Prédire la composition d’un alliage d’acier

Produire de l’énergie sur Terre grâce à la fusion nucléaire, le type de réaction qui alimente le soleil, s’est avéré être un défi majeur. Les conditions extrêmes nécessaires à une telle réaction exigent que les parois d’un dispositif de fusion nucléaire soient constituées d’un matériau doté d’un ensemble particulier de propriétés mécaniques, notamment capable de résister à des températures incroyablement élevées et d’être résistant aux chocs et à la corrosion. L’acier austénitique, un acier amagnétique à structure cristalline, est l’un des matériaux envisagés pour une utilisation dans les dispositifs de fusion nucléaire.

Dans un nouvel article de Le Journal Physique Européen DIvan Traparić et Milivoje Ivković de l’Institut de physique de Belgrade, en Serbie, explorent un moyen efficace de prédire la composition de l’acier austénitique.

Ils ont découvert que la spectroscopie de claquage induite par laser, une technique permettant de déterminer la quantité d’éléments dans un matériau, utilisée en combinaison avec un réseau de neurones profonds, une technique d’apprentissage automatique, était la plus efficace. Cette technique pourrait être utilisée pour déterminer la composition élémentaire d’un échantillon d’acier par ceux qui n’ont pas accès à des échantillons d’acier certifiés.

Les chercheurs ont utilisé des techniques d’apprentissage automatique en combinaison avec la spectroscopie de claquage induite par laser pour accélérer le processus d’identification des éléments qui composent les échantillons d’acier austénitique. Ils ont utilisé un critère appelé test d’impureté de Gini pour sélectionner les données les plus importantes de leur ensemble de données, leur permettant de minimiser sa complexité. Ils ont ensuite utilisé cet ensemble de données simplifié pour former leurs modèles d’apprentissage automatique afin d’identifier la composition de leurs échantillons d’acier.

Les auteurs concluent que, lorsqu’il est utilisé en combinaison avec la spectroscopie de claquage induite par laser, un réseau neuronal prédit mieux la composition de l’acier austénitique que la forêt aléatoire, une technique d’apprentissage automatique qui utilise une collection d’arbres de décision.