Conception de superalliages polycristallins
F.Tancret, E. Bertrand
C’est notre activité la plus ancienne (démarrée en 1998), qui a été le cadre du développement d’une grande partie de nos compétences en conception computationnelle d’alliages (fouille de données / machine learning, modèles physiques dont thermodynamique prédictive, optimisation multi-objectifs par algorithme génétique...), et qui a conduit à de nombreux articles pionniers en la matière et à la méthode la plus intégrée à ce jour. Des exemples de réalisations sont présentées ci-dessous.
Mots-clés : Réseaux de neurones, Processus gaussiens, Calphad, Thermo-Calc, soudable
Exemple de réalisation (thèse d’Edern Menou, 2016), en collaboration avec l’entreprise Aubert&Duval. De nombreux alliages Pareto-optimaux ont été conçus, optimisant simultanément la limite d’élasticité (axe vertical) et la contrainte du rupture (axe horizontal) à chaud, la résistance au fluage (code couleurs à droite) et le coût (taille des bulles). La comparaison avec un alliage commercial de dernière génération montre des gains potentiels sur certaines de ces caractéristiques, voire sur toutes simultanément (exemple de l’alliage « C »).
Un alliage a été sélectionné, fabriqué et caractérisé. Il présente la microstructure désirée (matrice austénitique + précipités intermétalliques γ' + carbures), des propriétés mécaniques supérieures à celles du concurrent tout en permettant une réduction significative du coût.
Un autre exemple concerne l’exploitation d’un modèle physique de recristallisation dynamique (DRX) permettant, en plus de la maximisation des propriétés mécaniques des alliages, de prendre en compte leur réponse au forgeage afin d’optimiser les conditions opératoires (minimisation de la température) et la microstructure (minimisation de la déformation conduisant à une recristallisation complète, minimisation de la taille des grains finale).
Références :
F. Tancret, H.K.D.H. Bhadeshia, “Design of a creep resistant nickel base superalloy for power plant applications: Part 2 – Phase diagram and segregation simulation”, Materials Science and Technology, 19(3) (2003) 291-295
Collaborations :
. Laboratoire des Sciences du Numérique de Nantes (LS2N) – Université de Nantes
. Aubert&Duval