Faculté des sciences et techniques de l'ingénieur STI, Section des matériaux, Institut des matériaux IMX (Laboratoire de technologie des poudres LTP)

Prédiction et compréhension de la densification des poudres commerciales d'alumine et de fer grâce à une approche par réseau de neurones artificiels

Guerin, Violaine ; Hofmann, Heinrich (Dir.)

Thèse sciences techniques Ecole polytechnique fédérale de Lausanne EPFL : 2004 ; no 3021.

Ajouter à la liste personnelle
    Summary
    The influence of the properties of commercial powders on the densification during their packing, compaction and sintering process is still not understood in detail. With regard to the sintering process, neither the well-known sintering equation for the first sintering step nor the relation between the density and grain size at the final sintering step can describe the influence of powder characteristics on its densification behaviour. For improving the sintered density of a ceramic powder, it is known to be crucial to start with a highly dense and homogeneous green body. Therefore, the powder has to fulfil different requirements such as being agglomerate free, reasonably spherical and having a narrow size distribution (but not mono-dispersed). The aim of this work is to develop a better understanding of the relation between the powder properties and the densification behaviour during the packing, compaction and sintering process, of commercial, micron sized, metallic and ceramic powders. Another aim of this work is to evaluate if prediction of the packed, green and sintered densities based only on the known powder characteristics is possible via a neural network approach. The presented results show that a well learnt neural network is a useful tool for the prediction of green and sintered densities of granulated alumina powder produced either by milling (Bayer process) or by chemical processes. Moreover, the simulated influences of characteristics, on the green and sintered densifications, fit well literature models behaviours and intrinsic properties of such powders. Concerning the green densification, Bayer powders are denser for coarser particles and/or a broader size distribution. Relating to the chemically produced powders, those tendencies are inversed, due a stronger agglomeration with a broader size distribution and coarser particles. Regarding the sintered density, the neuronal approach highlights a better sinterability for finer powders. Limits of the artificial neural network tool are emphasized with its application to metallic powders: the learning stage seems to be primeval and simulated results are to be analysed and interpreted with care and inside the validity domain of each specific artificial neural network.
    Résumé
    L'influence des caractéristiques des poudres commerciales sur leur comportement à la densification lors de l'empilement, du compactage et du frittage n'est toujours pas connue en détail. Par exemple, concernant le frittage, ni l'équation bien connue régissant la première étape du frittage, ni la relation entre la densité et la taille de grain de l'étape finale ne peut décrire l'influence des caractéristiques physiques d'une poudre sur son comportement à la densification. Il est certes connu, qu'un paramètre très important pour améliorer la densité frittée d'une poudre céramique, est de commencer le frittage avec un corps vert très dense et homogène. Et que pour fabriquer de tels corps verts par compression à sec, cette poudre céramique doit remplir différentes conditions telles qu'être exempte d'agglomérats, avoir une forme de particule relativement sphérique et avoir une distribution de taille étroite mais non monodisperse. Le but de cette étude est de développer une meilleure compréhension des relations entre propriétés physiques des poudres et densification lors de l'empilement, le compactage et le frittage de poudres commerciales microniques céramiques et métalliques. Un autre but de ce travail est d'évaluer si la prédiction des densités tassée, crue et frittée, basée uniquement sur des caractéristiques connues des poudres, est possible par l'utilisation d'une approche par réseau de neurones. Les résultats présentés montrent qu'un réseau de neurones artificiels bien éduqué est un outil utile pour la prédiction des densités verte et frittée de poudres d'alumine granulée produite soit par broyage (procédé Bayer), soit par voie chimique. De plus, les tendances, dégagées par l'approche neuronale, des influences des caractéristiques sur la densification verte et frittée de ce type de poudre, sont en accord avec les comportements, mis en évidence dans les modèles de la littérature, et les propriétés intrinsèques de ces poudres. Ainsi, concernant la densification verte, les poudres d'alumine de type Bayer ont une densité verte plus élevée pour des particules plus grosses et dont la distribution en taille est plus large. Pour les poudres d'alumine élaborées par voie chimique, la tendance est inversée, ce qui est expliqué par une agglomération plus forte lors de l'élévation de la taille moyenne des particules et de l'élargissement de la distribution en taille. Concernant la densification frittée, l'approche neuronale met en autre en évidence, une meilleure frittabilité pour les poudres les plus fines. Les limites de cet outil réseaux de neurones artificiels sont dégagées lors de son application aux poudres métalliques: la phase d'apprentissage est primordiale et les résultats simulés sont à analyser et interpréter avec discernement et dans les limites du domaine de validité du réseau de neurones artificiels créé, spécifique à chaque problématique.