L'IA détecte les défauts des matériaux avant leur apparition

par Charlotte Mazalérat - Modifié Il y a 2 jours

Crédits: ©Freepik

Une équipe de chercheurs et d'ingénieurs de l'université américaine Lehigh, spécialisée en techniques et technologies avancées, a mis au point un puissant système d'apprentissage automatique permettant à l'intelligence artificielle de détecter le potentiel changement de comportement des composants internes, dits "grains" contenus dans les matériaux de céramique, de métal en cas d'exposition potentielle à des frictions, des amplitudes thermiques élevées.

Le dispositif est alors capable de signaler les défaillances possibles avant que ces dernières se manifestent réellement. L'IA est capable de déceler si un "grain" s'atrophie ou change de physionomie dont la conséquence provoquerait un défaut de qualité d'usage. Le matériau pourrait alors changer d'état, voire se tordre, se casser.

Utilité et potentiel :

opter pour des matériaux plus fiables ;
anticiper la sécurité et les vices de formes ;
anticiper les altérités des propriétés mécaniques.

Applications :

industrie aérospatiale, aéronautique ;
industrie automobile.

Défis :

Ces travaux sont toujours en cours d'expérimentation. De nombreux matériaux sont en cours d'analyse.

Les chercheurs relatent leur méthodologie de travail utilisant la mémoire à long terme de l'intelligence artificielle, dite "long short-term memory" (LSTM).

Cette avancée majeure offre des perspectives prometteuses en matière de durabilité et d'optimisation des pièces, des matériaux et des équipements.

L'étude complète est disponible ci-dessous :

Novel machine learning model can predict material failure before it happens

A team of Lehigh University researchers has successfully predicted abnormal grain growth in simulated polycrystalline materials for the first time—a development that could lead to the creation of stronger, more reliable materials for high-stress environments, such as combustion engines. A paper describing their novel machine learning method was recently published in Nature Computational Materials. “Using simulations, we were not only able to predict abnormal grain growth, but we were able to predict it far in advance of when that growth happens,” says Brian Y.

https://engineering.lehigh.edu/news/article/novel-machine-learning-model-can-predict-material-failure-it-happens