Modèles d’apprentissage pour anticiper les propriétés des plastiques et accélérer la mise au point des formulations

Des travaux récents mettent en lumière la montée en puissance d’une ingénierie des matériaux plastiques pilotée par les données, où l’apprentissage automatique est mobilisé pour relier composition et conditions de transformation aux propriétés d’usage, afin d’orienter plus tôt les choix de formulation. Le projet décrit vise le développement de modèles prédictifs capables d’anticiper des comportements mécaniques, thermiques ou physiques à partir d’informations issues des procédés, avec l’ambition de réduire la dépendance aux campagnes d’essais itératives et d’augmenter la robustesse des décisions en phase amont. Dans cette logique, des données industrielles de mise en œuvre — notamment issues d’opérations de moulage par injection de polypropylène pour des applications automobiles — alimentent l’entraînement et l’interprétation des modèles, tandis qu’un partenaire spécialisé en IA contribue à la transposition méthodologique vers des environnements de production. Parallèlement, l’accent est mis sur un outil conçu pour rendre ces approches accessibles sans compétences de programmation, ce qui abaisse le seuil d’adoption et favorise la traçabilité des choix matière/procédé ; à l’inverse d’une optimisation purement empirique, la démarche revendique une validation en conditions réelles. Au-delà du gain de temps et de matière, l’approche entend limiter les formulations inefficaces et l’usage d’additifs potentiellement dangereux, ouvrant une voie directement industrialisable vers des développements plus sobres, plus sûrs et plus compétitifs.

https://www.specialchem.com/plastics/news/aimplas-new-project-to-develop-ml-and-ai-techniques-to-predict-plastic-properties