7. Apport du Machine Learning dans la caractérisation des débris d’usure et la prédiction des phénomènes tribologiques
Le développement récent des techniques d’apprentissage automatique ( Machine Learning , ML) ouvre de nouvelles perspectives pour l’analyse et l’interprétation des phénomènes tribologiques, en particulier dans le contexte de la caractérisation des débris d’usure. Face à la complexité et à la nature multidimensionnelle des données générées par les méthodes de caractérisation (microscopie électronique, spectroscopie, détection en ligne, etc.), les algorithmes de ML se révèlent particulièrement efficaces pour extraire des corrélations complexes, souvent non linéaires, qui échappent aux approches statistiques traditionnelles (figure 15 ).
Cet article est réservé aux abonnés. Il vous reste 92 % à découvrir.
Déjà abonné ? Se connecter
Apport du Machine Learning dans la caractérisation des débris d’usure et la prédiction des phénomènes tribologiques
Conclusion
Sources bibliographiques
Cet article est réservé aux abonnés. Il vous reste 92 % à découvrir.
Déjà abonné ? Se connecter
Quiz et tests de validation présents dans cet article
Entraînez-vous autant que vous le voulez avec les quiz d'entraînement.
Article inclus dans l'offre
"Frottement, usure et lubrification"
(
95 articles
)
Actualisée et enrichie d’articles validés par nos comités scientifiques.
Quiz, médias, tableaux, formules, vidéos, etc.
Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses.
Un ensemble de services exclusifs en complément des ressources.
