Contexte

Le CTIF utilise depuis quelques années Thermo-Calc, logiciel de calcul thermochimique qui permet de prédire les propriétés et les phases en présence d’un alliage (base fer, aluminium, nickel, …) à partir de sa composition chimique. CTIF utilise Thermo-Calc en métallurgie numérique pour faire  de l’Alloy Design (conception ou optimisation d’un alliage par l’approche numérique couplée à de l’expérimental). Thermo-Calc est utilisé par les experts métallurgistes de CTIF dans le cadre de prestations de service pour des industriels (fondeurs, donneurs d’ordre) ou dans le cadre de projet de R&D collectifs ou collaboratifs. L’exploration en automatique d’un très grand nombre de compositions chimiques est cependant encore assez longue actuellement car elle utilise une méthodologie de type plan d’expérience numérique.

Objectif : Coupler un algorithme génétique avec Thermo-Calc

Les algorithmes génétiques constituent l’une des branches de l’intelligence artificielle (Reinforcement Learning) un peu moins connue, mais tout aussi utile que le Machine Learning ou le Deep Learning.  Les AG (Algorithmes Génétiques) s’inspirent de la sélection naturelle, au sens Darwin. L’objectif du projet POCAI est de développer un algorithme génétique couplé à Thermo-Calc qui permette d’explorer rapidement de très larges gammes de compositions chimiques.

Algorithme génétique pour l’Alloy Design avec Thermo-Calc

Le principe d’un tel programme utilisant un algorithme génétique est relativement simple. Une première population d’alliage est tout d’abord générée aléatoirement (dans une fourchette min-max d’éléments d’alliages présélectionnés par l’Expert). Ces alliages sont ensuite évalués au travers d’une Fitness Function (par exemple la présence d’une ou plusieurs phases favorables aux propriétés fonctionnelles recherchées). Puis, les alliages présentant la meilleure Fitness Function seront sélectionnés pour une phase dite de croisement ou « cross-over » (mélange des gènes, en l’occurrence les compositions chimiques) pour générer une nouvelle population. Cette population fait l’objet d’une opération de mutation aléatoire de certains gènes (pour amener de la diversité). Enfin, cette nouvelle population est à nouveau évaluée et le processus itératif permet de faire évoluer progressivement la population vers des maximas de la Fitness Function qui correspondent aux propriétés que l’on cherche à optimiser. Cette optimisation peut être, selon les besoins, mono-objectif ou multi-objectif.

Objectifs

L’objectif du projet POCAI a été de développer un outil interne CTIF sur la base de la technologie des algorithmes génétiques afin d’explorer des vastes espaces compositionnels d’alliage afin d’accélérer l’optimisation de nuances et le développement de nouveaux alliages. Le codage a été réalisé en Python avec le module d’interfaçage TC-Python de Thermo-Calc. On a cherché à optimiser les propriétés fonctionnelles en tenant compte du prix de l’alliage et de sa masse volumique (bases CTIF).

Programme

Le développement s’est déroulé sur 12 mois environ avec différentes phases :
– Un état de l’art sur les algorithmes génériques en métallurgie
– Un cahier des charges du programme attendu
– Le codage en Python de l’algorithme génétique (stagiaire 6 mois)
– Le test du code et son optimisation
– L’application de cet algorithme à des alliages (acier, aluminium)