Optimisation multi-objectifs et prédiction par apprentissage automatique du formage incremental à chaud en rainure droite de l’alliage de magnésium AZ31

Façonner plus facilement les métaux légers

Des voitures et des avions aux implants médicaux, les fabricants cherchent à utiliser des métaux plus légers pour économiser du carburant et améliorer les performances. Les alliages de magnésium sont particulièrement attractifs car ils sont à la fois légers et résistants, mais ils sont aussi difficiles à former à température ambiante et peuvent se fissurer facilement. Cette étude explore une manière plus intelligente de former des pièces à partir d’un alliage de magnésium courant, l’AZ31, en le chauffant modérément et en utilisant des méthodes basées sur les données — y compris l’apprentissage automatique — pour trouver des paramètres rapides, économes en énergie et moins susceptibles d’endommager le matériau.

Comment un outil mobile sculpte doucement une tôle

Plutôt que d’enfoncer une tôle dans un matrice rigide en une seule opération, le formage incrémental de tôles utilise un outil à coque ronde qui suit un trajet sur la tôle, l’enfonçant un peu plus à chaque passage. Dans ce travail, l’équipe s’est concentrée sur une rainure droite : un canal simple formé dans des tôles AZ31 de 1 mm d’épaisseur. La tôle est serrée sur une chambre de chauffage électrique sur mesure afin d’être portée à 200–250 °C, et une machine à commande numérique (CNC) déplace l’outil pas à pas tandis qu’un capteur de force mesure la poussée nécessaire et la durée du procédé jusqu’à la rupture de la tôle.

Transformer de nombreux essais en une seule recette optimale

Comme quatre paramètres différents — la température, la profondeur de descente par passe, la vitesse de broche et la vitesse d’avance — peuvent être ajustés, les chercheurs ont utilisé un plan d’essais structuré appelé plan de Taguchi pour réaliser 27 expériences soigneusement choisies au lieu d’essayer toutes les combinaisons possibles. Ils ont ensuite appliqué une méthode de classement connue sous le nom de TOPSIS qui combine deux objectifs à la fois : maintenir les forces de formage faibles (pour réduire l’usure et la consommation d’énergie) et garder les temps de formage courts (pour améliorer la productivité). Cette méthode attribue à chaque essai un score unique, appelé coefficient de proximité, qui indique à quel point il se rapproche du meilleur résultat imaginable — faible force et faible temps simultanément.

La chaleur et les petits pas font le travail difficile

L’analyse a montré que deux paramètres sont les plus influents : la température de la tôle et la profondeur de chaque pas vertical de l’outil. Chauffer la tôle AZ31 à environ 250 °C rend sa structure cristalline interne plus ductile, de sorte qu’elle peut s’allonger plus facilement et nécessite moins de force pour être formée. Parallèlement, utiliser une plus petite profondeur par passe répartit la déformation plus doucement, évitant des contraintes locales aiguës qui ralentissent le processus et augmentent la force. La vitesse de rotation de l’outil et la vitesse d’avance n’ont eu qu’une influence mineure dans les plages testées. En combinant les classements statistiques, l’équipe a prédit un ensemble de conditions encore meilleur que celles de n’importe quelle expérience individuelle, puis a confirmé cette prédiction lors d’un test de suivi, qui a légèrement surpassé toutes les expériences précédentes.

Apprendre à un ordinateur à prédire le procédé

Pour dépasser la méthode d’essais-erreurs, les chercheurs ont entraîné un modèle d’apprentissage automatique appelé Random Forest pour prédire le temps de formage, la force de formage et le score de performance TOPSIS à partir des quatre paramètres de procédé. Même avec seulement 27 points de données expérimentales, le modèle a appris suffisamment les tendances pour prévoir la force et le temps avec une grande précision. Il a également mis en évidence de manière indépendante la température et la profondeur par passe comme leviers dominants, renforçant ainsi les résultats statistiques. Au niveau microscopique, des images au microscope électronique des parois de rainure fracturées ont montré des signes classiques de rupture ductile — profondes cupules et crêtes de déchirure — indiquant que, en conditions tièdes, le métal s’allonge considérablement avant de finalement se rompre.

Ce que cela signifie pour la fabrication industrielle

Concrètement, ce travail montre comment les fabricants peuvent amener un métal léger et difficile à former à prendre la forme souhaitée en combinant un chauffage contrôlé avec un réglage prudent de quelques paramètres clés. L’approche hybride — mélangeant plans d’expériences, classement multi-critères et apprentissage automatique — fournit une recette pratique pour choisir les températures et les pas de descente qui maintiennent les forces faibles et des temps de production raisonnables, sans avoir à tester toutes les possibilités sur le plancher d’atelier. La même stratégie pourrait être étendue à d’autres alliages et géométries, aidant les usines à concevoir des pièces plus légères plus rapidement, plus sûrement et plus efficacement.

Citation: Khot, A.A., Magdum, R.A., Magdum, A.R. et al. Multi-response optimization and machine learning-based prediction of straight-groove warm incremental sheet forming of AZ31 magnesium alloy. Sci Rep 16, 6432 (2026). https://doi.org/10.1038/s41598-026-37761-y

Mots-clés: formage incrémental de tôles, alliage de magnésium AZ31, formage à chaud, optimisation de procédé, apprentissage automatique en fabrication