Contexte et objectifs de l’étude

Aubert & Duval, spécialiste de la métallurgie haut de gamme, est un leader mondial dans la conception, le développement et la fabrication de pièces forgées, matricées, de barres ou de poudres en aciers hautes performances, en superalliages, en aluminium ou en titane.

Le temps passé pour le développement de nouveaux alliages est souvent très long, et rien ne garantit une bonne exploration du domaine du possible ni l’obtention d’un alliage dont les performances sont maximisées. Le recourt à l’Intelligence Artificielle permet de réduire les temps de conception et de mise sur le marché des nouveaux alliages tout en réduisant significativement la quantité de matière nécessaire au développement d’alliages.

C’est dans ce contexte que s’inscrit cette prestation, dont le but est d’exploiter une base de données composée de nuances d’aciers pour la cémentation (procédé thermochimique qui vient augmenter la dureté). Lorsqu’une nuance d’acier est développée, le but est d’avoir le bon compromis entre la dureté à cœur et à peau. Ainsi, les objectifs de cette étude sont :

  • Construire un modèle de Machine Learning capable de prédire la dureté de nuances d’aciers de cémentation à partir de compositions des phases après revenu ;
  • Réaliser une démarche d’ingénierie inverse afin de mettre en évidence des compositions garantissant une dureté d’acier souhaitée.

Afin de favoriser le développement de compétences internes à Aubert & Duval, cette prestation a été réalisée dans un mode collaboratif et agile permettant plus de souplesse et favorisant ainsi l’implication tout au long de la prestation des équipes Aubert et Duval et le transfert de compétences.

Méthodologie et principales réalisations

  • Analyse descriptive des données à disposition à l’aide de notebooks python :
    • Histogrammes ;
    • Boxplots ;
    • Matrice de corrélation ;
    • Diagramme en coordonnées parallèles permettant d’établir des liens entre les valeurs prises par les différentes variables.
  • Construction de modèles de Machine Learning permettant de prédire la dureté des aciers de cémentation. Extraction de l’importance prise par les variables dans la prédiction du modèle.
  • Ingénierie inverse afin de déterminer les compositions les plus intéressantes à partir d’une dureté de consigne. Utilisation d’algorithmes de descente de gradient et d’algorithmes d’optimisation par Essaims Particulaires.
  • Mise à disposition de notebooks interactifs synthétisant les résultats de l’étude et permettant au client d’explorer ses données par lui-même.

Figures :

Figure 1 : Graphique d’adéquation entre les valeurs de la variable réponse et les prédictions du modèle Machine Learning

Figure 2 : Graphique de coordonnées parallèles permettant d’identifier pour des valeurs de sortie données les combinaisons des entrées associées dans la base de données à disposition (en bleu) et les combinaisons trouvées à l’aide de l’optimisation inverse (en rose)