Design inverse de superalliages à haute entropie par apprentissage automatique et intelligence artificielle générative
Inverse Design of High-Entropy Superalloys Using Machine Learning and Generative Artificial Intelligence
Jury
Directeur de these_BELMONTE_Thierry_CNRS
Rapporteur_BOTTI_Silvana_Ruhr University Bochum
Rapporteur_CHRISTOFIDOU_Katerina_University of Sheffield
Examinateur_BOULANGER_Clotilde_Université de Lorraine
école doctorale
C2MP - CHIMIE MECANIQUE MATERIAUX PHYSIQUE
Laboratoire
IJL - INSTITUT JEAN LAMOUR
Mention de diplôme
Sciences des Matériaux
4.014
Institut Jean Lamour
92 rue du Sergent Blandan
54000 NANCY
Mots clés
Design inverse de matériaux,Intelligence artificielle générative,Apprentissage automatique,Super alliages,Matériaux critiques,Substitution
Résumé de la thèse
La découverte de nouveaux matériaux repose encore largement sur l'exploration de faibles variations autour d'alliages connus. Cette approche reste mal adaptée à l'immensité de l'espace des compositions chimiques possibles, ainsi qu'aux contraintes contemporaines de performance, de durabilité et de sécurité d'approvisionnement. Ce travail propose un cadre de conception inverse appliqué aux superalliages à haute entropie (high-entropy superalloys, HESAs), c'est-à-dire à des alliages à éléments principaux multiples.
Keywords
Inverse Design of Materials,Generative Artificial Intelligence,Machine Learning,Superalloys,Critical Raw Materials,Substitution
Abstract
Materials discovery still often explores only small variations around known alloys, which is not well suited to the vast space of possible chemistries or to modern constraints on performance, sustainability and security of supply. This work develops an inverse-design framework for high-entropy superalloys (HESAs), multi-principal-element alloys.
