Optimisation et contrôle de procédés de projection thermique par coopération de méthodes d'intelligence artificielle

par Sofiane Guessasma

Thèse de doctorat en Sciences pour l'ingénieur

Sous la direction de Christian Coddet.

Soutenue en 2003

à Besançon en cotutelle avec l'Université de Technologie de Belfort-Montbéliard , en partenariat avec Université de technologie de Belfort-Montbéliard (autre partenaire) .

mots clés

• Thermique
• Réseaux neuronaux (informatique)
• Intelligence artificielle

Résumé

Ce travail répond à deux objectifs complémentaires visant à introduire en projection thermique des méthodes implicites basées sur l'emploi de réseaux de neurones artificiels et d'expliciter les corrélations entre les paramètres opératoires et les caractéristiques et propriétés des dépôts. L'intelligence artificielle, à travers les réseaux de neurones, est admise dans ce travail comme un support de développement réalisant la connexion entre les données du problème (base de données) et la réponse quantifiée d'une manière statistique (méthode heuristique). Une étude de faisabilité a été conduite en considérant des dépôts d'almine-rutile réalisés par le procédé de projection thermique à la torche à plasma d'arc soufflé atmosphérique (APS). Des réseaux de neurones ont été construits pour décrire les diverses corrélations entre les paramètres opératoires et les caractéristiques des particules en vol et les propriétés et caractéristiques des dépôts. Ces corrélations ont été obtenues grâce à des expériences structurées auxquelles des protocoles d'analyse ont été systématiquement associées. Les résultats obtenus par les réseaux de neurones, représentant un traitement global des bases de données, ont permis de quantifier ces corrélations tout en adhérant aux résultats expérimentaux. Par ailleurs, ils ont permis de prédire des comportements intermédiaires non décrits par les expériences réalisées.

Titre traduit

Thermal spray control and optimization using artificial neural networks

Résumé

The aim of this work was to implement the Artificial Neural Network (ANN) methodology to predict the correlations between the APS processing parameters and the coating attributes. APS alumina-titania coatings were realized and their properties were characterized to serve as a database to feed ANN structures. Such structures permitted in one hand to relate the processing parameters to the in-flight particle characteristics and in the other hand to relate the processing parameters to some coating mechanical properties and microstructural characteristics. The predicted results, which represent a global treatment of the whole database, proved to be comparable to the experimental results. In such a way, they permitted to quantify some relationships not represented by the experimental sets.