⚡ electrical engineering

Predicting the process parameters for torque and thrust force in wood plastic composite drilling using machine learning algorithms

Cette étude utilise des expériences de perçage basées sur la méthode Taguchi et des algorithmes d'apprentissage automatique pour démontrer que l'avance est le facteur dominant affectant l'effort de poussée et le couple lors du perçage de composites bois-plastique, le modèle de Forêt Aléatoire s'avérant être le prédicteur le plus précis pour optimiser les paramètres de processus afin de minimiser ces forces.

Auteurs originaux : Palanikumar Kayaroganam, Sundarapandiyan Murugesan, Sreedevi B, Latha Balasubramanian

Publié 2026-09-04

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Palanikumar Kayaroganam, Sundarapandiyan Murugesan, Sreedevi B, Latha Balasubramanian

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le bois sert l'humanité depuis des millénaires, apprécié pour sa force et sa polyvalence dans la construction de tout, des abris simples aux machines complexes. Cependant, alors que les forêts font face à la pression de la déforestation et que la demande de matériaux durables croît, les ingénieurs se sont tournés vers une alternative moderne : le composite bois-plastique. Ce matériau est un mélange de fibres de bois, telles que de la sciure ou de la farine de bambou, mélangées à du plastique fondu et divers additifs pour créer un produit durable et résistant aux intempéries. Il est désormais un spectacle courant dans les terrasses, les clôtures et le mobilier, offrant l'aspect du bois sans la même vulnérabilité à la pourriture ou aux insectes. Pourtant, travailler avec ce composite présente un défi unique. Parce qu'il s'agit d'un mélange de fibres rigides et de plastique flexible, il se comporte différemment du bois massif ou du métal lors de la coupe. Percer des trous dedans — une étape nécessaire pour l'assemblage — peut facilement causer des dommages. Si le processus de perçage n'est pas soigneusement contrôlé, le matériau peut se fissurer, les fibres peuvent s'arracher ou les couches peuvent se séparer, ruinant la force et l'apparence du produit final. La clé pour éviter ces dommages réside dans la compréhension des forces en jeu : la pression descendante que la perceuse exerce et la force de torsion nécessaire pour la faire tourner.

Dans une étude récente, des chercheurs ont cherché à maîtriser ces forces en apprenant à un ordinateur à prédire exactement quelle pression et quel couple de torsion se produiront lors du processus de perçage. L'équipe, basée dans des écoles d'ingénieurs en Inde, s'est concentrée sur un type spécifique de composite bois-plastique composé de fibres de bois et de thermoplastique. Ils voulaient trouver les réglages parfaits pour une perceuse afin de minimiser le stress sur le matériau. Pour ce faire, ils ont traité le processus de perçage comme une série d'expériences contrôlées. Ils ont utilisé une machine commandée par ordinateur pour percer des trous dans des panneaux du matériau composite, en modifiant systématiquement trois variables principales : la vitesse à laquelle la perceuse tournait, la rapidité avec laquelle elle avançait dans le matériau, et la taille du foret lui-même. Ils ont testé ces variables sur une large gamme de valeurs, de vitesses lentes à des vitesses rapides, et de petits forets à des plus grands. Pour chaque combinaison de réglages, ils ont mesuré la force descendante exacte et le couple de torsion générés, répétant chaque test trois fois pour garantir la fiabilité des résultats.

Les chercheurs ont ensuite analysé ces mesures pour voir quelle variable importait le plus. Ils ont découvert que la vitesse à laquelle le foret avançait dans le matériau était le facteur le plus important, représentant plus de soixante pour cent des changements tant dans la force descendante que dans le couple de torsion. La taille du foret était le facteur suivant le plus significatif, tandis que la vitesse de rotation de la perceuse avait un effet plus faible, bien que toujours notable. Généralement, ils ont constaté qu'avancer la perceuse plus rapidement dans le matériau augmentait les forces, tandis que faire tourner la perceuse plus vite aidait en fait à les réduire. Ceci est dû au fait qu'une rotation plus rapide génère de la chaleur qui ramollit la composante plastique du composite, facilitant ainsi la coupe. En combinant ces découvertes avec un type spécifique d'algorithme informatique connu sous le nom de forêt aléatoire (random forest), l'équipe a construit un modèle capable de prédire les forces avec une précision remarquable. Ce modèle a appris des données expérimentales pour reconnaître des motifs, permettant d'estimer les forces pour tout nouvel ensemble de conditions de perçage sans avoir besoin de réaliser un test physique au préalable.

Les résultats ont montré que cette approche informatique était hautement efficace. Le modèle a prédit avec succès la force descendante et le couple de torsion avec une précision dépassant quatre-vingt-dix-neuf pour cent par rapport aux mesures physiques réelles. Ce niveau de précision signifie que les fabricants pourraient utiliser un tel système pour déterminer les meilleurs réglages de perçage avant même de toucher le matériau, garantissant que les trous soient propres et que les panneaux composites restent intacts. L'étude a confirmé qu'en sélectionnant soigneusement la vitesse de perçage, la vitesse d'avance et la taille du foret, il est possible de percer des composites bois-plastique sans causer la délamination ou les défauts de surface qui affectent souvent l'industrie. Bien que les chercheurs aient noté que leur travail était limité à des forets spécifiques et à des conditions de perçage à sec, le succès de leur approche d'apprentissage automatique suggère une voie claire à suivre. Cela démontre qu'en laissant les algorithmes apprendre des données, les ingénieurs peuvent optimiser les processus de fabrication pour ces matériaux complexes et écologiques, garantissant qu'ils performent aussi bien dans le monde réel qu'en laboratoire.

Résumé Technique : Prédiction des paramètres de processus pour le couple et la force de poussée lors du perçage de composites bois-plastique à l'aide d'algorithmes d'apprentissage automatique

Énoncé du problème
Les composites bois-plastique (WPC) sont devenus de plus en plus présents dans les applications domestiques et industrielles, notamment dans les intérieurs automobiles, les revêtements de sol et le mobilier, en raison de leur durabilité, de leur respect de l'environnement et de leur rentabilité. Cependant, l'usinage de ces matériaux, en particulier le perçage, présente des défis importants. La nature anisotrope et stratifiée des WPC entraîne des défauts tels que la délamination, l'arrachement de fibres, les microfissures et un mauvais état de surface lorsque des forces de poussée ( $F_z$ ) et de couple ( $F_t$ ) excessives sont générées. Ces défauts compromettent l'intégrité structurelle et la qualité esthétique du produit final. Bien que les méthodes statistiques traditionnelles comme la Méthodologie de Surface de Réponse (RSM) existent, elles manquent souvent de la flexibilité nécessaire pour se généraliser à différents matériaux ou conditions de processus. Il existe un besoin reconnu pour des modèles précis et basés sur les données afin de prédire $F_z$ et $F_t$ pour optimiser les paramètres de processus, minimiser les défauts et améliorer l'efficacité de la production dans la fabrication des WPC.

Méthodologie
L'étude a employé une approche systématique combinant la conception expérimentale, l'analyse statistique et la modélisation par apprentissage automatique (ML) :

Conception expérimentale : Des expériences de perçage ont été menées sur des panneaux de WPC (composés de 40 % de fibres de bois, 54 % de thermoplastique et 6 % d'additifs) à l'aide d'un centre d'usinage vertical CNC. L'étude a utilisé l'arrangement orthogonal de Taguchi $L_{27}$ pour étudier les effets de trois paramètres d'entrée : la vitesse de broche ( $N$ ), la vitesse d'avance ( $f$ ) et le diamètre du foret ( $d$ ).
- Plages : $N$ (1000–3000 tr/min), $f$ (75–225 mm/min), $d$ (6, 8 et 10 mm).
- Outillage : Des forets à pointe de centre (Brad center point) en acier au carbone avec finition aluminium ont été utilisés.
- Mesure : Un dynamomètre multi-composants Kistler (Modèle 9277B) a mesuré $F_z$ et $F_t$ . Chacune des 27 séries expérimentales a été répétée trois fois, résultant en un ensemble de données de 81 points.
Analyse statistique : Une analyse de variance (ANOVA) a été réalisée pour déterminer la signification des paramètres d'entrée et de leurs interactions sur les réponses de sortie.
Modélisation par apprentissage automatique : Trois algorithmes d'apprentissage d'ensemble ont été développés et comparés pour prédire $F_z$ et $F_t$ :
- Extra Trees Regressor : Utilisé pour sa capacité à gérer les données bruitées grâce à une randomisation extrême.
- Bagging avec arbres de décision : Employé pour réduire la variance en moyennant les prédictions de sous-ensembles de bootstrap.
- Random Forest Regressor : Utilisé pour sa robustesse à capturer les corrélations non linéaires grâce à la sélection aléatoire de caractéristiques lors des divisions de nœuds.
Évaluation : L'ensemble de données a été divisé en 70 % pour l'entraînement et 30 % pour le test. La performance des modèles a été évaluée à l'aide de six métriques : l'erreur absolue en pourcentage moyenne (MAPE), la différence absolue moyenne (MAD), l'erreur quadratique moyenne (RMSE), l'erreur standard (SE), l'erreur quadratique moyenne (MSE) et le coefficient de détermination ( $R^2$ ).

Résultats clés

Influence des paramètres de processus : Les résultats de l'ANOVA ont identifié la vitesse d'avance ( $f$ ) comme le facteur dominant influençant à la fois la force de poussée et le couple.
- Pour la force de poussée ( $F_z$ ) : La vitesse d'avance a contribué à 65,16 %, le diamètre du foret à 27,33 % et la vitesse de broche à 4,90 %.
- Pour le couple ( $F_t$ ) : La vitesse d'avance a contribué à 64,41 %, le diamètre du foret à 20,39 % et la vitesse de broche à 12,84 %.
- Les conditions optimales pour minimiser les forces ont été trouvées à 3000 tr/min, 75 mm/min et un diamètre de foret de 6 mm. Inversement, les forces les plus élevées se sont produites à 1000 tr/min, 225 mm/min et un diamètre de 10 mm.
Performance des modèles : Les trois modèles de ML ont démontré une haute capacité prédictive, avec des valeurs $R^2$ dépassant 0,988. Cependant, le modèle Random Forest a systématiquement surpassé les autres :
- Force de poussée ( $F_z$ ) : Le Random Forest a atteint un $R^2$ de 0,998, un MAPE de 1,601 et un RMSE de 0,275.
- Couple ( $F_t$ ) : Le Random Forest a atteint un $R^2$ de 0,997, un MAPE de 0,718 et un RMSE de 0,1406.
- Le modèle Random Forest a également présenté les erreurs de prédiction les plus normalement distribuées, comme le valident les graphiques de normalité d'Anderson-Darling, indiquant une fiabilité supérieure par rapport au Bagging et à l'Extra Trees.

Signification et revendications
Les auteurs affirment que cette étude fournit une approche novatrice pour évaluer et identifier les paramètres de processus appropriés afin de minimiser la force de poussée et le couple lors du perçage des composites WPC. En démontrant que les modèles d'apprentissage automatique, spécifiquement Random Forest, peuvent prédire avec précision les forces d'usinage en fonction des paramètres d'entrée, cette recherche offre un outil pour améliorer l'efficacité de la production et optimiser les ressources. L'étude soutient que le développement de tels modèles de prévision précis est crucial pour améliorer la productivité industrielle et garantir la qualité des assemblages mécaniques dans les applications de WPC. Ce travail établit une base pour l'utilisation de méthodes basées sur les données pour remplacer ou compléter la modélisation empirique traditionnelle dans l'usinage des matériaux composites.

Orientations futures
L'article suggère que les travaux futurs pourraient élargir le champ d'application en estimant d'autres indicateurs de qualité (tels que le facteur de délamination, la rugosité de surface, la circularité et les erreurs de cylindricité), tester différents matériaux et géométries d'outils, explorer la lubrification par quantité minimale (MQL) pour réduire la température et l'usure, et comparer le perçage traditionnel avec l'usinage par jet d'eau alternatif (AWJM).

Articles similaires