Utiliser le deep learning pour classer objectivement les matériaux en acier

Les roulements sont installés partout où quelque chose est en rotation. Le large éventail d’applications s’étend des grandes éoliennes aux petites brosses à dents électriques. Ces roulements, constitués de composants en acier, doivent être soigneusement sélectionnés et testés en fonction de leur qualité et de l’application en question. La granulométrie a un effet crucial sur les propriétés mécaniques de l’acier.

Jusqu’à présent, la taille des cristallites microscopiques était évaluée par les métallographes au moyen d’une inspection visuelle, une méthode subjective et sujette aux erreurs. Des chercheurs de l’Institut Fraunhofer de mécanique des matériaux IWM, en collaboration avec Schaeffler Technologies AG & Co. KG, ont développé un modèle d’apprentissage profond qui permet une évaluation et une détermination objectives et automatisées de la taille des grains.

Le matériau généralement utilisé pour les roulements est constitué d’aciers trempés en surface et enrichis en carbone. Le durcissement de surface est utilisé pour rendre le matériau durable afin d’éviter la défaillance, la fatigue et la croissance de fissures critiques dans les composants dues à une charge cyclique, évitant ainsi des accidents graves.

Les caractéristiques microstructurales critiques des alliages d’acier sont généralement des inclusions non métalliques et des grains plus gros que la moyenne. Ces cristallites se forment au cours du processus de production de l’acier et sont soumises à des changements constants tout au long de la chaîne de valeur.

Les propriétés mécaniques de l’acier sont largement déterminées, entre autres, par la granulométrie. Par conséquent, à des fins de contrôle qualité, il est essentiel qu’ils soient évalués de manière fiable. Des chercheurs du Fraunhofer IWM à Fribourg, en Allemagne, en collaboration avec Schaeffler Technologies AG & Co. KG, ont développé un modèle d’apprentissage profond pour déterminer la taille des grains des aciers martensitiques et bainitiques, c’est-à-dire des aciers présentant une microstructure durcie provoquée par un refroidissement brutal.

Ce modèle est conçu pour compléter ou remplacer l’inspection visuelle fastidieuse effectuée par des métallographes qualifiés, qui, jusqu’à présent, déterminaient et classifiaient visuellement les défauts. Ils recherchent principalement les grains plus gros et d’autres défauts, car c’est là que le risque de défaillance est le plus élevé. Cependant, comme l’a révélé un test interlaboratoires, les évaluations granulométriques réalisées par les experts diffèrent les unes des autres.

Outre le fait que la classification granulométrique est intrinsèquement subjective, les évaluations des experts se sont parfois révélées inexactes et donc pas suffisamment fiables, en particulier pour les applications liées à la sécurité. La procédure d’inspection standard est également sujette à des erreurs car elle repose sur de petits échantillons et, en raison de la quantité de travail importante impliquée, l’inspection de l’ensemble du composant n’est pas réalisable.

Haut degré d’automatisation, précision et reproductibilité améliorées dans la détection des défauts

Le modèle d’apprentissage profond pour la détermination de la taille des grains, en revanche, peut être utilisé pour évaluer des zones de composants arbitrairement grandes et présente une grande précision et une reproductibilité idéale. Pour y parvenir, le modèle a été alimenté avec des données d’images préalablement classées par des experts. Ces images du partenaire industriel ont été utilisées pour entraîner le modèle à reconnaître et classer les microstructures en acier.

L’innovation ici réside dans le fait que la taille des grains peut être évaluée de manière cohérente, objective et automatisée. Les données sont sujettes à du bruit d’annotation en raison des différences dans la manière dont les métallographes évaluent la taille des grains. Cependant, lors de l’optimisation du modèle, le bruit, c’est-à-dire l’évaluation erronée, est filtré. En recevant en permanence des images annotées avec une surestimation et une sous-estimation de la taille des grains, le modèle apprend une représentation moyenne et est entraîné à évaluer les microstructures avec plus de confiance.

« Dans ce cas, ni des données exceptionnellement propres ni de grands volumes de données ne sont nécessaires pour la formation », explique le Dr Ali Riza Durmaz, scientifique au Fraunhofer IWM. Une application web développée par le Dr Durmaz et son équipe visualise les résultats. Ce faisant, les approches d’intelligence artificielle explicable offrent une plus grande transparence dans le processus décisionnel du modèle.

Plus la granulométrie est petite, plus l’acier est résistant

Le modèle d’apprentissage profond est utilisé pour classer les images de microstructure en différentes plages de granulométrie. « Les roulements doivent répondre aux exigences microstructurales, c’est-à-dire que les grains ne doivent pas dépasser une certaine taille. Plus la taille des grains est petite, plus l’acier est résistant », explique Durmaz. Plus le nombre de petits grains est élevé, plus la densité des joints de grains, c’est-à-dire les surfaces de contact entre les grains, est grande.

Une densité élevée des joints de grains empêche la déformation plastique du composant, même sous des charges très élevées. Même si le matériau était légèrement mais durablement déformé, le roulement ne fonctionnerait plus correctement et les propriétés de friction seraient altérées, tout comme l’efficacité énergétique.

Outre la taille des grains, le modèle d’apprentissage profond est également capable de distinguer les états martensitiques et bainitiques ainsi que les différents alliages d’acier (variantes des familles 100Cr6 et C56). Le modèle est actuellement mis en œuvre dans le cadre industriel de Schaeffler Technologies. Cela fournit au partenaire industriel un système qui peut être utilisé dans les processus industriels pour identifier les défauts des roulements de manière automatisée et basée sur l’IA, avec une reproductibilité auparavant inaccessible.

Le flux de travail, qui consiste à adapter le modèle d’IA à des matériaux spécifiques, à le relier au traitement d’images et à intégrer le modèle dans des interfaces conviviales, peut être facilement transféré à d’autres domaines d’application. « Notre modèle d’apprentissage profond ouvre la voie à une qualification automatisée et basée sur l’IA, par exemple dans toutes les situations où des composants critiques pour la sécurité sont soumis à des charges élevées et cycliques, comme les composants d’entraînement électrique ou le montant B des véhicules », Durmaz conclut.