Méthodologie basée sur l’intelligence artificielle pourla certifier la conformité de pièces traitées par renforcement superficielle

Methodology based on artificial intelligence to certify the validity of gears treated by induction hardening

• Auteur / Autrice : Sevan Garois
• Direction : Francisco Chinesta
• Type : Thèse de doctorat
• Discipline(s) : Informatique (AM)
• Date : Soutenance le 08/09/2023
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Procédés et Ingeniérie en Mécanique et Matériaux (Paris) - Laboratoire Procédés et Ingénierie en Mécanique et Matériaux
• Partenaire(s) de recherche : établissement de préparation de la thèse : École nationale supérieure d'arts et métiers (1780-....)
• Jury : Président / Présidente : Amine Ammar
• Jury : Examinateurs / Examinatrices : Francisco Chinesta, Antonio Falcó, Marianne Béringhier, Mohammed Jebahi, Antoine Tahan
• Jury : Rapporteurs / Rapporteuses : Antonio Falcó, Marianne Béringhier

Mots clés

Mots clés contrôlés

Surfaces (technologie)

Induction (logique)

Intelligence artificielle

Mots clés libres

Intelligence artificielle

Validation

Renforcement superficiel

Induction

Artificial intelligence

Validation

Induction hardening

Induction

Résumé

La modélisation des systèmes physiques est une étape déterminante dans l'industrie pour optimiser les différents procédés. Les techniques les plus utilisées pour cela sont historiquement la modélisation par éléments finis (MEF) et la modélisation analytique. Néanmoins, la complexité de systèmes multi-physiques sur des géométries complexes, comme le procédé de renforcement superficiel faisant intervenir la chauffe par induction et ensuite la trempe, induit un temps de calcul extrêmement coûteux pour la MEF et une grande approximation au niveau des résultats pour la modélisation analytique. Depuis quelques années, avec l'avènement de l'intelligence artificielle (IA), l'apprentissage automatique (ML) apparaît comme une solution satisfaisante au niveau du temps de calcul et de la précision de la prédiction. Cette thèse a donc pour but de modéliser le procédé de renforcement superficiel sur un pignon à denture droite d'acier C45, plus particulièrement la prédiction de la dureté et dans une moindre mesure la prédiction des contraintes résiudelles.Premièrement, la collection de données synthétiques provenant de la simulation par MEF et de données expérimentales a été effectuée. La prédiction des profils de dureté en profondeur a été réalisée que ce soit avec un entraînement sur les données de simulation ou les données expérimentales. La première modélisation basée sur la simulation par EF a deux approches: un modèle uniquement basé sur les données et un modèle hybride utilisant de l'information supplémentaire et pertinente via un modèle physique. La deuxième modélisation basée sur les données expérimentales a engendré une multitude de cas variés qui ont été traités. Après la dureté, les profils de contrainte résiduelle ont également été modélisés via les données de simulation par EF. Toutes les modélisations ont été réalisées via des modèles "boite-noire" tel que le eXtrem Gradient Boosting (XGBoost) dont la logique interne nous est inconnue.De ce fait, une étude d'explicabilité des résultats par ML a été menée pour s'assurer de la véracité et de la cohérence des prédictions par rapport aux principes physiques bien connus. Pour cela, différents outils ont été utilisés comme la bibliothèque basée sur la théorie du jeu, SHAP, ou encore les modèles de substitution qui miment de manière interprétable les résultats du modèle boite noire. Cela a permis de justifier les résultats obtenus par des implications majeures de différents paramètres du procédé ou par des règles compréhensibles.Pour finir, une modélisation du problème inverse a été réalisée pour optimiser le procédé en permettant d'obtenir les paramètres procédés en fonction des paramètres de sortie désirés. Cette approche inverse a mis en lumière la difficulté de ce type de modélisation permettant de formuler un problème plus simple qui a menée vers une modélisation avec des résultats intéressants.

Modeling physical systems is a determining step in the industry to optimize various processes. The most used techniques for this purpose are historically the Finite Element Method (FEM) and analytical modeling. However, the complexity of multi-physics systems coupled with complex geometries, such as the induction hardening process involving induction heating and quenching, induces an extremely costly computation time for the FEM and a large approximation for analytical modeling. In recent years, with the advent of artificial intelligence (AI), machine learning (ML) techniques appear to be satisfactory solutions in terms of computation time and modeling accuracy. The aim of this thesis is to model the surface reinforcement process on a C45 steel spur gear, more particularly to predict the hardness and the residual stress.Firstly, synthetic data from finit element (FE) simulation and experimental data were collected. Prediction of the in-depth hardness profiles was made using both FE and experimental data. The first modeling based on FE was carried out using two approaches: a fully data-driven model, and a hybrid model using additional and relevant information via a physical model. The second modeling, based on experimental data, generated a multitude of different cases and resulted in promising results. Then, after hardness, residual stress profiles were also modeled using FE data. All modelings were carried out using 'black box' models such as eXtrem Gradient Boosting (XGBoost), the internal logic of which is unknown to us.Therefore, a study of the explicability of the results by ML was conducted to ensure the veracity and consistency of the predictions with respect to the well-known physical principles. For this purpose, different tools were used such as the game theory-based library, SHAP, or the substitution models which mimic in an interpretable way the results of the black box model. This allowed to justify the obtained results by major implications of different process variables or by understandable rules.Finally, an inverse modeling was done to optimize the process by allowing to obtain the process parameters according to the desired output ones. This inverse approach highlighted the difficulties of this type of modeling allowing to formulate a simpler problem that led to interesting results.