| Résumé | L’avènement des alliages à haute entropie a créé un vaste espace de conception qu’il n’est plus possible d’explorer uniquement par expérimentation, nécessitant ainsi l’utilisation de méthodes informatiques, telles que les réseaux neuronaux artificiels. Tandis que l’utilisation de réseaux neuronaux pour la prédiction de phase d’alliages à haute entropie n’est pas nouvelle, la plupart de ces modèles existants sont soit restreints à des ensembles d’éléments spécifiques ou bien ignorent la composition élémentaire spécifique de l’alliage. Cette étude propose une nouvelle architecture de modèle utilisant une couche convolutive pour extraire les caractéristiques élémentaires pertinentes de la composition de l’alliage sans limiter le modèle à des éléments spécifiques. Ceci est réalisé en traitant la composition élémentaire de l’alliage à haute entropie de manière similaire à une rangée de pixels, en utilisant les propriétés élémentaires pertinentes, à savoir le rayon atomique, l’électronégativité et la valence au lieu des valeurs de couleur rouge, verte et bleue. Les résultats ont montré que ce modèle convolutif était capable de prédire la structure du cristal des solutions solides résultantes dans une composition d’alliage à haute entropie avec une précision de 89.3 % dans un classement à six voies et de prédire la formation de composés intermétalliques avec une précision de 91.4% dans une validation sans résistance, tout en étant capable de prédire avec précision la structure cristalline primaire des compositions d’alliage à haute entropie contenant des éléments sur lesquels le modèle n’a pas été formé. Il existe encore un espace important pour davantage d’expérimentations et ainsi d’améliorations de cette méthodologie, incluant l’augmentation des ensembles de données disponibles et la mise en place de couches convolutives supplémentaires. En raison de la possibilité d’interprétation limitée de l’architecture du modèle, on devrait mentionner de prendre des précautions lorsqu’on infère des tendances à partir des prédictions du modèle avant une validation supplémentaire par des méthodes expérimentales ou informatiques mieux établies. |
|---|
