Des chercheurs de l’Institut Max-Planck pour les matériaux durables, en collaboration avec plusieurs universités chinoises, ont mis au point une méthode utilisant l’intelligence artificielle (IA) pour transformer de la ferraille contenant des impuretés en nouveaux alliages métalliques performants. Cette innovation permettrait de réduire le recours aux métaux neufs, de diminuer les coûts de fabrication et surtout de limiter les émissions de gaz à effet de serre liées à l’industrie métallurgique.
Habituellement, la ferraille récupérée sur les sites industriels contient des impuretés telles que le cuivre, l’étain ou le phosphore, dont la présence peut modifier les propriétés mécaniques du métal. Pour obtenir un matériau de qualité répondant aux exigences industrielles, les fabricants ajoutent généralement du métal primaire afin de diluer ces éléments indésirables. Cette opération permet de retrouver certaines caractéristiques recherchées, mais elle nécessite de nouvelles matières premières et augmente les coûts énergétiques ainsi que les émissions de CO₂.
L’Institut Max-Planck pour les matériaux durables veut révolutionner le recyclage de la ferraille
Des chercheurs de l’Institut Max-Planck pour les matériaux durables, en collaboration avec plusieurs universités chinoises, proposent une approche différente. Leur méthode, fondée sur l’intelligence artificielle, consiste à exploiter les éléments résiduels pour concevoir des alliages aux propriétés améliorées, le tout avec peu de matières primaires. Selon ses concepteurs, elle ouvre de nouvelles perspectives pour une métallurgie davantage fondée sur le recyclage et l’économie circulaire.
Un système d’apprentissage automatique capable d’identifier les meilleures compositions chimiques et les traitements de fabrication adaptés
Dans le cadre de leurs travaux, les scientifiques allemands et chinois ont développé un système d’apprentissage automatique capable d’identifier les meilleures compositions chimiques et les traitements de fabrication adaptés. L’algorithme s’appuie notamment sur deux bases de données regroupant des informations sur les compositions métalliques et leurs propriétés mécaniques. La première comporte 330 entrées détaillées, tandis que la seconde rassemble environ 2 400 données associant les caractéristiques des matériaux à leurs performances.
Différentes combinaisons possibles analysées par des réseaux de neurones
Des réseaux de neurones analysent ensuite les différentes combinaisons possibles en tenant compte de paramètres comme les températures du métal et les durées des opérations de fonderie. Le système cherche à optimiser deux propriétés essentielles : la résistance à la traction, qui mesure la capacité du métal à supporter un effort avant de se rompre, et l’allongement à la rupture, qui correspond à sa capacité à se déformer avant de casser. Après analyse des différentes combinaisons, les compositions jugées les plus prometteuses sont fabriquées et soumises à des essais mécaniques. Les résultats obtenus sont réintégrés dans les bases de données afin d’améliorer les prédictions et d’affiner les propositions suivantes.
L’IA de l’Institut Max-Planck a présenté un meilleur compromis entre résistance et déformabilité que les fontes recyclées de référence
Pour vérifier l’efficacité de cette méthode, les chercheurs l’ont appliquée à la fonte à graphite sphéroïdal, également appelée fonte ductile, un matériau industriel connu pour sa résistance et sa capacité à tolérer certaines impuretés. Sur les 17 variantes proposées par l’intelligence artificielle, puis fabriquées et testées, 14 ont présenté un meilleur compromis entre résistance et déformabilité que les fontes recyclées de référence. Selon les résultats publiés, la résistance à la traction peut progresser jusqu’à 15,2 % à allongement comparable. Inversement, l’allongement avant rupture peut augmenter jusqu’à 73,2 % à résistance comparable. Ces deux performances maximales correspondent à des compositions différentes. Les alliages étudiés été fabriqués sans ajout de fer vierge.
L’IA de l’Institut Max-Planck, un argument économique
Sur le plan économique, cette technique présente un intérêt pour les industriels. Les chercheurs annoncent une réduction de 8,1 % du coût de fabrication par rapport au procédé conventionnel associant ferraille et métal primaire. Les fonderies pourraient ainsi valoriser davantage les déchets métalliques disponibles, sans devoir systématiquement acheter de nouvelles matières premières pour corriger leur composition. Aussi, la possibilité de produire des alliages aux propriétés mécaniques améliorées à partir de ressources recyclées pourrait faciliter la maîtrise des coûts de production.
Un levier de décarbonation de l’industrie sidérurgique
Les bénéfices environnementaux sont un autre argument. La production de métaux neufs nécessite l’extraction de minerais, leur transformation et des opérations de fusion particulièrement énergivores. En réduisant l’ajout de métal primaire, le procédé pourrait limiter la consommation de ressources naturelles, les besoins énergétiques et les émissions de gaz à effet de serre de la métallurgie. L’enjeu est important pour l’industrie sidérurgique, dont la production représente entre 7 et 8% des émissions mondiales de CO₂. Le développement de procédés permettant d’incorporer davantage de ferraille sans dégrader la qualité des matériaux constitue donc un levier de décarbonation du secteur.
L’Institut Max-Planck va étendre sa méthode aux aciers recyclés ainsi qu’aux alliages d’aluminium et de cuivre
Pour l’instant, les résultats concernent principalement une famille de fontes. Les chercheurs envisagent dorénavant d’étendre leur méthode aux aciers recyclés ainsi qu’aux alliages d’aluminium et de cuivre. Une telle évolution pourrait élargir les applications de cette technologie aux transports, aux infrastructures énergétiques et à différentes activités industrielles. En transformant les impuretés de la ferraille en ressources potentiellement utiles, l’intelligence artificielle pourrait ainsi contribuer à faire du recyclage une véritable alternative à la production systématique de métaux neufs.
