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

Pot, Clément (2026). Détermination des propriétés mécaniques de profilés extrudés en aluminium par intelligence artificielle. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (34MB) | Prévisualisation

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.

Résumé traduit

The main goal of this project is to propose a simple model to calculate the mechanical properties and the anisotropy of extruded aluminum profiles using artificial intelligence (AI). AI algorithms work as a statistical approach which could help in reaching better predictions than the ones given by heavy calculations deployed in traditional texture evolution models used to simulate extrusion. Particular microstructural transformations are known to occur within the material when passing through the extrusion die, which heavily modifies the crystallographic texture and creates strong anisotropy in the extruded profiles. Their mechanical and microstructural properties were studied in the current project for two commercially available alloys, known as AA6063 and AA6082, often used in the transportation industry. The microstructure morphology, the cristallographic texture and the precipitation state were studied for various extrusion parameters and various beam geometries, in order to relate them with the mechanical properties. Alloy AA6063 exhibited a recrystallized microstructure primarily with big equiaxed grains. Its texture is dominated by randomlyoriented grains and cube component, and seemed mainly driven by deformation path and billet pre-heating temperature. This alloy mechanical properties revealed to be mainly sensitive to ram speed, and the Lankford coefficient, being representative of anisotropy, has primarily been influenced by its crystallographic texture. Alloy AA6082 exhibited a deformed microstructure with small fine grains. Its texture is dominated with S and Brass texture components, which seemed particularly sensitive to the extrusion speed and path. Its mechanical properties didn’t seem being really influenced by extrusion parameters on their studied range. Crystallographic texture measurements were used to apply the CMTP method, giving the possibility to predict the Lankford coefficient with rather good tendancies, but a lack of precision for AA6063 profiles which contain much more randomly oriented grains than AA6082 profiles. Extrusion data and mechanical properties were used to train multilayer perceptrons (MLP) and support vector regressions (SVR), each of these predicting one of the following quantities: yield and ultimate strengths, hardening coefficient and Lankford coefficient. The results calculated by MLPs always were better than SVRs, and they were only satisfying for ultimate strength, but disappointing for other quantities.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Thèse présentée à l'école de technologie supérieure comme exigence partielle à l'obtention du doctorat en génie". Comprend des référence bibliographiques (pages 235-244).
Mots-clés libres:	aluminium, extrusion, anisotropie, texture cristalline, intelligence artificielle
Directeur de mémoire/thèse:	Directeur(-trice) Bocher, Philippe
Programme:	Doctorat en génie > Génie
Date de dépôt:	23 sept. 2026 18:37
Dernière modification:	23 sept. 2026 18:37
URI:	https://espace.etsmtl.ca/id/eprint/4101

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt