Une intelligence artificielle pour analyser en temps réel la microstructure des aciers grâce aux rayons X

Cet article présente un modèle de deep learning (réseau de neurones convolutionnel) capable de prédire directement les fractions de phases (ferrite et austénite) dans les aciers à partir de profils de diffraction des rayons X expérimentaux. Le modèle est entraîné sur plus de 40 000 données issues d’expériences synchrotron couvrant une large diversité de compositions et conditions thermiques.

Les résultats montrent une excellente précision (erreur ~2 %), comparable aux méthodes classiques de type Rietveld, mais avec un temps de calcul réduit de plusieurs ordres de grandeur (millisecondes contre heures). Cette avancée permet d’envisager une analyse en temps réel lors d’expériences à haut débit, ouvrant la voie à des stratégies expérimentales adaptatives et à l’accélération de la découverte de nouveaux matériaux.

Titre complet : Deep Learning for Real-Time Phase Quantification from X-ray Diffraction: Toward High-Throughput Steel Microstructure Mapping
Auteurs de l’article : Imed-Eddine Benrabah, Guillaume Geandier, Olha Nakonechna, Benoît Denand, Hugo Van Landeghem, Alexis Deschamps, Sébastien Y. P. Allain 
Références de l’article : Advanced Engineering Materials, 2026 
DOI : https://doi.org/10.1002/adem.202503172