Les formulations de qualité aérospatiale sont souvent composées de plusieurs ingrédients dont les proportions et les interactions influent sur une ou plusieurs propriétés du composant final. La théorie et l'expérience sont utiles à la conception de ces formulations, mais il arrive que des interactions ou des synergies restent encore inconnues. Il peut donc être judicieux d'explorer un large éventail d'expérimentations afin de découvrir des résultats inattendus.
Dans cette présentation, je partage les résultats et les enseignements tirés de la mise en œuvre d'un plan d'expériences mixtes, notamment la visualisation, la normalisation et l'analyse des données. J'aborde également les diagrammes ternaires, la communication d'informations techniques à un public non spécialisé, les difficultés rencontrées et les pistes d'amélioration.
Bonjour, je m'appelle Carlo Campanelli, et cette affiche traite de l'utilisation d'un plan d'expériences pour optimiser une formulation aérospatiale. Les systèmes de résine pour applications aérospatiales comprennent généralement plusieurs composants qui doivent être équilibrés afin de répondre simultanément aux exigences thermomécaniques, de sécurité et réglementaires.
Le processus de test peut être long, coûteux et présenter de multiples sources de variabilité. De plus, des contraintes de temps limitent souvent le nombre de formulations, de tests, de conditions, d'échantillons et de répétitions possibles.
L'objectif de ce travail est d'améliorer les propriétés spécifiques du matériau tout en préservant l'ensemble des autres caractéristiques et performances du produit. Il s'agit souvent d'un défi, car il peut s'agir d'un jeu à somme nulle. Généralement, il s'agit de trouver le meilleur compromis plutôt que la formulation idéale. Ce compromis optimal peut varier selon le client ou l'application.
L'approche de ce travail consiste à utiliser un plan d'expériences de mélange à 3 variables, 15 essais et 1 répétition. En haut à droite, une image illustre l'espace expérimental du plan de mélange contenant les 15 formulations testées. Les composantes ou variables sont X1, X2 et X3, et leur somme est toujours égale à 100 %. À droite, une image explique comment lire le diagramme ternaire et montre que la somme des contributions libres des composantes X1, X2 et X3 est effectivement de 100 %.
Pour ce travail, j'ai testé plusieurs propriétés, dont trois sont présentées ici sous la forme d'un diagramme ternaire coloré. Le vert et le rouge indiquent respectivement des valeurs satisfaisantes et défavorables. Concernant la première propriété, on observe que la formulation située en bas du diagramme ternaire présente une valeur satisfaisante, mais cette propriété tend à diminuer lorsqu'on remonte dans le diagramme. Augmenter vers le haut signifie que la quantité de la composante X1 augmente. En revanche, modifier les quantités des composantes X2 et X3 de gauche à droite n'a aucun impact sur cette propriété. Il s'agit d'un exemple de propriété principalement déterminée par une seule composante, X1 dans ce cas.
En observant la deuxième propriété, on constate une tendance similaire, mais inverse. Plus on monte, meilleure est la valeur de cette propriété. Augmenter la valeur de X1 améliore donc cette propriété. En revanche, de gauche à droite, la valeur diminue. Pour cette propriété en particulier, on observe qu'elle est principalement influencée par X1 et X3. On distingue ainsi trois catégories : les bonnes propriétés, les propriétés moyennes et les mauvaises propriétés.
Concernant la troisième propriété, selon les théories extrapolées de la littérature et l'expérience technique directe, elle devrait être plus adaptée à la formulation située en bas du diagramme ternaire. Cela se vérifie généralement, comme on peut le constater, à une exception près : la formulation en haut à droite, qui fait figure d'aberration. Ceci souligne l'importance d'explorer un large éventail de paramètres et de ne pas privilégier certains. En effet, si nous nous étions contentés de suivre la théorie et de tester ou d'analyser uniquement la formulation du bas, nous aurions probablement manqué cette formulation en haut à droite.
Enfin, l'outil de profilage prédictif permet de comparer simultanément plusieurs propriétés et tendances. Utilisez ce facteur de capacité pour optimiser les propriétés les plus recherchées et visualiser l'intervalle de confiance. Dans cet exemple, j'ai représenté graphiquement sept propriétés en fonction des trois variables, ce qui nous permet d'observer simultanément toutes les tendances. On constate également que pour certaines propriétés, les intervalles de confiance sont très étroits, tandis que pour d'autres, ils sont très larges. Il convient donc d'interpréter ces données avec prudence.
À ce stade, il convient de tirer des enseignements et d'envisager les travaux futurs. Cette étude de mélange a mis en évidence plusieurs tendances et des résultats inattendus. Ces éléments contribueront à l'optimisation et à l'adaptation de plusieurs produits. Il aurait été judicieux d'effectuer davantage de répétitions, car certaines propriétés présentent des intervalles de confiance assez larges, et il est important d'identifier et de comprendre les principales sources de variabilité.
Une étude plus approfondie des données recueillies est nécessaire pour établir la corrélation entre les propriétés mesurées, expliquer les valeurs aberrantes et faire le lien avec les études précédentes afin de confirmer ou d'infirmer les hypothèses, et d'avoir une vision d'ensemble. En effet, je crois qu'il est important d'exploiter pleinement le travail et les données que nous avons générés.
Voilà, c'est tout pour ce travail. Merci de votre attention.
