Le traitement thermique des grandes pièces forgées en acier joue un rôle essentiel dans l'obtention des propriétés mécaniques requises pour diverses applications industrielles, notamment dans les secteurs de l’aérospatiale, de l’automobile et des machines lourdes. Le revenu, une étape clé du traitement thermique, influence considérablement les performances des matériaux en modifiant leur microstructure afin d'améliorer leur résilience, leur dureté et leur résistance à l'usure. Cependant, garantir une répartition uniforme de la température au sein des fours industriels électriques de grande taille constitue un défi majeur en raison des interactions thermiques complexes, des gradients de température importants et des inefficacités énergétiques. Les approches empiriques traditionnelles visant à optimiser le processus de traitement thermique s'avèrent souvent insuffisantes, car elles ne prennent pas en compte l’interaction complexe entre la conception du four, les configurations de chargement et les paramètres de traitement. Ces dernières années, la dynamique des fluides numérique (CFD) et l’apprentissage automatique (ML) se sont imposés comme des outils puissants pour l’analyse et l’optimisation des processus industriels de traitement thermique. Malgré leur potentiel, la recherche existante s'est principalement concentrée sur des systèmes de petite échelle ou des fours à gaz, laissant les fours électriques industriels sous-explorés. Afin de combler ces lacunes, cette étude intègre des mesures expérimentales, des simulations CFD, une optimisation multi-objectifs et une modélisation prédictive basée sur l’apprentissage automatique afin d'améliorer l’uniformité des températures, de réduire les temps de traitement et d’optimiser l’efficacité énergétique des fours industriels électriques de traitement thermique. En évaluant de manière systématique les configurations d'empilement, l'agencement des éléments chauffants et les stratégies de chargement prédictives, cette recherche propose un cadre méthodologique complet pour améliorer le contrôle du processus et garantir des propriétés mécaniques homogènes dans les composants en acier de grande taille.
Un modèle CFD tridimensionnel transitoire a été développé pour simuler les caractéristiques thermiques et aérodynamiques d'un four industriel électrique à sole mobile de 112 m³. Ce four, situé chez Finkl Steel (Sorel, Québec), est équipé de plusieurs éléments chauffants électriques et de ventilateurs axiaux pour assurer une convection forcée, et son comportement thermique a été analysé sous différentes configurations de chargement. La géométrie CAO du four et des pièces forgées dans divers scénarios a été conçue à l'aide de CATIA V5 afin de garantir une représentation fidèle des conditions industrielles. Pour valider le modèle, des mesures de température ont été effectuées sur des blocs de forge industriels à l'aide de thermocouples embarqués stratégiquement placés sur des positions critiques de surface. Ces mesures ont permis de capturer les gradients thermiques en temps réel et de les comparer directement aux résultats de simulation. ANSYS® (versions 2022 et 2023) a été utilisé pour les simulations CFD et le maillage, tandis que JMatPro ® a permis de déterminer les propriétés mécaniques dépendantes de la température du matériau forgé, garantissant ainsi des entrées thermophysiques précises pour les simulations numériques. L’analyse CFD a révélé des nonuniformités de température significatives, atteignant 300 K dans les configurations d’empilement conventionnelles, notamment dans les arrangements multi-blocs où des obstructions du flux d'air et un échange radiatif insuffisant ont entraîné des zones de surchauffe et de sous-chauffe localisées. L’intégration des simulations CFD aux données industrielles en temps réel a servi de base à l’optimisation des stratégies de chargement du four et de la disposition des éléments chauffants. Pour la visualisation et le post-traitement des résultats de simulation, Tecplot 360 EX a été employé pour analyser efficacement les champs de température et les caractéristiques de l’écoulement.
Des techniques d’optimisation multi-objectifs ont été mises en oeuvre afin d'affiner les paramètres de fonctionnement du four, en se concentrant sur la réduction des écarts de température tout en maintenant l'efficacité du processus. Un algorithme génétique (GA) et une approche d'optimisation basée sur la méthode Pareto ont été appliqués afin d'examiner l'impact de l’agencement des éléments chauffants sur l’uniformité thermique globale. MATLAB 2021 a été utilisé pour implémenter les routines d’optimisation, permettant une exécution efficace des algorithmes génétiques et des recherches de Pareto. L’approche de modélisation par substitution, utilisant une régression polynomiale, a permis une évaluation rapide de différentes configurations de conception sans nécessiter une exécution complète des simulations CFD à chaque itération. Les résultats ont démontré que des dispositions optimisées des éléments chauffants pouvaient réduire les variations de température de surface de 8 %, tandis que des configurations de chargement améliorées permettaient de diminuer les écarts de température coeur-surface de 35 %. Ces résultats soulignent l'importance des améliorations systématiques de la conception des fours pour garantir un chauffage homogène des pièces forgées en acier de grande dimension.
Afin d’améliorer davantage l’efficacité opérationnelle, un modèle prédictif basé sur l’apprentissage automatique a été développé en exploitant un ensemble de données industrielles de plus de 1 100 cycles de revenu. Python 3.1 a été utilisé pour développer et entraîner ce modèle, en appliquant des techniques avancées de prétraitement des données, y compris l'ingénierie des caractéristiques, les transformations et l’ajustement des hyperparamètres. L’outil d’analyse de régression XGBoost a été utilisé afin de prédire les cycles de chargement optimaux en fonction de variables opérationnelles clés, notamment les dimensions des pièces forgées, leur composition matérielle et l'historique thermique du four. En analysant les données de processus historiques, le modèle a fourni des recommandations en temps réel pour les configurations de chargement, réduisant ainsi significativement la dépendance aux heuristiques empiriques et à la planification manuelle. Le modèle d’apprentissage automatique a atteint un coefficient de détermination R² compris entre 0,78 et 0,89, démontrant son efficacité dans la prédiction précise des paramètres optimaux de chargement, tout en réduisant la consommation d’énergie et le temps de traitement. L’intégration de l’analyse prédictive basée sur l’IA dans les opérations du four renforce l’adaptabilité, permettant aux opérateurs d’optimiser le débit de production sans nécessiter d’ajustements par essais et erreurs.
Les résultats de cette recherche soulignent le potentiel de la combinaison des validations expérimentales, de la modélisation CFD haute-fidélité, de l'optimisation multi-objectifs et de l'apprentissage automatique pour améliorer l’efficacité des fours industriels électriques de traitement thermique. Le cadre CFD validé constitue un outil puissant d’analyse de scénarios, permettant une évaluation précise de différentes configurations de four et stratégies de chargement. Parallèlement, le modèle d’apprentissage automatique améliore la prise de décision en temps réel en fournissant des informations rapides et basées sur les données pour optimiser les opérations du four. L'intégration de ces méthodologies établit une approche globale et évolutive visant à optimiser les processus de traitement thermique, en offrant une solution efficace et adaptée aux applications industrielles.
Les perspectives de recherche futures incluent l’extension des modèles d’apprentissage automatique pour prédire les propriétés mécaniques finales en fonction de l’historique thermique, le perfectionnement des modèles de turbulence et de radiation en CFD afin d'améliorer la précision des simulations, ainsi que l'exploration de techniques d'optimisation adaptative en temps réel pour ajuster dynamiquement les conditions de fonctionnement du four. En exploitant la synergie entre la modélisation physique et l’analyse de données, cette recherche contribue à l’avancement des stratégies de contrôle prédictif et prescriptif dans le domaine du traitement thermique métallurgique, favorisant une production industrielle à la fois écoénergétique et de haute qualité.
| Date | 3 sept. 2025 |
|---|
| langue originale | Anglais américain |
|---|
| Établissement diplômant | - École de technologie supérieure
|
|---|
| Superviseur | Mohammad Jahazi (Directeur(-trice)) & Farzad Bazdidi-Tehrani (Codirecteur(-trice)) |
|---|