National Energy Technology Laboratory (NETL). En plus de Mamun, l'équipe de recherche comprenait Arun Sathanur et Ram Devanathan de PNNL et Madison Wenzlick et Jeff Hawk de NETL.

Le travail a été financé par l'Office of Fossil Energy du Département de l'énergie des États-Unis (DOE) via le consortium "XMAT" - eXtreme environment MATerials, qui comprend les contributions de recherche de sept laboratoires nationaux du DOE. Le consortium cherche à accélérer le développement d'alliages résistants à la chaleur améliorés pour divers composants de centrales électriques et à prédire les performances à long terme des alliages. L'histoire intérieure des centrales électriques

L'environnement interne d'une centrale thermique est impitoyable. Des températures de fonctionnement de plus de 650 degrés Celsius et des contraintes dépassant 50 mégapascals mettent les composants en acier d'une usine à l'épreuve.

"Mais aussi, cette température et cette pression élevées, avec des composants fiables, sont essentiels pour améliorer l'efficacité thermodynamique qui entraîne une réduction des émissions de carbone et une rentabilité accrue, " explique Mamun.

La collaboration PNNL-NETL s'est concentrée sur deux types de matériaux. L'acier inoxydable austénitique est largement utilisé dans les usines car il offre une solidité et une excellente résistance à la corrosion, mais sa durée de vie à haute température est limitée. L'acier ferritique-martensitique qui contient du chrome dans la plage de 9 à 12% offre également des avantages en termes de résistance, mais peut être sujet à l'oxydation et à la corrosion. Les exploitants d'usines veulent des matériaux qui résistent à la rupture et durent des décennies.

Heures supplémentaires, les approches expérimentales "d'essai et d'erreur" ont progressivement amélioré l'acier, mais sont inefficaces, long, et coûteux. Il est crucial d'accélérer le développement de nouveaux matériaux aux propriétés supérieures. Modèles pour prédire la résistance à la rupture et la durée de vie

Les progrès récents de la modélisation informatique et de l'apprentissage automatique, Mamun dit, sont devenus de nouveaux outils importants dans la quête de meilleurs matériaux plus rapidement.

Apprentissage automatique, une forme d'intelligence artificielle, applique un algorithme aux ensembles de données pour développer des solutions plus rapides aux problèmes scientifiques. Cette capacité fait une grande différence dans la recherche dans le monde entier, dans certains cas, économiser un temps considérable sur les découvertes scientifiques et les développements technologiques.

L'application de l'apprentissage automatique par l'équipe de recherche PNNL-NETL a été décrite dans leur premier article de journal, "Un modèle interprétable assisté par apprentissage automatique pour la prédiction de la force de rupture dans les alliages martensitiques et austénitiques à base de Fe, " publié le 9 mars dans Rapports scientifiques .

L'article raconte les efforts de l'équipe pour améliorer et analyser les ensembles de données sur l'acier inoxydable, contribué par les membres de l'équipe NETL, avec trois algorithmes différents. Le but ultime était de construire un modèle prédictif précis de la résistance à la rupture des deux types d'alliages. L'équipe a conclu qu'un algorithme connu sous le nom de Gradient Boosted Decision Tree répondait le mieux aux besoins de création de modèles d'apprentissage automatique pour une prédiction précise de la résistance à la rupture.

Plus loin, les chercheurs soutiennent que l'intégration des modèles résultants dans les stratégies de conception d'alliages existantes pourrait accélérer l'identification d'aciers inoxydables prometteurs possédant des propriétés supérieures pour gérer les contraintes et les déformations.

"Ce projet de recherche a non seulement fait un pas vers de meilleures approches pour étendre l'enveloppe d'exploitation de l'acier dans les centrales électriques, mais également démontré des modèles d'apprentissage automatique fondés sur la physique pour permettre l'interprétation par les scientifiques du domaine, " déclare Ram Devanathan, membre de l'équipe de recherche, un scientifique des matériaux informatiques du PNNL. Devanathan dirige l'orientation de la science des données du consortium XMAT et siège au comité directeur de l'organisation.

Le deuxième article de l'équipe du projet, "Modèle prédictif et génératif augmenté d'apprentissage automatique pour la durée de vie de rupture dans les aciers ferritiques et austénitiques, " a été publié dans Dégradation des matériaux npj édition du 16 avril.

L'équipe a conclu dans l'article qu'un modèle prédictif basé sur l'apprentissage automatique peut estimer de manière fiable la durée de vie à la rupture des deux alliages. Les chercheurs ont également décrit une méthodologie pour générer des alliages synthétiques qui pourraient être utilisés pour augmenter les ensembles de données rares existants sur l'acier inoxydable, et identifié les limites d'une telle approche. L'utilisation de ces « alliages hypothétiques » dans des modèles d'apprentissage automatique permet d'évaluer les performances des matériaux candidats sans les synthétiser au préalable en laboratoire.

"Les résultats s'appuient sur les conclusions de l'article précédent et représentent une autre étape vers l'établissement de modèles interprétables de performance des alliages dans des environnements extrêmes, tout en fournissant des informations sur le développement d'ensembles de données, ", déclare Devanathan. "Les deux articles démontrent le leadership éclairé de XMAT dans ce domaine en croissance rapide."