Prédiction de la porosité dans des réservoirs composites d’hydrogène à haute pression en utilisant une IA cognitive floue augmentée et des paramètres de fabrication

Pourquoi de petites bulles ont de l’importance dans les réservoirs d’hydrogène

Les réservoirs d’hydrogène haute pression constituent l’épine dorsale de la mobilité propre de demain, des véhicules à pile à combustible aux stockages industriels. Ces enceintes doivent être à la fois très résistantes et très légères, c’est pourquoi elles sont construites à partir de couches de composite en fibres de carbone enroulées autour d’une doublure plastique. Mais à l’intérieur de ces couches peuvent se former de minuscules vides — appelés porosités. Trop nombreux, ou au mauvais endroit, et un réservoir qui devrait durer des années peut céder. Cette étude explore comment une forme interprétable d’intelligence artificielle peut apprendre à partir de données d’usine réelles pour prédire combien de porosités apparaîtront dans un réservoir et quelles étapes du processus d’enroulement sont les plus déterminantes pour les maîtriser.

Construire une enveloppe d’hydrogène plus sûre

Les réservoirs examinés dans ce travail sont les fameux réservoirs d’hydrogène de Type IV, utilisés dans les véhicules et les systèmes stationnaires. Ils se composent d’une doublure polymère enveloppée de nombreuses couches de fibres de carbone imprégnées de résine, un procédé connu sous le nom de filament winding humide. Pendant l’enroulement, des dizaines de paramètres peuvent être ajustés : la tension appliquée à chaque bobine de fibre, la vitesse de rotation du mandrin, l’angle d’approche des fibres sur la surface, la cadence de dépôt des couches et la quantité de résine étalée par une petite lame métallique. Les règles de certification tolèrent un certain niveau de porosité, mais un excès de vides affaiblit la structure et peut menacer la sécurité. Parce que l’interaction physique entre tous ces facteurs est extrêmement complexe, les auteurs ont choisi la modélisation fondée sur les données plutôt que d’essayer d’établir une équation physique exhaustive.

Une intelligence artificielle transparente pour les systèmes à risque élevé

Les réglementations européennes classent les décisions concernant la sécurité des réservoirs d’hydrogène comme des usages d’IA à haut risque. Cela signifie que les modèles ne peuvent pas être des boîtes noires : ingénieurs et régulateurs doivent pouvoir comprendre comment les prédictions sont formulées. Des méthodes telles que les réseaux neuronaux profonds ou les grands ensembles d’arbres de décision peuvent être précises, mais leur logique interne reste essentiellement opaque. Les auteurs ont donc utilisé XTRACTIS, une IA dite Augmented Fuzzy Cognitive. Plutôt que de dissimuler son raisonnement, XTRACTIS construit automatiquement des ensembles de règles IF…THEN lisibles par des humains qui lient des variables de procédé sélectionnées aux résultats. Il évalue aussi la simplicité ou la complexité d’un modèle, favorisant les versions qui s’appuient sur moins d’entrées et de règles tout en conservant une bonne capacité prédictive.

Des mesures d’usine aux règles apprises

Collecter des données sur des réservoirs réels est coûteux car chaque exemplaire à l’échelle industrielle coûte plusieurs milliers d’euros et doit être analysé par tomographie X‑3D. L’étude a donc travaillé avec seulement 12 réservoirs, répartis en 180 couches d’enroulement individuelles. Pour chaque couche, 58 prédicteurs potentiels décrivant tensions, vitesses, angles, maîtrise de la résine et autres choix de conception étaient disponibles, ainsi que des porosités mesurées par rayons X. L’équipe s’est concentrée sur la prédiction du logarithme du nombre de pores plutôt que du nombre brut, ce qui atténue les valeurs extrêmes. XTRACTIS a exploré des milliers de configurations de modèles et utilisé une stratégie de validation croisée rigoureuse, entraînant et testant à plusieurs reprises sur différentes divisions des données pour éviter le surapprentissage. Il a ensuite distillé le meilleur ensemble de modèles en un seul « expert virtuel » plus simple et basé sur des règles. Sur des couches test inédites, cet expert a reproduit le nombre de pores avec une bonne précision, des erreurs de prédiction inférieures à environ 8 % et une forte corrélation entre valeurs prédites et observées.

Ce que le modèle révèle pour fabriquer de meilleurs réservoirs

Parce que le modèle final s’exprime sous la forme d’un petit ensemble de règles floues IF…THEN, son comportement peut se lire presque comme des recommandations d’ingénierie. Les règles montrent que maintenir la tension des fibres uniforme et dans une plage saine est crucial : quand les tensions entre bobines varient trop, certaines zones deviennent lâches tandis que d’autres sont sur‑tendues, créant des conditions favorables aux vides. La vitesse de rotation du mandrin et l’angle d’enroulement influent conjointement sur la densité et l’uniformité du compactage des fibres ; une vitesse trop faible et un angle trop faible conduisent à une mauvaise compaction et à une distribution déficiente de la résine. Un autre élément clé est le contrôle de la résine via la lame doseuse (doctor blade) et le volume total de chaque couche. Un débit de résine bien réglé évite à la fois les zones de fibres sèches et les poches sursaturées de résine, chacune favorisant la formation de bulles. Le modèle suggère aussi que des bobines de fibre plus petites et plus stables peuvent aider à maintenir des tensions régulières, réduisant ainsi la porosité.

Limites des données et enseignements pour le contrôle qualité

Les chercheurs ont aussi tenté d’entraîner des modèles pour classer chaque couche en faible versus moyen‑ou‑élevé taux de porosité, une métrique souvent utilisée sur la ligne de production. Sur cette tâche, tant XTRACTIS qu’un algorithme opaque à arbres boostés ont eu de faibles performances sur des données réellement nouvelles. Des vérifications ultérieures ont révélé que les étiquettes de taux de porosité elles‑mêmes étaient bruitées, car tous les pores avaient été supposés sphériques et affectés automatiquement aux couches de manière simplifiée. Ce mauvais étiquetage a probablement estompé la frontière entre les classes. Le contraste est instructif : lorsque les valeurs cibles sont fiables, une IA transparente peut bien fonctionner même avec des données limitées ; lorsque les étiquettes sont douteuses, aucun algorithme ne peut les restaurer. Globalement, l’étude montre que les modèles interprétables à règles floues peuvent à la fois orienter les ingénieurs vers des réglages de procédé plus sûrs et mettre en lumière des faiblesses dans la mesure et la préparation des données.

Un chemin plus clair vers un stockage d’hydrogène plus sûr

En termes simples, ce travail démontre qu’un système d’IA explicable peut apprendre, à partir d’une quantité modeste de données d’usine, à anticiper combien de vides microscopiques se formeront dans la enveloppe composite d’un réservoir d’hydrogène et à identifier quels réglages de production importent le plus. Les règles obtenues traduisent des mathématiques complexes en conseils de procédé compréhensibles : maintenir des tensions de fibres constantes, choisir des vitesses et des angles d’enroulement appropriés et contrôler soigneusement le flux de résine et le volume des couches. Si davantage de données de meilleure qualité seront nécessaires pour affiner ces conclusions et les valider sur de nouveaux réservoirs, l’approche offre une feuille de route prometteuse pour rendre le stockage d’hydrogène plus sûr, non pas en remplaçant les ingénieurs, mais en leur fournissant un partenaire transparent qui transforme des mesures dispersées en connaissances exploitables.

Citation: Achour, L., Zalila, Z., Aboura, Z. et al. Predicting porosity in composite high-pressure hydrogen vessels using augmented fuzzy cognitive AI and manufacturing process parameters. Sci Rep 16, 9894 (2026). https://doi.org/10.1038/s41598-026-38447-1

Mots-clés: stockage d’hydrogène, matériaux composites, défauts de fabrication, IA explicable, filage de filament (filament winding)