ACTUALITÉ SCIENTIFIQUE
ET INNOVATION DE L'ÉTS
Choisir des aciers inoxydables selon leur résistance à la corrosion - Par : Soroosh Hakimian, Shamim Pourrahimi, Hakim A. Bouzid, Lucas Hof,

Choisir des aciers inoxydables selon leur résistance à la corrosion


Soroosh Hakimian
Soroosh Hakimian Profil de l'auteur(e)
Soroosh Hakimian est candidat au doctorat au Département de génie mécanique de l’ÉTS.
Programme : Génie mécanique 

Shamim Pourrahimi
Shamim Pourrahimi Profil de l'auteur(e)
Shamim Pourrahimi est doctorante au Département de génie mécanique de l’ÉTS.
Programme : Génie mécanique 

Hakim A. Bouzid
Hakim A. Bouzid Profil de l'auteur(e)
Hakim A. Bouzid est professeur au Département de génie mécanique de l’ÉTS et Fellow de l’ASME. Il est directeur du Laboratoire d’Étanchéité Statique et Dynamique de l’ÉTS et président de la division Pressure Vessel and Piping de l’ASME.
Programme : Génie mécanique 

Lucas Hof
Lucas Hof est professeur au Département de génie mécanique de l’ÉTS. Ses recherches portent sur la fabrication intelligente et circulaire dans le contexte de développement durable.
Programme : Génie mécanique 

Achetée sur Gettyimages.com. Droits d’auteur.

RÉSUMÉ:

Cette étude porte sur la nécessité de prédire le comportement à la corrosion dans divers environnements dans le but de prévenir les défaillances industrielles. On y explore les techniques d’apprentissage machine supervisé servant à prédire le comportement des catégories d’acier inoxydable dans divers environnements corrosifs comme les acides, les bases et les sels. Les méthodes expérimentales traditionnelles peinent souvent à identifier les facteurs clés du processus de corrosion en raison de sa nature complexe, multivariée et non linéaire. Dans cette étude, nous présentons et évaluons plusieurs modèles d’apprentissage machine, notamment l’arbre de décision, la machine à vecteur de support, la forêt aléatoire et le bagging. Mots-clés : sélection des matériaux ; corrosion ; acier inoxydable ; apprentissage machine.

Choisir le bon acier inoxydable

Depuis quelques années, les aciers inoxydables (inox) jouent un rôle important en industrie en raison de leurs propriétés, en particulier leur résistance à la corrosion [1]. Dans la conception de structures industrielles, il faut choisir le bon type d’inox, tenant compte à la fois de ses propriétés et de l’environnement, ce dernier déterminant la vitesse à laquelle l’inox se corrodera [2]. L’apprentissage machine (AM) sert de plus en plus dans la recherche sur les matériaux pour prédire la façon dont l’inox se corrodera. En effet, cette approche permet d’économiser temps et argent par rapport aux méthodes d’essai traditionnelles [3–6]. Ici, on décrit la création d’un modèle d’AM permettant de prédire le comportement à la corrosion des inox dans des conditions environnementales définies. Ce modèle mène à une sélection bien informée de matériaux destinés à diverses applications, et permet d’éviter les expériences coûteuses et fastidieuses. L’étude repose sur un ensemble de données comprenant la composition chimique de 34 catégories d’inox, le type, la concentration et la température des environnements corrosifs. En associant ces caractéristiques à des étiquettes de comportement à la corrosion, définies par taux de corrosion, nous pouvons comparer diverses techniques d’AM et leur précision. En outre, nous évaluons l’effet de la création de caractéristiques sur l’exactitude du modèle, en générant un nouvel ensemble de données lors de la phase de création, où les électrolytes sont remplacés par des ions critiques contribuant de manière prédominante à la réaction de corrosion. De plus, on applique des techniques d’AM afin d’explorer l’importance relative des caractéristiques de la composition chimique et du type d’environnement corrosif sur le comportement à la corrosion des alliages d’inox. Les résultats de cette analyse visent à faciliter la sélection de matériaux adaptés à des environnements corrosifs spécifiques.

Aperçu de la méthode de classification

La figure 1 illustre le processus d’évaluation du comportement à la corrosion des inox dans divers environnements corrosifs. L’étape initiale consiste à prétraiter les données avant de les appliquer à la phase de modélisation de l’AM. Deux ensembles de données distincts, l’ensemble n° 1 et l’ensemble n° 2, sont entrés dans les modèles d’AM. L’ensemble n° 1 comprend des caractéristiques comme le type et la concentration d’électrolytes. En revanche, l’ensemble n° 2 est une version modifiée de l’ensemble n° 1, où le type et la concentration des électrolytes sont transformés en concentration d’ions retrouvés dans les réactions de corrosion.

Figure 1 Schéma des procédés créés et appliqués (itératifs) pour classifier et prédire le comportement à la corrosion.

Sélection de l’acier inoxydable approprié

L’objectif principal de cette recherche est de proposer un modèle d’AM qui aidera à sélectionner les inox appropriés à divers environnements. La figure 2 présente un diagramme détaillé sur le processus systématique de sélection de la catégorie d’inox la plus appropriée en fonction de sa résistance à la corrosion. Selon les informations disponibles sur le matériau (composition chimique) et les conditions environnementales (type de solution, concentration et température), nous avons conçu trois modèles pour prédire le comportement à la corrosion des inox. Le choix de ces modèles (bagging, DT, DT + réduction de dimension) est issu de deux analyses complètes, tenant compte de leur exactitude et de leur applicabilité.

Figure 2 Organigramme du processus de sélection des inox à l’aide des modèles conçus.

Exactitude découlant des modèles d’apprentissage machine

Les résultats et l’analyse ont révélé ce qui suit :

– Le classificateur bagging a démontré la plus grande exactitude pour ce qui est de l’ensemble de données n° 1, atteignant 94,4 %, ce qui en fait le plus efficace pour prédire le comportement à la corrosion de l’inox.

– Grâce à une analyse de matrice de confusion, qui va au-delà de l’exactitude, nous avons pu constater que le bagging est plus approprié dans la détection des comportements de corrosion « grave » et « médiocre », détection essentielle à une identification exacte.

– Quant à l’ensemble n° 2, l’arbre de décision (AD) a démontré la plus grande exactitude, soit 93,53 %, et a également été sélectionné comme le plus approprié suite à l’analyse de la matrice de confusion.

– Une analyse de l’importance relative des caractéristiques pour l’ensemble n° 2 a permis d’identifier les facteurs qui affectent le plus le comportement à la corrosion de l’inox dans différents environnements. Quant à la sélection et à la conception des matériaux, ces résultats offrent des indications précieuses, notamment sur les concentrations d’hydrogène et de sulfure dans les environnements corrosifs et la quantité d’éléments d’alliage qui sont responsables jusqu’à 77,8 % du comportement à la corrosion.

Conclusion

Le modèle peut prédire le comportement à la corrosion de diverses catégories d’inox dans 14 environnements corrosifs différents (ensemble n° 1) sans nécessiter d’essais expérimentaux. Pour améliorer l’applicabilité du modèle à un plus grand nombre d’environnements, nous avons créé un second modèle (n° 2) qui ne prend en compte que la concentration de quatre ions critiques de corrosion, ce qui nous permet de prédire le comportement de corrosion avec moins d’informations sur l’environnement. Ces modèles ont le potentiel de prévenir les défaillances liées à la corrosion en fournissant des informations essentielles sur le comportement de l’inox dans des environnements spécifiques. Prédire le comportement à la corrosion sans essais expérimentaux permet d’économiser temps et ressources, tout en améliorant la fiabilité des décisions relatives à la corrosion. Les travaux futurs pourraient consister à élargir l’ensemble de données afin d’inclure davantage de conditions environnementales et d’autres types d’aciers que l’inox dans notre modèle de prédiction de la corrosion.

Soroosh Hakimian

Profil de l'auteur(e)

Soroosh Hakimian est candidat au doctorat au Département de génie mécanique de l’ÉTS.

Programme : Génie mécanique 

Profil de l'auteur(e)

Shamim Pourrahimi

Profil de l'auteur(e)

Shamim Pourrahimi est doctorante au Département de génie mécanique de l’ÉTS.

Programme : Génie mécanique 

Profil de l'auteur(e)

Hakim A. Bouzid

Profil de l'auteur(e)

Hakim A. Bouzid est professeur au Département de génie mécanique de l’ÉTS et Fellow de l’ASME. Il est directeur du Laboratoire d’Étanchéité Statique et Dynamique de l’ÉTS et président de la division Pressure Vessel and Piping de l’ASME.

Programme : Génie mécanique 

Profil de l'auteur(e)

Lucas Hof

Profil de l'auteur(e)

Lucas Hof est professeur au Département de génie mécanique de l’ÉTS. Ses recherches portent sur la fabrication intelligente et circulaire dans le contexte de développement durable.

Programme : Génie mécanique 

Laboratoires de recherche : DYNAMO – Équipe de recherche en dynamique des machines, des structures et des procédés  CIRODD- Centre interdisciplinaire de recherche en opérationnalisation du développement durable  CÉRIÉC-Centre d’études et de recherche intersectorielles en économie circulaire  PolymerÉTS 

Profil de l'auteur(e)


Recevez les dernières actualités scientifiques de l'ÉTS
commentaires

    Laisser un commentaire

    Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *