Modélisation par du machine learning de l'apparition de micro-retassures en fonte FGS

Des travaux de R&D conduits à l'université Deutso (Bilbao) (papier à télécharger ici) ont montrés qu'un réseau de neurones artificiels (machine learning) permet, après une phase d'apprentissage, de bâtir un modèle de prédiction des micro-retassures sur des pièces en fonte FGS pour l'industrie automobile. Ce modèle tient compte de 24 paramètres de production et intègre 4 niveaux de risques d'appartion de défauts internes.

Le modèle développé
Le modèle développé a nécessité :

• De bâtir une ANN (Artificial Neural Network) ou réseau de neurones articifiels à 3 couches ; 3 X 24 neurones dans la couche d'entrée, 15 neurones en couche intermédiaire et 4 neurones en couche de sortie
• Le suivi de 951 pièces de production (support de disques de frein) en fonte FGS dans une fonderie produisant 45 000 t/an
• Le suivi de 24 variables de production comprenant des variables métal (composition, inoculant, température), des variables moule (type de sable, paramètres de moulage) et enfin des variables liées aux dimensions et géométrie des pièces
• La détermination de 4 niveau de risques de micro-retassures (0 - aucun risque à 3 - tres nombreuses micro-retassures)
• Deux références de pièces pris en compte dans le modèle

Les résultats
Les résultats semblent assez concluants (85 % de fiabilité), même s'ils ne sont pas parfaits car le modèle prédictif n'atteint pas les 100 % de fiabilité. Les auteurs du papier vont investiguer d'autres types de défauts de pièce.

Intérêt du machine learning en fonderie
Le machine learning (et les réseaux de neurones artificiels) semble, d'après nous, avoir un fort potentiel dans l'industrie de la fonderie en grande série (automobile) ou à forte valeur ajoutée (aéronautique, ...). En effet, de très nombreux paramètres (mesurés) interagissent ensemble de manière complexe avec des relations de cause à effet souvent difficiles à appréhender. Le machine learning est une technologie en pleine évolution qui pourrait, à court/moyen termes, avoir des retombées dans l'industrie.

Source : Deusto University (Bilbao)