L'intelligence artificielle met au point des alliages performants à partir de déchets métalliques
Les impuretés présentes dans la ferraille sont exploitées de manière ciblée et améliorent la ductilité et la résistance à la rupture
Annonces
Chaque année, environ deux milliards de tonnes de métal sont produites dans le monde pour répondre aux besoins de l'industrie, des infrastructures et du secteur énergétique. Une grande partie de cette production provient encore des minerais. La production conventionnelle de métaux génère environ 40 % des émissions industrielles de gaz à effet de serre et représente environ 10 % de la consommation mondiale d'énergie. Un recours accru aux métaux recyclés pourrait réduire considérablement l’impact environnemental lié à la synthèse primaire, en maintenant les métaux plus longtemps dans le cycle des matières premières, tout en diminuant la dépendance vis-à-vis des importations de minerais rares et stratégiquement importants.
Le recyclage des métaux en alliages exploitables pose toutefois des défis considérables : la composition chimique des déchets métalliques varie souvent et contient des impuretés indésirables. Celles-ci peuvent nuire à la qualité des alliages recyclés et les rendre ainsi inutilisables pour des applications industrielles très exigeantes.
Une équipe de recherche internationale a désormais mis au point une stratégie reposant sur l’intelligence artificielle (IA) et l’apprentissage automatique afin d’exploiter de manière ciblée les impuretés présentes dans les déchets métalliques en tant qu’éléments d’alliage. Les « alliages sales » (Dirty Alloys) ainsi obtenus tolèrent non seulement les variations dans la composition des déchets métalliques, mais présentent également des propriétés mécaniques améliorées et des coûts de production réduits. Les résultats ont été publiés dans la revue scientifique *Science Advances*.
L’intelligence artificielle établit un lien direct entre la composition de l’alliage et les propriétés du matériau
« Jusqu’à présent, les impuretés présentes dans les déchets métalliques étaient généralement diluées par l’ajout de métal primaire. Cela réduit toutefois les avantages environnementaux du recyclage, car la production de métaux primaires nécessite d’importantes quantités d’énergie et génère des émissions de CO₂ considérables. Notre nouveau processus utilise l’IA et l’apprentissage automatique pour identifier les impuretés appropriées et développer avec elles des alliages qui non seulement tolèrent ces impuretés, mais en tirent même profit », explique le Dr Liuliu Han, responsable d’un groupe partenaire de l’Institut Max Planck pour les matériaux durables et l’une des autrices correspondantes de la publication.
La particularité de ce nouveau processus réside dans le fait qu’il établit un lien direct entre la composition chimique d’un alliage et les conditions de fabrication, d’une part, et les propriétés souhaitées du matériau, d’autre part, sans nécessiter pour autant d’informations détaillées sur la microstructure de l’alliage, mais en exploitant de manière ciblée la gamme d’éléments présents dans la ferraille pour améliorer le produit. À partir d’alliages déjà connus, un algorithme de recherche génère de nouveaux alliages candidats. Pour ce faire, il fait varier, dans des limites prédéfinies, tant la composition chimique que les paramètres de processus tels que la température et la durée du traitement thermique.
Des réseaux neuronaux artificiels prédisent ensuite la résistance à la traction et l’allongement à la rupture des différents alliages candidats. L’algorithme peut ainsi rechercher de manière ciblée des compositions offrant un meilleur rapport entre résistance et formabilité que les matériaux connus à ce jour. Ce faisant, il optimise d’une part les alliages particulièrement prometteurs et explore d’autre part des compositions jusqu’ici peu étudiées. Un deuxième modèle, entraîné à partir d’un ensemble de données plus vaste sur les compositions d’alliages et les propriétés des matériaux, vérifie les candidats présélectionnés. Les scientifiques fabriquent ensuite les alliages les plus prometteurs et les testent.
Les résultats de ces essais sont à leur tour intégrés à la base de données. Cela permet de mettre à jour le modèle de prédiction et de piloter le cycle d’optimisation suivant. Grâce à cette comparaison itérative entre les prévisions assistées par ordinateur et les résultats expérimentaux, la sélection d’alliages adaptés s’améliore progressivement et accélère le développement de nouveaux matériaux à partir de métaux recyclés.
Les impuretés améliorent les propriétés mécaniques
Les chercheurs ont utilisé comme matériau modèle de la fonte à graphite sphéroïdal, également appelée fonte sphéroïdale. Ce matériau est connu pour sa grande tolérance aux impuretés et revêt une grande importance industrielle : environ 120 millions de tonnes en sont produites chaque année dans le monde.
L’équipe de recherche a étudié 17 variantes d’alliages proposées par le modèle d’IA. Parmi celles-ci, 14 présentaient des combinaisons particulièrement intéressantes de résistance et de ductilité par rapport aux matériaux ferreux recyclés répertoriés jusqu’à présent dans la base de données.
À allongement à la rupture comparable, la résistance à la traction a pu être augmentée jusqu’à 15,2 %. À résistance à la traction comparable, l’allongement à la rupture a même augmenté jusqu’à 73,2 %. Parallèlement, les coûts de fabrication étaient inférieurs d’environ 8 % à ceux du procédé conventionnel, qui consiste à mélanger de la ferraille avec du fer primaire.
Les scientifiques prévoient également d’étendre leur stratégie d’IA à d’autres groupes de matériaux, tels que les aciers recyclés ainsi que les alliages d’aluminium et de cuivre. De plus, plusieurs agents d’IA devraient prendre en charge différentes tâches et se coordonner entre eux – du développement de nouvelles compositions d’alliages et de la planification des essais jusqu’au contrôle des processus et à l’évaluation des résultats. Cela permettrait d’accélérer le développement de nouveaux alliages tout en offrant une adaptation flexible aux variations de composition des déchets métalliques.
Des chercheurs de l’université Jiao Tong de Shanghai, de la City University of Hong Kong, de l’université des sciences et technologies de Chine orientale et de l’université du Centre-Sud en Chine, ainsi que de l’Institut Max Planck pour les matériaux durables en Allemagne, ont participé à ces travaux.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Allemand peut être trouvé ici.
Publication originale
Autres actualités du département science
