Les alliages de magnésium (Mg) sont couramment utilisés pour la conception de pièces aérospatiales et automobiles en raison de leur rapport résistance/poids élevé. Leur biocompatibilité et leur faible densité rendent également ces alliages idéaux pour une utilisation dans les équipements biomédicaux et électroniques. Cependant, les alliages de magnésium sont connus pour présenter un comportement anisotrope plastique. En d'autres termes, leurs propriétés mécaniques varient en fonction de la direction de la charge appliquée.
Pour garantir que les performances de ces alliages de Mg ne sont pas affectées par ce comportement anisotrope, une meilleure compréhension des déformations anisotropes et le développement de modèles pour leur analyse sont nécessaires.
Selon le laboratoire de conception et de fabrication de métaux (MEDEM) dirigé par le professeur agrégé Taekyung Lee de l'Université nationale de Pusan, en République de Corée, l'apprentissage automatique (ML) pourrait apporter des réponses à ce problème de prédiction. Dans leur récente percée, l'équipe a proposé une nouvelle approche appelée « Unité récurrente fermée (GRU) assistée par les réseaux contradictoires génératifs (GAN). »
Le modèle possède de puissantes capacités d’analyse de données pour prédire avec précision les propriétés plastiques anisotropes des alliages de magnésium corroyé. Leurs travaux ont été mis en ligne dans le Journal of Magnesium and Alloys. le 16 janvier 2024.
"En termes d'exactitude des prédictions de ML du point de vue de la science des données, nous avons réalisé qu'il y avait place à l'amélioration. Ainsi, contrairement aux méthodes de prédiction signalées précédemment, nous avons développé un modèle de ML avec augmentation des données pour atteindre l'exactitude, ainsi que généralisabilité par rapport à divers modes de chargement", explique le professeur Lee, décrivant l'idée principale derrière leur nouveau modèle.
"Cela a finalement ouvert des voies d'intégration avec une analyse par éléments finis pour extraire une estimation précise des contraintes des produits fabriqués à partir d'alliages métalliques présentant une anisotropie plastique significative."
Pour créer un modèle avec une précision accrue, l'équipe a combiné l'ensemble des courbes de flux, le GAN, le réglage des hyperparamètres piloté par des algorithmes et l'architecture GRU, qui sont quelques-unes des stratégies clés utilisées en science des données. Cette nouvelle approche facilite l'apprentissage de données entières de courbe d'écoulement plutôt que de se limiter à l'entraînement sur des propriétés mécaniques résumées, comme de nombreux modèles précédents.
Pour tester la fiabilité du modèle GRU assisté par GAN, l'équipe l'a évalué de manière approfondie selon des scénarios prédictifs, allant de l'extrapolation, de l'interpolation et de la robustesse, avec des ensembles de données de taille limitée. Lorsqu'il a été testé, le modèle a estimé le comportement anisotrope des alliages ZK60 Mg pour trois directions de chargement et sous 11 conditions de recuit.
Grâce à ces expériences, l’équipe a découvert que leur modèle présentait une robustesse et une généralisabilité nettement meilleures que d’autres modèles conçus pour effectuer des tâches similaires. Ces performances supérieures sont principalement attribuées à l'augmentation des données assistée par le GAN et soutenues par l'excellente capacité d'extrapolation de l'architecture GRU et l'optimisation des hyperparamètres, paramètres dont les valeurs sont utilisées pour contrôler le processus d'apprentissage.
Par conséquent, cette étude amène la modélisation prédictive au-delà des réseaux de neurones artificiels. Il démontre avec succès la capacité des modèles basés sur ML pour estimer les comportements de déformation anisotrope des alliages de magnésium corroyés.
« Les performances globales et la durée de vie des composants en alliage de magnésium dépendent largement du comportement anisotrope plastique, ce qui fait de la prévision et de la gestion des déformations un élément essentiel de la conception des matériaux. Nous pensons que le modèle aidera à la conception et à la fabrication de produits métalliques pour diverses applications", conclut le professeur Lee.
Plus d'informations : Sujeong Byun et al, Prédiction améliorée du comportement de déformation anisotrope à l'aide de l'apprentissage automatique avec augmentation des données, Journal of Magnesium and Alloys (2024). DOI :10.1016/j.jma.2023.12.007
Fourni par l'Université nationale de Pusan
