L'intelligence artificielle et la Dataviz au service d'un traitement plus performant de vos données

L’une de nos expertises historiques est de vous accompagner dans la structuration, la mutualisation et la valorisation de vos données matériaux. De nouveaux besoins ont été identifiés dans ce périmètre notamment afin d’améliorer la sélection des matériaux qui est une réelle étape critique dans le processus de conception. Parmi ces besoins, nous retrouvons par exemple la possibilité d’étudier et de comparer certaines propriétés matériaux afin de déterminer et choisir le plus adapté, mais aussi, un besoin d’approfondir l’analyse à l’aide d’interpolations, de prédictions de valeurs et de regroupement de matériaux selon différentes propriétés. Pour pouvoir répondre à ces enjeux, les ingénieurs ont alors besoin de représentations graphiques et de modèles d’affichages des propriétés matériaux (tels que des diagrammes 2D où les matériaux sont représentés par catégories par exemple) sur lesquels ils pourront baser leur analyse. 

La solution REMIND dédiée aux matériaux  permet de représenter un ensemble de caractéristiques sur un même diagramme afin de les comparer. Les applications d’algorithmes telles que la prédiction de propriétés ou la classification vous accompagnent dans le processus de sélection de matériaux.

Prenons le cas d’un ingénieur matériaux du service R&D dont l’objectif est de sélectionner la pièce idéale pour concevoir son produit. Celui-ci va pouvoir suivre plusieurs étapes de sélection en bénéficiant de notre nouvel outil  :

• Dans sa base de données TEEXMA et avec l’aide de REMIND, il représente les matériaux par propriété (par exemple, en modélisant un graphique de la densité selon le module de Young) et par catégorie de matériaux. (métaux, polymères, composites…).
• À ce stade, il filtre les grandes familles de matériaux qui lui conviennent. Si certaines propriétés de matériaux nécessaires à la sélection sont inconnues ou non renseignées, l’ingénieur peut appliquer un algorithme qui va automatiquement prédire les valeurs manquantes en se basant sur les données existantes, via l’usage d’équation définie par l’ingénieur, ou même par l’usage de machine learning. Si les catégories de matériaux et les valeurs actuelles ne sont pas suffisantes, l’ingénieur peut également partitionner l’ensemble en sous-catégories créées automatiquement selon les similarités entre les matériaux.
• Son champ de sélection est alors bien réduit, il peut désormais éliminer les points dont les valeurs des propriétés sont considérées comme aberrantes.
• Tout au long du processus, l’ingénieur peut affiner la recherche en filtrant l’ensemble des données utilisées selon des propriétés choisies, et trier les matériaux par pertinence, en définissant les critères propres à sa sélection. (par exemple, il peut vouloir prioriser une faible densité tout en conservant une limite d’élasticité élevée).
•  
• En fin de processus, lorsque ces applications ont permis de choisir le matériau idéal, l’ingénieur génère un rapport détaillant l’ensemble des étapes ayant permis de choisir ce matériau. Le rapport lui permet de justifier ses choix auprès de ses collaborateurs, et de garder une trace du travail réalisé.