fr.wedoany.com Rapport : Des chercheurs de la Faculté d'ingénierie de l'Université de Toronto, au Canada, ont utilisé une plateforme de découverte pilotée par l'intelligence artificielle pour développer six nouveaux alliages métalliques, améliorant ainsi la durabilité des composants dans des environnements extrêmes tels que les moteurs à réaction et les centrales nucléaires. Cette plateforme a identifié des formulations prometteuses en quelques semaines seulement, réduisant considérablement le cycle de recherche de matériaux haute performance. Ces nouveaux alliages peuvent également être utilisés pour l'impression 3D de métaux, permettant de fabriquer des pièces complexes difficiles à réaliser avec les procédés traditionnels.
Cette recherche a été dirigée par Yu Zou, titulaire de la Chaire de recherche du Canada sur les matériaux et la fabrication pour environnements extrêmes (Canada Research Chair in Materials and Manufacturing for Extreme Environments), en collaboration avec Jason Hattrick-Simpers. L'équipe a construit un système de fabrication automatisé intégrant la modélisation informatique, l'apprentissage automatique et la robotique. La méthode employée, appelée apprentissage actif, fonctionne comme un laboratoire autonome : au lieu de tester manuellement des milliers de combinaisons métalliques, le système sélectionne de manière autonome les formulations les plus prometteuses pour les fabriquer et les tester, puis utilise les résultats pour guider les expériences suivantes.
Ce projet a été partiellement soutenu par l'Acceleration Consortium de l'Université de Toronto. Ce consortium utilise l'IA et l'automatisation pour accélérer la découverte de nouveaux matériaux. La plupart des systèmes d'IA dépendent de grandes quantités de données expérimentales pour faire des prédictions précises, une limitation particulièrement marquée lors de l'étude de matériaux non encore testés. Ajay Talbot, doctorant au laboratoire et premier auteur de l'étude, explique que pour pallier le manque de données, l'équipe a utilisé un modèle de réduction de données : « Notre modèle d'apprentissage actif sélectionne stratégiquement des échantillons à fabriquer et à tester, puis renvoie les données expérimentales au modèle pour guider les étapes suivantes, ce qui accélère considérablement le processus. »
Pour démontrer ce système, les chercheurs se sont concentrés sur des alliages à composition complexe à base de nickel, de cobalt et de chrome. En quelques semaines, la plateforme automatisée a identifié six formulations d'alliages aux performances robustes. L'une d'elles a été optimisée pour la résistance à la perforation à des températures allant jusqu'à 1 112 °F (600 °C), ce qui correspond à l'environnement de travail de la partie avant d'un moteur à réaction. La norme industrielle dans ce domaine est l'alliage à base de nickel (comme l'Inconel 625), mais l'équipe a découvert qu'un alliage composé de 12 % de nickel, 62 % de cobalt et 26 % de chrome présentait une capacité exceptionnelle à maintenir sa dureté à des températures extrêmement élevées. Lors des tests en laboratoire, cet alliage, ne contenant que trois éléments, a surpassé l'Inconel 625, qui en contient plus d'une dizaine, de 4,5 %. De plus, l'équipe a développé un autre alliage spécialement conçu pour la section à haute température des moteurs à réaction (où les températures peuvent atteindre 1 832 °F, soit 1 000 °C). Talbot souligne que la formation d'oxyde à haute température entraîne une perte de matière, et qu'un matériau composé de 36 % de nickel, 14 % de cobalt et 50 % de chrome présente une résistance à l'oxydation supérieure de 85 % à celle de l'Inconel 625 à ces températures élevées. L'objectif à long terme de l'équipe est d'atteindre des températures de fonctionnement allant jusqu'à 2 192 °F (1 200 °C).
Les chercheurs indiquent que les alliages actuels constituent une démonstration précoce de la plateforme de découverte pilotée par l'IA. Le système nickel-cobalt-chrome ne comporte que trois éléments, et Talbot estime que cela valide l'efficacité de la plateforme de découverte en boucle fermée. La prochaine étape consistera à augmenter la complexité en explorant des systèmes d'alliages pouvant contenir de 10 à 12 éléments différents, afin d'obtenir différents mécanismes de renforcement et davantage de propriétés utiles. Les résultats de cette recherche ont été publiés dans la revue npj Advanced Manufacturing.
