Comprendre des matériaux toujours plus complexes
Un enjeu industriel majeur
Les matériaux modernes, tels que les alliages métalliques, composites, polymères recyclés, présentent des microstructures complexes constituées de grains, de fibres, de pores ou de défauts invisibles à l’œil nu. Or, ce sont précisément ces détails microscopiques qui déterminent la résistance mécanique, la durée de vie en fatigue ou le risque de fissuration.
Traditionnellement, l’étude de ces phénomènes repose sur des modèles physiques complexes, dont l’élaboration et la calibration repose sur des campagnes expérimentales longues, lourdes et coûteuses. Les essais mécaniques classiques, tels que les tests de fatigue ou de traction, mobilisent des moyens importants et ne permettent pas d’explorer exhaustivement l’ensemble des configurations possibles.
Dans ce contexte, l’IA ouvre de nouvelles perspectives : en s’appuyant sur des données toujours plus abondantes tout en respectant strictement les lois de la physique, elle permet de réduire le nombre d’essais, d’accélérer l’analyse et de cibler plus efficacement les paramètres les plus déterminants pour le comportement des matériaux.
Particule de matériau actif constituant l’électrode positive de batteries lithium-ion de type NMC, utilisée par exemple dans les voitures électriques et les téléphones. L’échantillon a été préparé par faisceau ionique au sein d’un microscope électronique à balayage, très puissant capable de voir l’organisation interne du matériau, puis caractérisé par EBSD. Les couleurs correspondent à différentes orientations cristallines, qui ne se comportent pas tous de la même façon lors du cycle de charge et de décharge de la batterie. L’analyse de l’agencement et de l’orientation de ces cristaux permet de réaliser des simulations multiphysiques réalistes, c’est-à-dire créer des modèles numériques très réalistes pour mieux comprendre ce qui se passe dans la batterie pendant son fonctionnement, offrant une meilleure compréhension des mécanismes impliqués lors du cyclage des batteries et ouvrant la voie à des améliorations de leurs performances et de leur durée de vie.
Auteurs : Clémence Pinot (CMAT), Jean-Michel Scherer (CMAT), Cyrille Colin (CEMEF), Fabrice Gaslain, Domitille Giaume (Chimie ParisTech – PSL), Aubin Geoffre (CMAT), Cécilie Duhamel (CMAT)
Automatiser l’analyse d’images pour révéler l’invisible
Un premier axe majeur de recherche concerne le traitement automatisé des données expérimentales, en particulier les images issues de la tomographie X, une technique non destructive qui permet la reconstruction d’images « en coupe » d’un objet à trois dimensions, de la microscopie ou de la diffraction électronique (ou electron backscatter diffraction – EBSD), une technique qui permet de cartographier l’orientation des cristaux à l’intérieur d’un matériau afin d’en comprendre la structure interne et le comportement mécanique.
Grâce à des réseaux de neurones spécialisés, les chercheurs du CMAT développent des outils capables de :
- Segmenter automatiquement des images 3D de matériaux composites
- Détecter des défauts (pores, fissures, inclusions)
- Identifier des anomalies cristallographiques invisibles dans les analyses classiques
Par exemple, des architectures de type U-Net, une architecture symétrique en forme de U qui permet une segmentation précise des images tout en préservant les détails contextuels importants permettent aujourd’hui d’atteindre une précision supérieure à celle d’un expert humain, tout en réduisant drastiquement le temps d’analyse. Plus encore, des modèles avancés comme les Vision Transformers sont capables de capter à la fois des informations locales et globales, essentielles pour comprendre le comportement mécanique d’un matériau soumis à des contraintes.
Ces outils ouvrent la voie à une caractérisation plus rapide, plus fine et plus systématique des matériaux industriels.
Générer des microstructures réalistes pour tester sans détruire
Un autre verrou scientifique majeur est l’accès à des données représentatives, notamment lorsqu’il s’agit de défauts rares mais critiques. Pour y répondre, le CMAT exploite les modèles génératifs, en particulier les GANs (Generative Adversarial Networks) et les modèles de diffusion.
