Science et technologie de polymères et polymères chargés basés sur des données. – Data-BEST

L’objectif initial du projet était multiple :
(i) Développent de techniques d’apprentissage machine capables d’opérer dans la limite de peu de données ;
(ii) Modélisation basée sur des données de l’évolution de la conformation de chaines moléculaires ainsi que des fibres dans des suspensions concentrées calculés par des simulations basées sur la physique à des échelles très fines ;
(iii) Description des microstructures complexes (mousses) avec des descripteurs concis et précis opérant directement sur les données des images des microstructures ;
(iv) Descriptions des procédés en reliant propriétés et performances avec des paramètres d’entre concernant les matériaux et les procédés : application à l’extrusion réactive ;
(v) Modélisation hybride en exprimant les données comme un modèle de premier ordre (connaissance ou modèle physique) et une déviation exprimée à partir des données par apprentissage machine.

Revenant aux objectifs reportés ci-dessus, ci-dessous nous décrivons les principales actions de recherche qui en ont découlées :
(i) Développent de techniques d’apprentissage machine capables d’opérer dans la limite de peu de données. Deux techniques ont été proposées : le Code2Vect ainsi que le iDMD. Ces deux codes ont permis la classification et la régression pour être capables d’opérer dans la limite de très peu de données.
(ii) Modélisation basée sur des données de l’évolution de la conformation de chaines moléculaires ainsi que des fibres dans des suspensions concentrées, calculés par des simulations basées sur la physique à des échelles très fines. L’utilisation des réseaux de neurones dans le cas des molécules et de la PCA/Code2Vector dans le cas des suspensions permettent le passage d’échelle où les simulations fines produisent les données pour l’apprentissage des modèles aux échelles suivantes.
(iii) Description des microstructures complexes (mousses) avec des descripteurs concis et précis opérant directement sur les données des images des microstructures. La TDA (Topological Data Analysis) a permis de décrire les microstructures et créer des régressions par rapport aux propriétés homogénéisées.
(iv) Description des procédés en reliant propriétés et performances avec des paramètres concernant les matériaux et les procédés : application au procédé d’extrusion réactive. Différentes techniques d’apprentissage machine ont été utilisées avec succès.
(v) Modélisation hybride en exprimant les données comme un modèle de premier ordre (connaissance ou modèle physique) et une déviation exprimée à partir des données par apprentissage machine.

Les polymères et les fluides viscoélastiques peuvent être décrits à différentes échelles, mais les descriptions précises à l'échelle moléculaire sont coûteuses et peu pratiques pour les simulations de procédés industriels. L'intelligence artificielle (IA) offre une solution pour passer d'une échelle à l'autre de manière efficace. Des techniques d'apprentissage machine, comme les réseaux de neurones, ont été utilisées pour prédire le taux de changement de la conformation moléculaire à partir de simulations microscopiques, en fonction de la conformation et des propriétés locales de l'écoulement.

L'IA a également apporté des avancées dans l'industrie des polymères, notamment dans le renforcement du polypropylène par une phase thermodurcissable. Un projet avec TotalEnergies, basé sur un brevet de Hutchinson, a étudié la dispersion d'une phase thermodurcissable dans une matrice polypropylène par polymérisation in situ. Plusieurs polypropylènes et résines époxy ont été testés pour améliorer les propriétés mécaniques du polymère thermoplastique. Un polypropylène greffé avec de l'anhydride maléique a été utilisé comme agent de compatibilisation.

Les simulations classiques ne sont pas parfaitement adaptées pour décrire les mélanges de polymères, en particulier ceux à faible rapport de viscosité. La science des données et l'apprentissage machine peuvent améliorer ces simulations. Une approche hybride, combinant données et modèles, a été testée. Les données proviennent de simulations (logiciel Ludovic) et de mesures expérimentales, avec quatre sorties à prévoir : couple, pression, puissance du moteur et température de sortie. Les données de simulation ont deux entrées (débit et vitesse de rotation), tandis que les données expérimentales incluent un paramètre supplémentaire (phase dispersée).

L'ensemble de données expérimentales contient 47 échantillons, divisés en 38 points pour la régression et 9 points pour la vérification. La procédure consiste à soustraire les valeurs du modèle du premier ordre à celles de la vérité de base et à appliquer une régression à cette déviation. Cette approche facilite la construction de la régression et améliore ses performances, rendant le modèle de la déviation plus facile à déterminer que le modèle basé exclusivement sur les données.

La simulation dans des conditions du procédé, ainsi que sa validation, pour les polymères et les polymères renforcés a été abandonnée à cause du manque de moyens pour collecter la donnée, pour se focaliser sur l’extrusion réactive. Les taches abandonnées sont en progrès dans le cadre de l’ANR Bancodemm qui a pris la suite de DataBEST.

Ibañez, R.; Castéran, F.; Argerich, C.; Ghnatios, C.; Hascoet, N.; Ammar, A.; Cassagnau, P.; Chinesta, F. Data-Driven Modeling of Reactive Extrusion. Fluids 2020, 5, 94.

Castéran, F.; Delage, K.; Cassagnau, Ph.; Ibanez, R.; Argerich, C.; Chinesta, F. Application of Machine Learning tools for the improvement of reactive extrusion simulation. Macromol. Mater. Eng. 2020, 305, 2000375.

Castéran, F.; Delage, K.; Hascoët, N.; Ammar, A.; Chinesta, F.; Cassagnau, P. Data-Driven Modelling of Polyethylene recycling under High Temperature Extrusion. Polymers 2022, 14, 800.

Castéran, F.; Delage, K.; Cassagnau, Ph.; Chinesta, F.; Cueto, E.; Ammar, A.; Garois, N. L’Intelligence Artificielle appliquée à la mise en œuvre réactive des polymères. L'actualité chimique. N°456, 457, 458, Novembre-Décembre-Janvier 2020-2021.

L'industrie des polymères est généralement confrontée à ces nouveaux défis pour la production de nouveaux matériaux ayant de nouvelles propriétés fonctionnelles pour différents domaines d'applications. De nos jours, malgré l'émergence de nouvelles technologies le traitement de l’élaboration des matériaux polymères repose encore sur des approches classiques en termes de modélisation, de simulation et de changement l'échelle pour leur production. Alors, pouvons-nous imaginer de nouvelles façons originales, tout en étant réalistes, qui soient basées sur les développements récents en techniques d'intelligence artificielle ?

Traditionnellement, lorsqu'un matériau dans ses conditions d’usage est considéré, une équation constitutive est sélectionnée (parmi différentes possibilités) guidée par l'expérience accumulée et/ou par les observations expérimentales, puis étalonnée afin d'identifier tous les paramètres qu'elle contient. Cette procédure est confrontée à deux difficultés principales: (i) En général, l'établissement d'une équation constitutive nécessite du temps, de l'intuition et l'accumulation de connaissances de spécialistes expérimentés; et (ii) Même lorsque des équations constitutives précises peuvent être décrites en dépensant un effort matériel et intellectuel suffisant, l'explosion récente en termes de nouveaux matériaux nécessite une nouvelle procédure pour décrire plus facilement et plus rapidement les propriétés des matériaux dans leurs conditions de service.

De l'avis des industriels, l'industrie 4.0 a besoin d'un changement de paradigme dans la description des matériaux et des procédés pour leur élaboration. Il est également important de noter que nous ne prétendons pas remplacer ou se substituer à spécialistes expérimentés. En effet, le choix des données à recueillir, celles qui décrivent par exemple l'état du matériau dans le procédé d’élaboration, nécessite une expertise forte et mature.

- Pour répondre à ces enjeux dans le cadre de ce projet, la question est de savoir si la simulation peut-elle procéder directement à partir des données en contournant la nécessité d'établir un modèle constitutif au sens traditionnel du terme? A priori oui, mais bien sûr, les équations de conservation sont maintenues, tandis que l'effort pour établir les expressions mathématiques des équations constitutives (trop) complexes est assoupli.

- Comment alors la modélisation basée sur les données peut-elle enrichir l'établissement des modèles (considérés comme des objets mathématiques) décrivant le comportement?

- Comment les modèles peuvent-ils aider les données à être cohérentes avec les principes fondamentaux (convexité des potentiels, ...), filtrer les mesures bruit, déterminer les grandeurs pertinentes à mesurer (par exemple dans notre projet : conductivité électrique, viscosité de cisaillement et d'élongation, propriétés électrique et mécanique ...) ou alors conclure à la nécessité d'utiliser des variables internes, etc.

. Les principales tâches et objectifs du projet à accomplir sont les suivants:

- Proposer des modèles auto-adaptatifs basés sur des données capables de discriminer les comportements viscoélastiques complexes dans le cas des formulations polymères et des polymères renforcés;
- Coupler ces modèles auto-adaptatifs avec les données issus des rhéomètres pour des flux simples;
- Définir des stratégies de collecte de données à partir de flux plus complexes présentant des comportements de cisaillement et d'élongation;
- Décrire les mécanismes de mélange et de dispersion d'une phase dispersée en vue renforcement mécanique et de propriétés spécifiques (blindage électromagnétique par exemple)
- Aborder le problème de l'objectivité des lois (indifférence du repère) dans un ensemble piloté par les données;
- Vérifier l'approche basée sur les données en imitant le scénario réel à partir de simulations basées sur un modèle;
- Valider l'approche à l'échelle du laboratoire et aux différentes échelles d’élaboration.