Détermination des propriétés mécaniques de profilés extrudés en aluminium par intelligence artificielle

Résumé

L’objectif de ce projet de recherche est de proposer un modèle simple de prédictions de propriétés mécaniques et d’anisotropie de profilés extrudés en aluminium en faisant appel entre autres à l’intelligence artificielle (IA). Les algorithmes d’IA utilisent une approche statistique qui pourrait permettre d’obtenir une meilleure prédiction que celle de calculs lourds imposés par les modèles de simulation d’évolution de texture cristalline au cours de l’extrusion. En effet, lors de l’écoulement de l’aluminium dans la filière pour mettre en forme une poutre extrudée, les microstructures évoluent fortement et la texture cristalline est modifiée, ce qui induit une forte anisotropie aux profilés finis. Ces propriétés mécaniques et microstructurales particulières ont été étudiées pour deux alliages commercialement répandus et utilisés dans divers domaines des transports, les AA6063 et AA6082. La morphologie de la microstructure, la texture et l’état de précipitation ont été étudiés et répertoriés pour différents paramètres d’extrusion et différentes géométries de poutres, pour tirer des liens avec leurs propriétés mécaniques. L’alliage AA6063 a présenté une microstructure entièrement recristallisée avec principalement des gros grains équiaxes. Sa texture est dominée par des grains orientés aléatoirement et en cube, et elle a surtout semblé affectée par le chemin de déformation et la température de préchauffage du lopin. Les propriétés mécaniques de cet alliage se sont révélées essentiellement sensibles à la vitesse d’extrusion, et le coefficient de Lankford, représentatif de l’anisotropie, a principalement été influencé par la texture cristalline. L’alliage AA6082 a présenté une microstructure majoritairement déformée avec des grains très fins. Sa texture est riche en composantes S et laiton, et a semblé principalement influencée par le chemin et la vitesse d’extrusion. Ses propriétés mécaniques n’ont pas semblé être sensibles aux paramètres d’extrusion sur la plage étudiée. Les mesures de texture cristallographique ont été utilisées pour appliquer la méthode CMTP, qui a permis de prédire le coefficient de Lankford avec d’excellentes tendances, mais une précision qui pourrait être améliorer sur les profilés en AA6063 qui contiennent une plus grande fraction de grains orientés aléatoirement que ceux en AA6082. Les données d’extrusion et de propriétés mécaniques ont été utilisées pour entrainer des modèles IA de type perceptrons multicouches (MLP) et régressions à vecteurs-support (SVR). Ils permettent chacun de prédire une des grandeurs suivantes : limite élastique, résistance mécanique, coefficient d’écrouissage et coefficient de Lankford, malgré la taille limitée de la base de données. Les résultats rapportés ont toujours été meilleurs pour les MLP que les SVR. Ils ont toujours été satisfaisants pour la résistance mécanique, mais décevants pour les autres grandeurs.

Date	24 août 2026
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Philippe Bocher (Directeur(-trice))