Coulées d'acier synthétiques : un tirage aléatoire naïf n'a donné que 6,3 % de coulées conformes, et un critère ne se déclenchait jamais

L'auteur de l'article voulait devenir Head of AI dans une entreprise métallurgique, mais l'absence de diplôme spécialisé l'en a empêché. Il a alors assemblé en quelques semaines un MVP qui n'est jamais arrivé jusqu'à la direction. Il lui est resté un simulateur de coulées, et l'analyse de ses erreurs est utile à tous ceux qui fabriquent des données synthétiques pour le ML.

Pourquoi des données synthétiques et que modélise-t-on

Les données des entreprises métallurgiques ne peuvent pas être publiées en accès libre : c'est un secret commercial. Ceux qui veulent tester une idée n'ont donc rien sur quoi entraîner et comparer des modèles. Un jeu synthétique ne remplace pas les données réelles, mais il permet de déboguer toute la chaîne, de la génération à l'interface. On pourra ensuite y brancher de vraies coulées.

Voici le problème. Lors de la coulée de l'acier en poche, le fondeur ajoute des ferroalliages pour ramener le silicium et le manganèse oxydés dans la tolérance. On ne sait pas à l'avance combien d'alliage va brûler ; la dose est donc prise avec une marge, et cette marge coûte de l'argent. Il faut estimer, à partir des données d'avant l'ajout, la dose minimale suffisante.

Le simulateur décrit l'élaboration de l'acier 35L selon GOST 977–88 dans un four à arc DSP-3. La charge est toujours de 3300 kg (ferraille 2A, briquettes 6A et fonte), pour environ 3000 kg d'acier liquide en sortie. Une coulée n'est conforme que si le carbone, le silicium, le manganèse, la somme soufre + phosphore et la surchauffe au-dessus du liquidus sont simultanément dans la tolérance.

Pourquoi le hasard indépendant ne fonctionne pas

La première idée est évidente : tirer chaque paramètre uniformément dans sa plage et calculer le résultat par des formules. Sur 100 coulées, une seule était conforme. Sur 2000, après corrections, il y en avait 127, soit 6,3 %.

La cause tient à l'arithmétique, pas à la physique. Cinq conditions doivent être remplies en même temps, et avec des paramètres indépendants, chacune passe avec une probabilité allant de quelques dizaines de pour cent à des fractions. La fenêtre de surchauffe de 25 °C tombait mal sur une température aléatoire tirée dans une plage de 130 °C : 82 % des coulées échouaient sur la surchauffe. Venaient ensuite le carbone (54 %) et le silicium (42 %).

Le pire concernait le soufre et le phosphore : dans la première version, ils n'étaient jamais hors tolérance. Le maximum donné par la formule était de 0,030 % pour un seuil de 0,040 %. Le critère était mort, et un jeu de données à une seule classe sur ce critère apprend très peu au modèle.

L'opérateur vise et se trompe

La correction repose sur un seul principe. Chaque paramètre piloté par un humain est calculé comme la cible issue de la mesure précédente, plus le bruit de l'instrument ou du facteur humain, puis le résultat est borné aux limites physiques. La température de coulée, par exemple, est fixée comme le liquidus plus la surchauffe visée, avec une erreur de thermocouple de ±5 °C. La fonte est dosée pour que le carbone après fusion soit d'environ 0,42–0,50 %. Pour les balances, le bruit est de ±4 kg ; pour le débitmètre d'oxygène, de ±2 m³.

Les ferroalliages sont particulièrement importants. Le maître fondeur calcule la dose avec un rendement d'absorption nominal (80 % pour le manganèse et 90 % pour le silicium). Le rendement réel, il ne le connaît qu'après la coulée. La surchauffe, le sursoufflage à l'oxygène et un laitier acide le dégradent ; l'écart entre le plan et la réalité produit à la fois des rebuts et la marge que le modèle apprend ensuite à économiser. Dans le jeu de données, ces colonnes sont marquées comme non observables avant la coulée. Les fournir au modèle comme variables explicatives provoquerait une fuite de données.

Autre détail : la pénalité pour de mauvaises conditions est une sigmoïde et non une marche brutale. Le rendement baisse progressivement autour du seuil, comme dans la réalité, sans cassures artificielles dans les données. S'y ajoute un résidu inexpliqué d'une coulée à l'autre, pour que le modèle ne puisse pas apprendre la formule à la perfection.

Limites et conseils pratiques

Tous les chiffres de l'article proviennent des données du générateur lui-même et décrivent le simulateur, pas un four réel. L'auteur signale lui-même des simplifications : dans la GOST, le soufre et le phosphore sont normés séparément, et la fenêtre de surchauffe a été imaginée pour des moules en sable à prise à froid (KhTS). Le liquidus est calculé par une approximation linéaire ; pour un vrai four, il faut des coefficients issus d'un manuel ou d'un calcul thermodynamique. Le fragment de l'article dont nous disposons s'arrête à l'analyse de la charge. L'entraînement de CatBoost et un microservice conseiller sont promis dans la seconde partie.

La conclusion pratique dépasse la métallurgie. Avant d'entraîner un modèle sur des données synthétiques, il faut calculer la part des classes positives et la fréquence de déclenchement de chaque critère. Si l'un d'eux ne se déclenche jamais, c'est le simulateur qu'il faut réparer, pas le modèle. Les paramètres pilotés par un humain gagnent à être modélisés comme une cible bruitée plutôt que comme des variables aléatoires indépendantes. Enfin, tout ce qui n'est pas observable au moment de la décision doit être exclu des variables explicatives. Un jeu de données généré valide le pipeline, mais ne prouve pas que le modèle fonctionnera sur de vraies coulées.