L’IA prédit la résistance d’un composite renforcé de carbure et de bromure de titane après traitement
Les composites à matrice métallique sont une alternative moderne à l’acier. Ce sont des matériaux renforcés moléculairement, constitués d’une matrice de renforcement métallique et d’une charge. De tels composites peuvent être encore renforcés, par exemple en utilisant du monobromure de titane ou du carbure de titane.
Mais même des matériaux aussi résistants ne sont pas à l’abri de la destruction, c’est pourquoi ils sont en outre traités par grenaillage (ou grenaillage) : un puissant jet de gaz contenant de petites particules le rend plus résistant. Pour sélectionner les paramètres optimaux pour le grenaillage, une base expérimentale étendue est nécessaire. Cependant, mener de telles expériences est coûteuse et prend du temps, et les simulateurs existants ne donnent pas de résultats plausibles. Un professeur de l’Université RUDN et des collègues d’Italie, du Canada et de Turquie ont formé un réseau neuronal profond à cet effet.
La recherche est publiée dans la revue Matériaux.
« La plupart des défaillances des matériaux métalliques commencent à la surface. Cela se produit également dans les parties critiques de la production industrielle. Par conséquent, le grenaillage peut jouer un rôle décisif et améliorer les propriétés mécaniques de la surface : dureté, résistance à la corrosion et à l’usure. « La zone est exigeante en main-d’œuvre et coûteuse. Les programmes de simulation contiennent de nombreuses erreurs, qui peuvent entraîner des dommages catastrophiques », a déclaré Kazem Reza Kashyzadeh, professeur au Département des transports de l’RUDN.
Pour entraîner le réseau neuronal, les chercheurs ont utilisé des données expérimentales provenant de composites de titane grenaillés avec différents contenus de renforts. Les chercheurs ont pris le contenu des amplificateurs (monobromure et carbure de titane) et l’intensité du traitement comme données d’entrée. En sortie, le réseau de neurones décrit la dureté et les contraintes résiduelles sur toute la profondeur du matériau.
La précision du réseau neuronal construit s’est avérée presque parfaite. La dureté du matériau a été prédite avec une précision de 99,4 % et la contrainte résiduelle avec une précision de 98,8 %. Les résultats précédents obtenus avec un réseau neuronal peu profond étaient environ 1 % moins précis. Un réseau de neurones aide à clarifier comment l’intensité du traitement affectera le résultat. Par exemple, la contrainte résiduelle la plus prononcée apparaît à une profondeur allant jusqu’à 15 micromètres de la surface avec une intensité de 0,25 à 0,30 sur l’échelle d’Almen.
« Les prédictions du réseau neuronal profond étaient 0,98 % plus précises que celles du réseau conventionnel. Par conséquent, les réseaux neuronaux profonds peuvent être considérés comme un outil puissant pour analyser la dureté et la contrainte résiduelle après le grenaillage », a déclaré le professeur Kashyzadeh.
