Modélisation de la compacité granulaire par une approche d'Apprentissage Automatique

Abstract

<div> <p>La prévision de la compacité (ou de la porosité) d'un mélange de grains secs est une vieille question, commune à bien des domaines techniques et scientifiques. Dans le domaine de la formulation des matériaux granulaires, on se restreint généralement à la question de la détermination des granularités conduisant aux compacités les plus fortes. Devant les difficultés théoriques qu'elle soulève, l'approche générale consistait à rechercher, par l'expérience à l'aide de courbes maîtresses, des distributions granulaires compactes et à tenter de s'en rapprocher en combinant les matériaux dont on dispose [SED 94].</p> </div> <p><i> </i>En reprenant le problème dans son contexte général, et devant l'empirisme des approches conventionnelles, plusieurs modèles ont été développés antérieurement qui permettent de prédire avec une certaine précision la compacité d'un mélange granulaire. Le Modèle d'empilement compressible MEC proposé par DE LARRARD [DEL 00], qui est une version améliorée du modèle de suspension solide qui est lui-même basé sur le modèle linéaire de compacité [POU 01]. C'est un des modèles prédictifs qui permet de bien estimer la compacité d'un mélange en fonction du mode de serrage et des proportions des composants. Cependant ce modèle perd de sa force de prédiction puisqu'il nécessite la mesure au laboratoire d'un certain nombre de paramètres. Dans ce contexte là, on propose par le présent travail d'utiliser l'apprentissage automatique afin de présenter un modèle qui permet de prédire la compacité granulaire et uniquement en fonction des paramètres intrinsèques des constituants facilement accessibles à l'expérience.</p> <p> Ce travail présente un double intérêt : proposer un modèle prédictif de la compacité d'un mélange granulaire par une nouvelle approche et démontrer la fiabilité de la PG comme un outil révolutionnaire faisant partie des algorithmes évolutionnistes d'apprentissage automatique dans la modélisation des phénomènes complexes.</p>