Surface Roughness and Tool Wear Prediction in Machining of Nimonic 90 Through Machine Learning Under Various Lubrication Conditions

Résumé Technique : Prédiction de la rugosité de surface et de l'usure des outils dans l'usinage du Nimonic 90 par apprentissage automatique sous diverses conditions de lubrification

Énoncé du problème
Le Nimonic 90, un superalliage à base de nickel essentiel pour les applications aérospatiales et les turbines à gaz, présente des défis d'usinage importants en raison de sa faible conductivité thermique, de son durcissement par travail rapide et de sa forte affinité chimique avec les matériaux d'outils. Ces propriétés le classent comme un matériau « difficile à usiner », entraînant une usure excessive de l'outil, un adoucissement thermique et une mauvaise intégrité de surface. L'optimisation expérimentale traditionnelle est trop coûteuse en raison du prix élevé des superalliages et des limites des petits échantillons pour capturer les dynamiques d'usinage non linéaires complexes. De plus, les méthodes de lubrification conventionnelles échouent souvent à gérer la chaleur intense générée à l'interface outil-copeau, tandis que les modèles existants basés sur les données peinent face à la rareté des données expérimentales typique de la recherche sur l'usinage des superalliages.

Méthodologie
L'étude a employé une approche multidimensionnelle combinant l'usinage expérimental, la caractérisation avancée de la lubrification, l'augmentation de données et la modélisation par apprentissage automatique (ML).

• Conception expérimentale : Des expériences de tournage ont été menées sur du Nimonic 90 en utilisant un plan d'expérience Taguchi L19. Trois environnements de lubrification ont été comparés : la lubrification par quantité minimale (MQL) traditionnelle à base d'huile, la MQL assistée par liquide ionique (IL) utilisant du [1-Butyl-3-Méthyl Imidazolium tétrafluoroborate], et le refroidissement cryogénique à l'azote liquide (LN₂). Les vitesses de coupe (410, 620, 830 m/min) et les avances (0,1, 0,5 mm/rév) ont été variées avec une profondeur de passe constante (0,5 mm).
• Caractérisation : Les lubrifiants ont été analysés pour leur pH, leur potentiel zêta et leurs angles de contact. Les réponses d'usinage comprenaient la rugosité de surface ($R_a$), l'usure de flanc ($V_b$) et la température de coupe. La morphologie des copeaux, la microstructure et les mécanismes d'usure de l'outil ont été examinés via MEB, microscopie optique et essais de microdureté.
• Augmentation de données : Pour remédier à la limitation d'un jeu de données initial restreint (18 échantillons), les auteurs ont utilisé un cadre de régression par processus gaussien (GPR) pour augmenter les données de manière probabiliste. Bien que l'abrégé mentionne l'enrichissement de la taille de l'échantillon à 27, la section 3.2.1 stipule explicitement que le jeu de données augmenté final utilisé pour la représentation statistique consistait en les 18 échantillons originaux, comblant ainsi l'écart entre les expériences discrètes et la modélisation prédictive continue.
• Modélisation par apprentissage automatique : Quatre algorithmes — la régression linéaire (LR), les machines à vecteurs de support (SVM), la forêt aléatoire (RF) et l'Extreme Gradient Boosting (XGBoost) — ont été entraînés et évalués à l'aide d'une validation croisée à 5 plis. Les modèles visaient à prédire $R_a$ et $V_b$ en fonction des paramètres d'entrée.
• Optimisation : Une analyse de la frontière de Pareto a été menée pour identifier les régimes d'usinage optimaux équilibrant productivité et intégrité de surface.

Résultats clés

• Performance de la lubrification : L'usinage cryogénique au LN₂ a produit les meilleurs résultats, atteignant la rugosité de surface la plus faible ($R_a$ = 0,45–0,82 µm) et l'usure d'outil la plus faible. Spécifiquement, le LN₂ a réduit l'usure de flanc de 46 % par rapport à l'usinage à base d'huile et a réduit le volume total d'usure de 73 % par rapport à l'usinage à base d'huile. La MQL assistée par liquide ionique a démontré une meilleure mouillabilité (angle de contact de 39,6° contre 51,8° pour l'huile) et a formé des films tribologiques protecteurs, résultant en une performance intermédiaire entre la lubrification à l'huile et le refroidissement cryogénique.
• Changements microstructuraux et morphologiques : Le refroidissement par LN₂ a produit la structure de grain la plus fine (8–12 µm) par rapport à l'IL (15–20 µm) et à l'huile (25–30 µm), indiquant une meilleure homogénéité microstructurale. L'analyse de la morphologie des copeaux a révélé que le LN₂ minimisait la formation de dents de scie et l'usure abrasive, produisant des copeaux plus lisses et continus avec une épaisseur réduite.
• Performance de l'apprentissage automatique : Le modèle XGBoost a surpassé tous les autres algorithmes, atteignant un $R^2$ de 0,948, une RMSE de 0,122 et une MAE de 0,094 pour la prédiction de la rugosité de surface. Cela a significativement dépassé la régression linéaire ($R^2$ = 0,627), confirmant la nature hautement non linéaire du processus d'usinage. L'analyse de l'importance des caractéristiques a identifié l'avance comme le principal moteur de la rugosité de surface (importance relative de 0,68) et l'environnement de refroidissement comme le facteur dominant pour l'usure de l'outil (importance relative de 0,71).
• Optimisation : L'analyse de la frontière de Pareto a identifié un « régime doré » à une vitesse de coupe de 620 m/min, une avance de 0,1 mm/rév et un refroidissement par LN₂, équilibrant une qualité de surface submicronique ($R_a$ = 0,82 µm) avec une durée de vie prolongée de l'outil.

Signification et revendications
L'article prétend établir un paradigme axé sur les données pour l'usinage de précision des alliages de haute performance. Ses principales contributions sont :

1. Validation des stratégies cryogéniques et de liquides ioniques : Démontrer que le refroidissement par LN₂ et la MQL assistée par IL offrent une gestion tribologique et thermique supérieure par rapport à la MQL traditionnelle à base d'huile pour le Nimonic 90.
2. Cadre d'augmentation de données : Application réussie de la GPR pour surmonter le problème des « petites données » inhérent aux expériences coûteuses sur les superalliages, permettant un entraînement de modèle robuste sans introduire d'incohérences physiques.
3. Modélisation prédictive : Prouver que les modèles d'ensemble d'arbres, spécifiquement XGBoost, sont extrêmement efficaces pour capturer les interactions thermodynamiques complexes de l'usinage des superalliages, surpassant les modèles linéaires et les autres modèles non linéaires.
4. Applicabilité industrielle : Souligner l'efficacité computationnelle du cadre développé (temps d'entraînement < 0,5 seconde, empreinte mémoire < 20 Mo), ce qui le rend adapté à l'informatique en périphérie (edge computing), à l'optimisation des processus en temps réel et à l'intégration dans les systèmes de Jumeaux Numériques pour la fabrication autonome dans le secteur aérospatial.

L'étude conclut que l'intégration de stratégies de lubrification avancées avec une modélisation prédictive basée sur l'apprentissage automatique offre une voie viable vers des processus de fabrication durables, autonomes et économiquement optimisés pour les composants aérospatiaux.