# Adaptation of Aerospace-Grade Ensemble Kalman Filter Digital Twins for Microstructure State Estimation in Twin-Roll Casting

## Metadata

- **SPORE ID**: SPR-2026-B151
- **Domaines**: Aerospace Engineering x Materials Processing
- **Date de generation**: 2026-04-12
- **Panel consensus score**: 6.7/10
- **Novelty score**: 0.8/1.0
- **Panel verdict**: publish_brief

## Abstract

If a high-fidelity, multi-physics digital twin of a twin-roll casting (TRC) process is integrated with an Ensemble Kalman Filter (EnKF) for data assimilation from in-line sensors, then the EnKF will estimate internal solidification state variables (e.g., mushy zone thickness, cooling rate) with a root-mean-square error (RMSE) ≤15% relative to direct experimental measurements, because the EnKF's capacity to handle non-linear, transient dynamics and assimilate noisy sensor data—proven in liquid rocket engine control—can be transferred to model the coupled thermal-fluid-mechanical fields governing rapid solidification.

The proposed mechanism involves 3 causal steps: (1) An EnKF assimilates real-time sensor data (e.g., roll surface temperature, roll  -> (2) The improved state estimation (e.g., of temperature gradient G and solidificatio -> (3) The accurately predicted local solidification conditions determine the nucleatio.

Literature grounding on 6 verified references yields a novelty score of 0.8 (novel). A 3-phase experimental protocol (budget: €25k-120k, timeline: 8-14 months) is proposed, starting with in silico validation. A panel of 5 expert reviewers reached a consensus score of 6.7/10.

## 1. Hypothese et mecanisme propose

### 1.1 Formulation formelle

If a high-fidelity, multi-physics digital twin of a twin-roll casting (TRC) process is integrated with an Ensemble Kalman Filter (EnKF) for data assimilation from in-line sensors, then the EnKF will estimate internal solidification state variables (e.g., mushy zone thickness, cooling rate) with a root-mean-square error (RMSE) ≤15% relative to direct experimental measurements, because the EnKF's capacity to handle non-linear, transient dynamics and assimilate noisy sensor data—proven in liquid rocket engine control—can be transferred to model the coupled thermal-fluid-mechanical fields governing rapid solidification.

### 1.2 Variables

**Variables independantes :**

| Variable | Type | Plage | Unite |
|----------|------|-------|-------|
| Casting Speed | continuous | 0.5-3.0 | m/min |
| Roll Gap | continuous | 1.0-5.0 | mm |
| Melt Superheat | continuous | 10-50 | K |
| Roll Cooling Intensity | continuous | 50-200 | kW/m² |

**Variables dependantes :**

| Variable | Type | Direction attendue | Unite |
|----------|------|-------------------|-------|
| Root-Mean-Square Error (RMSE) of Mushy Zone Thickness | continuous | decrease | % (relative to measured value) |
| Average Cooling Rate at Solidification Front | continuous | non-monotonic | K/s |
| Final Average Grain Size | continuous | non-monotonic | µm |

### 1.3 Chaine causale

1. Step 1: An EnKF assimilates real-time sensor data (e.g., roll surface temperature, roll separating force) into a high-fidelity, transient TRC process model (coupled CFD-thermodynamics), reducing uncertainty in the estimated internal thermal and solidification fields.
1. Step 2: The improved state estimation (e.g., of temperature gradient G and solidification rate R) allows for the accurate prediction of local cooling rates (≈ G*R) and undercooling within the roll gap.
1. Step 3: The accurately predicted local solidification conditions determine the nucleation density and growth kinetics, which govern the final as-cast grain size and morphology according to solidification theory.

**Hypotheses cles :**

- The core multi-physics phenomena in TRC (fluid flow, heat transfer, solidification, mechanical deformation) can be modeled with sufficient fidelity to capture first-order effects on microstructure.
- The EnKF algorithm is robust to moderate structural model errors (e.g., in the interfacial heat transfer coefficient) and sensor noise characteristics typical of industrial TRC lines.
- Key internal state variables (e.g., mushy zone profile) are experimentally accessible via a reference method (e.g., rapid quench interruption) for validation.

**Inconnues identifiees :**

- The exact bandwidth and phase lag of the primary TRC actuators (roll gap servo, cooling valve) under dynamic operating conditions.
- The proportion of final grain size variance attributable to macroscale process parameters versus stochastic nucleation events.
- The optimal covariance inflation parameters for the EnKF to maintain filter stability against unmodeled TRC dynamics.

### 1.4 Conditions aux limites

- **Process operates within the 'stable casting window' defined by the alloy's hot tearing susceptibility and roll sticking limits.** — Outside this window, defect formation dominates microstructure, invalidating the solidification kinetics model.
- **Sensor data assimilation cycle time is ≤100 ms.** — The dominant thermal dynamics in the roll gap have time constants on the order of 100-500 ms; slower updates fail to track state evolution.
- **Alloy composition is within the range of commercial AZ31 or a similar Mg/Al alloy.** — The solidification kinetics and phase diagrams for these alloys are well-characterized, providing a stable basis for the physics-based model component.

### 1.5 Cadre theorique

Control-Theoretic State Estimation and Data Assimilation, applied to Rapid Solidification Processing.

## 2. Etat de l'art et positionnement

### 2.1 Travaux les plus proches

- **[2024] Correlation of digital twin and roll surface sensor results for AZ31 alloy TRC process** — [10.1007/s10853-024-09733-y](https://doi.org/10.1007/s10853-024-09733-y)
  - Similarite: related
  - Difference cle: This paper applies a digital twin to TRC for sensor correlation and process understanding, but does not propose or demonstrate the adaptation of high-fidelity, multi-physics control frameworks from aerospace (like LREs) for active, ML-driven microstructure control. It focuses on static correlation rather than dynamic, predictive control.
- **[2023] Digital-Twin-Based Coordinated Optimal Control for Steel Continuous Casting Process** — [10.3390/met13040816](https://doi.org/10.3390/met13040816)
  - Similarite: analogous
  - Difference cle: This paper presents a digital-twin-based optimal control system for continuous casting, which is a related materials processing domain. However, the hypothesis specifically calls for the transfer of methodologies developed for the extreme, transient multi-physics environments of liquid rocket engines (a distinct aerospace domain) to the rapid solidification context of TRC. The control paradigms and physical fidelity required for LREs are more specialized.

### 2.2 Base de preuves

- **[2024] Correlation of digital twin and roll surface sensor results for AZ31 alloy TRC process** — [10.1007/s10853-024-09733-y](https://doi.org/10.1007/s10853-024-09733-y)
  - Type: direct | Citations: 1
  - Directly applies a digital twin framework to a Twin-Roll Casting (TRC) process, addressing the challenge of unknown parameters in the roll gap. It demonstrates the foundational step of integrating sensors and models for TRC.
- **[2023] Digital-Twin-Based Coordinated Optimal Control for Steel Continuous Casting Process** — [10.3390/met13040816](https://doi.org/10.3390/met13040816)
  - Type: analogous | Citations: 11
  - Provides a strong analogous example in materials processing (continuous casting) where a digital twin is used for coordinated, model-based optimal control of a solidification process, involving real-time heat transfer models and online calibration.
- **[2024] Towards a Digital Twin Framework in Additive Manufacturing: Machine Learning and Bayesian Optimization for Time Series Process Optimization** — [10.48550/arXiv.2402.17718](https://doi.org/10.48550/arXiv.2402.17718)
  - Type: indirect | Citations: 84
  - Demonstrates the integration of machine learning (LSTM), Bayesian optimization, and physics-based modeling within a digital twin framework for managing heat accumulation—a key multi-physics challenge—in an additive manufacturing process. This supports the methodological transfer of ML-based control to complex thermal processes.
- **[2022] Probabilistic Digital Twin for Additive Manufacturing Process Design and Control** — [10.1115/1.4054521](https://doi.org/10.1115/1.4054521)
  - Type: indirect | Citations: 25
  - Proposes a detailed methodology for constructing a digital twin for a complex manufacturing process (LPBF) that incorporates model uncertainty and process variability, using surrogate models for faster computation. This aligns with the need for robust, predictive digital twins for process control as hypothesized.
- **[2025] A Digital Twin Framework With Bayesian Optimization and Deep Learning for Semiconductor Process Control** — [10.1109/ACCESS.2025.3551332](https://doi.org/10.1109/ACCESS.2025.3551332)
  - Type: analogous | Citations: 6
  - Demonstrates a sophisticated digital twin framework integrating deep learning and Bayesian optimization for parameter control in a high-tech manufacturing process (semiconductors). This supports the core idea of using advanced ML for real-time optimization and control in complex processes.

### 2.3 Contre-preuves et limitations connues

- **[minor] A Digital Twin Approach for Soil Moisture Measurement with Physically Based Rendering Simulations and Machine Learning**
  - The paper applies a digital twin to a slow, agricultural process (soil moisture monitoring) with very different physics and timescales compared to the rapid, extreme conditions of both LREs and TRC. It does not contradict the hypothesis but highlights that many digital twin applications are for simpler, slower processes, potentially questioning the necessity of LRE-level sophistication for TRC.

### 2.4 Evaluation de nouveaute

- **Score**: 0.8/1.0
- **Verdict**: novel

## 3. Predictions falsifiables

| # | Prediction | Borne quantitative | Methode | H0 | Test statistique |
|---|-----------|-------------------|---------|-----|-----------------|
| 1 | If the EnKF-based digital twin is deployed for open-loop state estimation on a pilot TRC line, the RMSE of the estimated mushy zone thickness at the centerline will be ≤15% of the thickness measured via quench-interruption experiments. | RMSE ≤ 15% across the operational range (casting speed 0.5-3.0 m/min, roll gap 1.0-5.0 mm). | Comparison of EnKF-predicted solid fraction field against metallographic analysis of a rapidly quenched and sectioned strip. Thickness defined as distance between 0.2 and 0.8 solid fraction isotherms. | H0: The RMSE of the EnKF-estimated mushy zone thickness is ≥15% relative to the quench measurement. | One-sample t-test against the 15% threshold (one-tailed, alpha=0.05), with n≥5 independent casting trials per major parameter set. |
| 2 | The sensitivity of the EnKF state estimate to a ±30% error in the model's interfacial heat transfer coefficient will be bounded, resulting in a less than ±25% change in the estimated average cooling rate. | Output variation < ±25% for a ±30% input parameter perturbation. | Monte Carlo simulation within the EnKF framework, varying the heat transfer coefficient parameter across the defined range while holding sensor inputs constant from a representative casting trial. | H0: A ±30% perturbation in the heat transfer coefficient causes a ≥±25% change in the EnKF-estimated average cooling rate. | Paired t-test comparing the estimated cooling rate distributions from the nominal and perturbed parameter ensembles (alpha=0.05). |
| 3 | An analysis of variance (ANOVA) on pilot line data will show that the four primary macroscale actuators (casting speed, roll gap, superheat, cooling) explain ≥40% of the observed variance in the final grain size. | R² ≥ 0.40 from a full-factorial designed experiment. | Full-factorial or highly fractionated factorial design of experiments (DoE) across the defined IV ranges, with grain size measured via linear intercept method on SEM/EBSD maps for each produced strip. | H0: The macroscale process parameters explain <40% (R² < 0.40) of the variance in final grain size. | Multi-factor ANOVA, testing the significance of main effects and key interactions (alpha=0.05). |

## 4. Protocole experimental

**Timeline globale**: 8-14 months
**Budget global**: €25k-120k

### 4.1 Phase 1 — In Silico Validation

**Objectif**: To determine if the EnKF algorithm, when coupled to a simplified but representative TRC model, can achieve state estimation errors below 15% under simulated sensor noise and model errors, and to assess sensitivity to key unknown parameters.

**Methodologie**: 1. Develop a 2D axisymmetric or 2.5D reduced-order model of TRC in COMSOL Multiphysics or OpenFOAM, capturing coupled heat transfer, fluid flow (VOF), and solidification (enthalpy-porosity). Use material properties for AZ31. 2. Implement an Ensemble Kalman Filter (EnKF) in Python (using libraries like `pyDA` or `filterpy`) to assimilate synthetic sensor data (roll surface temperature at 3-5 axial positions, roll separating force) generated by the model with added Gaussian noise (5-10% amplitude). 3. Run twin experiments: a 'truth' simulation and an 'estimation' simulation where the EnKF assimilates noisy data into a model with intentional errors (e.g., ±30% error in interfacial heat transfer coefficient, IHTC). 4. Perform Monte Carlo sensitivity analysis: vary EnKF parameters (ensemble size, covariance inflation), IHTC, and sensor noise characteristics. Quantify RMSE of mushy zone thickness and cooling rate against the 'truth' simulation.

- Cout: €0-2,000 (primarily software licenses if not available; OpenFOAM is open-source)
- Duree: 4-8 weeks
- Equipement: High-performance workstation (32+ GB RAM, multi-core CPU)
- Logiciels: COMSOL Multiphysics with CFD & Heat Transfer modules (or OpenFOAM), Python 3.x with NumPy, SciPy, Matplotlib, pandas, pyDA/filterpy, Git for version control

**Criteres de succes :**

- RMSE of estimated mushy zone thickness: ≤ 15% (relative to simulated 'truth') for ≥80% of the tested operational points (casting speed, roll gap).
- Sensitivity to IHTC error: A ±30% perturbation in the model's IHTC causes a < ±25% change in the EnKF-estimated average cooling rate.
- Filter stability: EnKF does not diverge (error remains bounded) over a simulated casting duration of 60 seconds for all tested tuning parameters within a reasonable range.

- **GO**: Success Criteria 1 AND 2 are met, demonstrating the core estimation concept is viable in silico and robust to a key model error.
- **NO-GO**: Success Criterion 1 is not met (RMSE >15%) even under ideal simulated conditions (low noise, perfect model), indicating a fundamental flaw in the EnKF application or model observability.
- **PIVOT**: Success Criterion 1 is met but Criterion 2 is not (high sensitivity to IHTC). Pivot to Phase 2 focusing on experimental IHTC characterization or to an EnKF variant more robust to parametric errors (e.g., dual estimation).

### 4.2 Phase 2 — Minimal Experimental Validation

**Objectif**: To validate the EnKF's core estimation mechanism using a single, well-instrumented pilot-scale TRC experiment with a quench-interruption, providing one direct comparison between estimated and measured internal state.

**Methodologie**: 1. Select one 'nominal' operating condition within the stable window (e.g., 1.5 m/min, 2.5 mm gap, 30K superheat). 2. Instrument a pilot TRC line with key sensors: infrared pyrometers or embedded thermocouples for roll surface temperature (≥3 locations), load cells for roll separating force. Data acquisition at ≥10 Hz. 3. Conduct a casting run under nominal conditions. Simultaneously, run the EnKF digital twin (developed in Phase 1, now with a refined model) in real-time or post-process, assimilating the live sensor data. 4. At a predetermined steady-state moment, execute an emergency quench interruption (e.g., rapid roll separation and water jet immersion) to freeze the solidification structure in situ. 5. Section the quenched strip along the centerline. Perform metallographic preparation (mounting, polishing, etching). Measure the mushy zone thickness (distance between 0.2 and 0.8 solid fraction boundaries) via quantitative image analysis of the microstructure (e.g., using ImageJ with grain boundary contrast). 6. Compare this single, ground-truth measurement to the EnKF's estimated mushy zone thickness profile at the exact time of quench.

- Cout: €8,000-15,000 (primarily for pilot line time, consumables (alloy), sensor rental/use, and metallography)
- Duree: 6-12 weeks
- Equipement: Pilot-scale Twin-Roll Caster (e.g., laboratory unit), Data Acquisition System (NI cDAQ or similar, ≥10 Hz), Infrared Pyrometers (2-3) or embedded roll thermocouples, Load Cells on roll bearings, Quench system (fast-acting valves, water jets), Metallography lab (cutting, mounting, polishing, etching stations), Optical microscope with digital camera
- Logiciels: Real-time capable EnKF code from Phase 1 (Python/C++), Data acquisition software (LabVIEW, Python DAQmx), Image analysis software (ImageJ, Olympus Stream)

**Criteres de succes :**

- Single-point RMSE: The absolute difference between the EnKF-estimated and the measured mushy zone thickness at the quench moment is ≤15% of the measured value.
- Sensor-to-estimate correlation: The EnKF-estimated roll separating force shows a correlation coefficient R > 0.8 with the measured force during steady-state casting prior to quench.

- **GO**: Success Criterion 1 is met (≤15% error on the quench experiment), providing the first physical evidence supporting the hypothesis.
- **NO-GO**: The error exceeds 30%, indicating a major discrepancy between the model+EnKF and reality that cannot be explained by measurement uncertainty alone.
- **PIVOT**: Error is between 15% and 30%. Pivot to a detailed failure analysis: re-examine model assumptions (e.g., constitutive laws), IHTC calibration from the quench data, or sensor placement/fidelity before considering Phase 3.

### 4.3 Phase 3 — Full Experimental Protocol

**Objectif**: To rigorously validate the hypothesis across the operational window, establish statistical significance, and quantify the explained variance in final grain size.

**Methodologie**: 1. Design of Experiments (DoE): Implement a full or fractional factorial design across the 4 independent variables (casting speed, roll gap, superheat, cooling), with 3-5 center points for a total of ~20-30 casting trials. 2. For each trial: run the EnKF digital twin in real-time for state estimation and record all data. Produce a strip long enough for microstructural characterization (~2-3 meters). 3. Post-process: For each strip, cut samples for metallography. Measure final average grain size using Electron Backscatter Diffraction (EBSD) or automated optical microscopy (linear intercept method, n≥500 grains per sample). 4. Validation: For a subset of trials (e.g., 5-8 spanning the operational space), perform rapid quench interruptions to obtain direct mushy zone thickness measurements for RMSE calculation as in Phase 2. 5. Data Analysis: a) Perform one-sample t-tests to evaluate if the RMSE across quench trials is ≤15%. b) Perform multi-factor ANOVA on the full dataset to determine the proportion of grain size variance (R²) explained by the four macroscale parameters and their interactions. c) Correlate the EnKF-estimated solidification conditions (cooling rate, G*R) with the measured grain size using regression analysis.

- Cout: €40,000-100,000+ (major costs: extensive pilot line time, alloy material for ~30 trials, EBSD analysis time, labor)
- Duree: 6-12 months
- Equipement: Pilot-scale Twin-Roll Caster with full actuator control, Comprehensive sensor suite (as Phase 2, plus possibly more), Quench system for subset of trials, Metallography lab, Scanning Electron Microscope with EBSD capability (or high-end automated optical microscope)
- Logiciels: Robust, real-time EnKF digital twin, Statistical analysis software (JMP, Minitab, or Python statsmodels), EBSD data analysis software (Oxford Instruments AZtec, EDAX OIM)

**Criteres de succes :**

- Prediction 1: RMSE of mushy zone thickness: One-sample t-test confirms RMSE ≤ 15% across validation trials (p < 0.05, one-tailed).
- Prediction 2: Sensitivity to IHTC error: Paired t-test confirms that a ±30% IHTC perturbation causes a < ±25% change in estimated cooling rate (p < 0.05).
- Prediction 3: Explained variance in grain size: ANOVA shows R² ≥ 0.40 for the model containing the four macroscale parameters (p < 0.05 for the overall model).

- **GO**: All three success criteria are met, providing strong, statistically significant evidence supporting the published hypothesis.
- **NO-GO**: Prediction 1 (the core RMSE claim) is statistically rejected (RMSE >15%, p > 0.05), invalidating the main premise of the work.
- **PIVOT**: Predictions 1 and 2 are met, but Prediction 3 is not (R² < 0.40). Pivot the narrative to focus on state estimation accuracy, acknowledging that stochastic effects dominate final grain size, and explore using the EnKF estimates for other purposes (defect prediction).

### 4.4 Quick start : comment demarrer aujourd'hui

- **Peut demarrer maintenant**: Oui
- **Premiere action**: Set up a Python virtual environment and install core libraries: `numpy`, `scipy`, `matplotlib`, `pandas`, and the Ensemble Kalman Filter library `pyda` (or `filterpy`). Download the OpenFOAM case tutorial 'solidificationMeltingFoam' or access COMSOL's 'Phase Change' tutorial model.
- **Outils**: Computer with internet, Python 3.9+, Git client, Text editor/IDE (VS Code, PyCharm)
- **Donnees ouvertes**: OpenFOAM Foundation (openfoam.org) for solver basics, NIST Magnesium Alloy Database for AZ31 properties, GitHub repositories for EnKF examples (e.g., 'pyda' or 'OpenDA')

## 5. Analyse d'impact

### 5.1 Impact scientifique

Novelty score: 0.8/1.0 (novel)

### 5.2 Applications industrielles et marche

**Score industriel**: 6.5/10

**Forces :**
- Adresse un besoin critique de l'industrie des métaux légers (Al, Mg) pour le contrôle en ligne de la microstructure, avec un marché adressable immédiat chez les producteurs de bandes laminées à chaud comme Novelis, Constellium, Hydro, et les équipementiers de fonderie (Danieli, SMS group).
- Avantage compétitif potentiellement disruptif : passer d'un contrôle rétrospectif (post-mortem métallographique) à un contrôle prédictif et en temps réel de la solidification, permettant un réglage dynamique pour des propriétés mécaniques cibles et une réduction des rebuts.

**Faiblesses :**
- Barrière majeure au déploiement : l'intégration sur lignes industrielles existantes nécessite des capteurs in-situ robustes (thermographie, ultrasons) dans un environnement hostile (haute température, contraintes mécaniques), et une infrastructure informatique temps-réel non triviale.
- Le modèle économique est flou : vente de licence logicielle (CAPEX lourd) vs service d'optimisation (subscription) ? La valeur perçue par l'opérateur doit surpasser le coût et la complexité de mise en œuvre.

**Recommandation**: Lancer la Phase 1 (budget minimal) pour valider le principe en silico et affiner la proposition de valeur. En parallèle, initier des discussions exploratoires non-disclosing avec un partenaire industriel pilote (ex : institut de recherche appliquée comme l'Institut de Recherche Technologique Jules Verne ou un métallurgiste avancé) pour co-définir les spécifications des capteurs et le cas d'usage prioritaire, condition sine qua non pour un passage aux phases 2 et 3.

### 5.3 Opportunites de financement

| Programme | Agence | Fit | Budget type | Taux succes |
|-----------|--------|-----|-------------|-------------|
| ERC Proof of Concept Grant | European Research Council | 0.7 | €150,000 | ~35-40% |
| M-ERA.NET 3 Call 2024 (Thème 1 : Modeling for manufacturing) | M-ERA.NET (Réseau d'agences nationales et européennes) | 0.85 | €300k - €800k par partenaire (projet total ~€1-2M) | ~15-20% |
| Horizon Europe - Cluster 4 'Digital, Industry and Space' - Destination 7 : Innovative Digital Technologies for Manufacturing (DIGITAL-2024-CLOUD-AI-07) | European Commission | 0.9 | €3M - €5M par projet | ~5-10% |

- **ERC Proof of Concept Grant** (European Research Council): Ce programme est idéal si le PI détient déjà un ERC (Starting/Consolidator/Advanced) sur des sujets liés (data assimilation, modélisation multi-physique). Il permet de financer l'exploration du potentiel d'innovation et de transfert de la recherche fondamentale, correspondant parfaitement au budget et à la timeline des Phases 1 et 2. Il valide la faisabilité avant un projet plus large.
- **M-ERA.NET 3 Call 2024 (Thème 1 : Modeling for manufacturing)** (M-ERA.NET (Réseau d'agences nationales et européennes)): Appel transnational parfaitement aligné sur le développement de modèles numériques pour les procédés de fabrication. L'hypothèse sur le jumeau numérique avec assimilation de données pour le coulage est un cas d'école. Nécessite un consortium d'au moins 3 entités issues de 3 pays participants. L'ANR est partenaire pour les équipes françaises.
- **Horizon Europe - Cluster 4 'Digital, Industry and Space' - Destination 7 : Innovative Digital Technologies for Manufacturing (DIGITAL-2024-CLOUD-AI-07)** (European Commission): Le topic spécifique 'AI-powered modelling and prediction for manufacturing processes' vise exactement ce type d'innovation : utiliser l'IA/le data assimilation pour créer des jumeaux numériques prédictifs et réduire l'écart modèle-réalité. Le projet doit démontrer un impact industriel significatif, nécessitant un consortium fort incluant un équipementier métallurgique (ex: Primetals, Danieli) et un producteur d'aluminium (ex: Constellium, Hydro).

**Recommandation financement**: Cibler d'abord un financement de type 'Proof of Concept' ou 'Seed' pour exécuter la Phase 1 et affiner l'hypothèse. En parallèle, structurer un consortium académique-industriel pour viser un appel collaboratif de l'EU sur la digitalisation des procédés industriels, en présentant les résultats préliminaires comme un atout majeur.

## 6. Panel Review Summary

| Reviewer | Score | Verdict | Point cle |
|----------|-------|---------|-----------|
| methodologist | 8.2/10 | accept | Le protocole en trois phases (in silico, validation minimale, validation complète) est un modèle de rigueur progressive. Il permet de détecter des défaillances conceptuelles à faible coût avant d'engager des ressources expérimentales importantes, respectant le principe de parcimonie. |
| domain_expert | 7.8/10 | accept | L'hypothèse est théoriquement cohérente et bien structurée. La chaîne causale allant de l'assimilation de données à la prédiction de la microstructure suit une progression logique, fondée sur la physique, qui s'accorde avec la théorie de la solidification (G*R → nucléation/croissance → structure de grains). |
| contrarian | 4.5/10 | weak_reject | L'hypothèse identifie correctement le filtre de Kalman d'ensemble (EnKF) comme un outil théoriquement adapté à l'estimation d'état non linéaire et transitoire, et son succès antérieur dans des environnements aérospatiaux contrôlés constitue un point de départ plausible. |
| industrialist | 6.5/10 | weak_accept | Adresse un besoin critique de l'industrie des métaux légers (Al, Mg) pour le contrôle en ligne de la microstructure, avec un marché adressable immédiat chez les producteurs de bandes laminées à chaud comme Novelis, Constellium, Hydro, et les équipementiers de fonderie (Danieli, SMS group). |
| funding_strategist | 6.5/10 | weak_accept | Hypothèse très bien formulée avec un protocole de validation incrémentale clair et réaliste, montrant une compréhension fine des étapes de maturation technologique (TRL). |

**Consensus score**: 6.7/10
**Verdict final**: publish_brief

### 6.1 Consensus

- Le protocole en trois phases est reconnu comme une structure méthodologique rigoureuse et progressive, représentant un modèle de validation incrémentale.
- L'hypothèse est jugée théoriquement cohérente et présente une approche de transfert de technologie (aérospatial vers la métallurgie) originale et prometteuse.
- La nécessité d'un renforcement quantitatif du protocole, notamment sur la puissance statistique de la Phase 3 et la robustesse des mesures expérimentales, est un point d'accord unanime.
- L'importance cruciale de s'associer à un partenaire industriel disposant d'une ligne pilote pour les phases de validation expérimentale est soulignée par plusieurs experts.

### 6.2 Points de desaccord

- La faisabilité fondamentale de l'hypothèse est contestée. Le Contrarian et le Domain Expert doutent fortement de la capacité du modèle multi-physique à atteindre une fidélité suffisante et de l'observabilité de l'état interne avec les capteurs proposés, tandis que le Méthodologiste et les autres acceptent le principe sous réserve d'améliorations techniques.
- L'évaluation du risque diffère radicalement : le Contrarian identifie des « raisons d'échec » potentiellement fatales (erreur structurelle du modèle, observabilité), alors que les autres reviewers considèrent ces défis comme des obstacles techniques à surmonter dans le cadre d'une approche par phases.
- L'ambition du critère de validation (RMSE ≤15%) est perçue soit comme un objectif ambitieux mais réalisable avec un protocole robuste (Domain Expert, Méthodologiste), soit comme arbitraire et probablement inaccessible compte tenu des incertitudes cumulées (Contrarian).

### 6.3 Critical path

La démonstration préalable, en Phase 1, que le modèle numérique standalone peut prédire le profil de la zone pâteuse avec une erreur raisonnable (<25% RMSE) face à des données de quench, couplée à une analyse rigoureuse de l'observabilité du système avec la suite de capteurs proposée. Sans cette validation fondatrice, l'intégration de l'EnKF risque d'être un « solutionnisme technologique » appliqué à un problème mal contraint.

**Recommandation finale**: Le panel recommande la publication du brief, reconnaissant le mérite intellectuel et le potentiel de l'hypothèse, mais avec des réserves substantielles. La poursuite du projet est conditionnée à l'exécution stricte de la Phase 1, qui doit servir de test décisif des prémisses fondamentales (fidélité du modèle et observabilité). Les phases ultérieures devront intégrer les exigences de robustesse méthodologique (calcul de puissance, protocole de mesure standardisé) et s'appuyer sur un consortium incluant un partenaire industriel pilote. L'accent doit rester sur la validation incrémentale et la quantification des incertitudes à chaque étape.

## 7. Gap Manifest residuel

### 7.1 Data gaps

- Methodological Transfer Gap: None of the provided papers explicitly demonstrate the transfer of control frameworks or ML methods specifically developed for liquid rocket engines (e.g., from DLR) to any materials processing domain. The hypothesis of a direct methodological transfer from aerospace propulsion remains unsupported by the evidence.
- Microstructure Control Gap: While several papers (1eb0b7c..., 4047d524..., c760f2c7...) discuss digital twins for process control, none explicitly demonstrate the active, in-situ control of final microstructure features (e.g., texture, grain size distribution) as the primary control objective. The link from process parameters to microstructure as a controlled variable is not evidenced.

### 7.2 Competence gaps

- Phase 1: Computational Fluid Dynamics (CFD)
- Phase 1: Data Assimilation / Kalman Filtering
- Phase 1: Scientific Programming (Python)
- Phase 1: Solidification Modeling
- Phase 2: Pilot Plant Operation & Safety
- Phase 2: Sensor Integration & Data Acquisition
- Phase 2: Metallography & Microscopy
- Phase 2: Real-time Software Integration
- Phase 3: Design of Experiments (DoE) & Statistical Analysis
- Phase 3: Advanced Metallography (sample preparation for EBSD)
- Phase 3: EBSD Operation & Data Interpretation
- Phase 3: Project Management for multi-month experimental campaigns

### 7.3 Epistemic gaps

- The exact bandwidth and phase lag of the primary TRC actuators (roll gap servo, cooling valve) under dynamic operating conditions.
- The proportion of final grain size variance attributable to macroscale process parameters versus stochastic nucleation events.
- The optimal covariance inflation parameters for the EnKF to maintain filter stability against unmodeled TRC dynamics.

## References

[1] S. Kwiecień, M. Weiner, et al. (2024). *Correlation of digital twin and roll surface sensor results for AZ31 alloy TRC process*. DOI: [10.1007/s10853-024-09733-y](https://doi.org/10.1007/s10853-024-09733-y)
[2] Jian Yang, Zhenping Ji, et al. (2023). *Digital-Twin-Based Coordinated Optimal Control for Steel Continuous Casting Process*. DOI: [10.3390/met13040816](https://doi.org/10.3390/met13040816)
[3] V. Karkaria, Anthony Goeckner, et al. (2024). *Towards a Digital Twin Framework in Additive Manufacturing: Machine Learning and Bayesian Optimization for Time Series Process Optimization*. DOI: [10.48550/arXiv.2402.17718](https://doi.org/10.48550/arXiv.2402.17718)
[4] Paromita Nath, S. Mahadevan (2022). *Probabilistic Digital Twin for Additive Manufacturing Process Design and Control*. DOI: [10.1115/1.4054521](https://doi.org/10.1115/1.4054521)
[5] Chin-Yi Lin, T. Tseng, et al. (2025). *A Digital Twin Framework With Bayesian Optimization and Deep Learning for Semiconductor Process Control*. DOI: [10.1109/ACCESS.2025.3551332](https://doi.org/10.1109/ACCESS.2025.3551332)
[6] Ismail Parewai, Mario Köppen (?). *A Digital Twin Approach for Soil Moisture Measurement with Physically Based Rendering Simulations and Machine Learning*. DOI: [10.3390/electronics14020395](https://doi.org/10.3390/electronics14020395)

## Annexes

### A. Detailed Reviewer Reports

#### Methodologist

- **Score**: 8.2/10 | **Verdict**: accept | **Confidence**: 0.9
- **Strengths**: Le protocole en trois phases (in silico, validation minimale, validation complète) est un modèle de rigueur progressive. Il permet de détecter des défaillances conceptuelles à faible coût avant d'engager des ressources expérimentales importantes, respectant le principe de parcimonie.; L'identification et la quantification a priori des critères de succès (GO/NO-GO/PIVOT) pour chaque phase sont exceptionnellement claires. Cela structure la démarche, limite les biais de confirmation en définissant des points d'arrêt objectifs, et améliore la reproductibilité.; La stratégie pour aborder la validité interne est solide : utilisation d'expériences jumelles (twin experiments) en Phase 1, point de vérité terrain unique en Phase 2 (quench), et plan d'expériences factoriel avec points centraux en Phase 3. Le contrôle par quench-interruption est la méthode de référence appropriée pour la variable dépendante clé.
- **Weaknesses**: La puissance statistique de la Phase 3 n'est pas calculée. L'affirmation '~20-30 essais' pour un plan factoriel à 4 facteurs avec interactions et points centraux est vague. Sans calcul de puissance préalable basé sur une taille d'effet attendue, on risque un test ANOVA sous-puissant (risque de Type II), compromettant la validation de la prédiction 3 (R² ≥ 0.40).; Le risque de biais de mesure pour la variable clé (épaisseur de la zone pâteuse) est sous-estimé. La définition opérationnelle ('distance entre isothermes de fraction solide 0.2 et 0.8') dépend fortement du protocole de préparation métallographique (agent de révélation, contraste) et de l'algorithme de segmentation d'image. Aucun protocole d'étalonnage inter-opérateur ou de cécité de l'analyste n'est mentionné.; La Phase 2 (validation minimale) présente un risque élevé de sur-interprétation due à un N=1. Un seul point de validation, même avec un bon accord, ne permet pas d'extrapoler la performance à toute la fenêtre opératoire. Le critère GO/NO-GO basé sur une seule mesure est trop permissif ; une erreur ≤15% pourrait être due à la chance.
- **Questions**: Pour la Phase 3, quel est le calcul de la taille d'échantillon (nombre d'essais) basé sur : une taille d'effet minimale détectable pour le R², une puissance statistique visée (e.g., 0.8), et un alpha de 0.05 ? Un plan fractionnaire de résolution IV ou V est-il suffisant pour estimer les effets principaux sans confusion avec les interactions d'ordre deux ?; Comment comptez-vous contrôler et quantifier l'incertitude de mesure sur la 'vérité terrain' issue du quench ? Un protocole de mesure en aveugle (l'analyste ignorant la valeur estimée par l'EnKF) et des mesures répétées par plusieurs opérateurs sont-ils prévus pour établir un intervalle de confiance autour de la mesure expérimentale, contre laquelle l'erreur ≤15% sera comparée ?; Le biais de sélection est-il adressé pour les essais de quench dans la Phase 3 ('un sous-ensemble de 5-8 essais') ? La sélection de ce sous-ensemble sera-t-elle aléatoire ou stratifiée pour couvrir l'espace des paramètres ? Un biais systématique (e.g., ne réaliser le quench que sur les essais les plus stables) invaliderait l'inférence statistique sur le RMSE.
- **Recommendation**: Approuvez le protocole avec des modifications obligatoires avant la Phase 3. Exigez : 1) un calcul formel de puissance statistique et un plan d'expériences définitif (e.g., plan de Box-Behnken ou factoriel fractionnaire de résolution V) pour la Phase 3 ; 2) l'ajout d'un protocole de métallographie standardisé avec validation inter-opérateur pour la mesure de l'épaisseur de la zone pâteuse ; 3) la modification du critère de la Phase 2 pour inclure au moins 3 répétitions au point nominal afin d'estimer la variabilité expérimentale. La structure fondamentale est excellente mais nécessite ce renforcement quantitatif.

#### Domain Expert

- **Score**: 7.8/10 | **Verdict**: accept | **Confidence**: 0.82
- **Strengths**: L'hypothèse est théoriquement cohérente et bien structurée. La chaîne causale allant de l'assimilation de données à la prédiction de la microstructure suit une progression logique, fondée sur la physique, qui s'accorde avec la théorie de la solidification (G*R → nucléation/croissance → structure de grains).; Le positionnement est judicieux. Exploiter la robustesse éprouvée du filtre de Kalman d'ensemble dans des systèmes aérospatiaux fortement non linéaires et transitoires (tels que les moteurs-fusées à ergols liquides) pour traiter la « boîte noire » que constitue l'entrefer des cylindres en coulée entre cylindres est un transfert conceptuel convaincant et novateur. La base de preuves identifie correctement la littérature à l'appui, tant directe qu'analogue.; La reconnaissance explicite des « inconnues connues » (dynamique des actionneurs, nucléation stochastique, inflation de covariance) témoigne d'une compréhension approfondie des défis pratiques du passage de la théorie à l'application, ce qui renforce la crédibilité de la proposition.
- **Weaknesses**: Le postulat central concernant la « fidélité suffisante » du modèle multi-physique constitue un obstacle majeur. La capture des effets de premier ordre sur la microstructure dans le TRC exige une modélisation exceptionnellement précise du coefficient de transfert thermique interfacial (IHTC) et de la déformation dans la zone pâteuse, lesquels sont notoirement difficiles à caractériser et hautement dynamiques. La robustesse de l'EnKF face à des « erreurs structurelles modérées » dans ces termes est optimiste et nécessite une démonstration rigoureuse.; Le postulat de validation est un élément critique du cheminement. L'obtention d'un accès expérimental aux variables d'état internes (par exemple, le profil de la zone pâteuse) par trempe rapide pour un procédé à grande vitesse comme le TRC est extrêmement difficile et pourrait ne pas fournir les données spatialement et temporellement denses requises pour une validation robuste du RMSE par rapport aux estimations de champ complet du jumeau numérique.; L'hypothèse suppose implicitement l'observabilité. L'assimilation proposée de la température de surface des cylindres et de la force de séparation pourrait ne pas fournir suffisamment d'informations pour estimer de manière unique les champs thermiques et de solidification internes (par exemple, pour dissocier G et R indépendamment). Il s'agit d'une préoccupation fondamentale de la théorie du contrôle qui n'est pas abordée dans le mécanisme.
- **Questions**: Étant donné que l'incertitude dominante dans les modèles TRC provient de la condition aux limites (IHTC) plutôt que des conditions initiales, comment l'EnKF serait-il spécifiquement configuré (par exemple, l'augmentation d'état pour l'estimation de paramètres) afin d'estimer simultanément à la fois l'état thermique interne *et* ce paramètre critique variant spatialement ?; La cible de RMSE de ≤15 % est relative à quelle mesure expérimentale ? S'il s'agit d'une mesure ponctuelle (par exemple, un thermocouple à un emplacement), elle peut être atteignable. S'il s'agit d'une mesure de champ (par exemple, le profil complet de l'épaisseur de la zone pâteuse), il s'agit d'une cible exceptionnellement ambitieuse compte tenu des difficultés de validation. Pouvez-vous définir la métrique de validation et la méthode de référence avec plus de précision ?; L'article cité de 2024 sur le jumeau numérique TRC se concentre sur la corrélation. Quelles preuves spécifiques ou quels résultats préliminaires suggèrent que l'erreur *dynamique* d'estimation d'état (que l'EnKF minimise) est le facteur limitant pour la prédiction de la microstructure, par opposition à l'erreur *statique* de structure du modèle ?
- **Recommendation**: Il s'agit d'une hypothèse prometteuse et intellectuellement rigoureuse qui mérite d'être étudiée. Je recommande de procéder selon une approche par phases : premièrement, une analyse détaillée de l'observabilité et de l'identifiabilité de la suite de capteurs proposée avec le modèle haute fidélité ; deuxièmement, une étude EnKF « hors ligne » utilisant des données expérimentales de haute qualité issues d'une ligne pilote TRC instrumentée afin de quantifier la réduction réelle de l'erreur d'estimation d'état avant de revendiquer une capacité de prédiction de la microstructure. La nouveauté réside dans le transfert spécifique de techniques d'estimation de qualité aérospatiale, et c'est sur cela que devrait porter l'attention.

#### Contrarian

- **Score**: 4.5/10 | **Verdict**: weak_reject | **Confidence**: 0.85
- **Strengths**: L'hypothèse identifie correctement le filtre de Kalman d'ensemble (EnKF) comme un outil théoriquement adapté à l'estimation d'état non linéaire et transitoire, et son succès antérieur dans des environnements aérospatiaux contrôlés constitue un point de départ plausible.; La méthode de validation proposée (interruption par trempe) pour la prédiction centrale est directe et physiquement fondée, dépassant le cadre d'une validation purement numérique.
- **Weaknesses**: FAIL REASON #1: Le postulat de « fidélité suffisante » pour le modèle multi-physique est probablement entaché d'un vice rédhibitoire. La coulée entre cylindres implique des phénomènes extrêmes et couplés — écoulement turbulent à surface libre avec solidification, contact interfacial dynamique et transfert thermique, et déformation viscoplastique — notoirement difficiles à modéliser même hors ligne. L'erreur du modèle structurel sera probablement si grande et non gaussienne que la capacité de l'EnKF à « gérer » l'erreur de modèle sera submergée, conduisant à une divergence du filtre ou à des estimations d'état physiquement dépourvues de sens.; FAIL REASON #2: Les données de capteurs disponibles pour l'assimilation sont d'une insuffisance critique pour contraindre l'état interne de haute dimension. La température de surface et la force de séparation sont des sorties intégrales à faible bande passante, liées de manière non univoque au front de solidification interne. Il s'agit d'un problème d'observabilité sévère. L'EnKF ne peut pas créer par magie de l'information sur les gradients thermiques internes à partir de ces quelques mesures indirectes et bruitées.; FAIL REASON #3: Le postulat de validation lui-même est instable. La « vérité terrain » issue des expériences d'interruption par trempe n'est pas une mesure directe et synchrone de l'état du procédé. L'événement de trempe lui-même perturbe l'histoire thermique et de solidification. La cible de RMSE ≤15 % est arbitraire et probablement inatteignable compte tenu des incertitudes composées dans le modèle, les capteurs et la méthode de validation.
- **Questions**: Compte tenu de l'incertitude connue de plusieurs ordres de grandeur sur le coefficient de transfert thermique interfacial (IHTC) dans les contacts de laminage/solidification — hautement dynamique et dépendant de la pression — de quelles preuves spécifiques disposez-vous que l'inflation de covariance de l'EnKF peut compenser cela, plutôt que de produire simplement une estimation précise mais inexacte d'un état erroné ?; L'hypothèse postule que la chaîne causale allant des paramètres macroscopiques à la taille de grain est dominante (≥40 % de variance expliquée). Et si la source de bruit dominante était à l'échelle microscopique (par exemple, la distribution des particules d'inoculant, les bi-films d'oxyde) ou provenait de la préparation du bain en amont ? Cela ne rendrait-il pas l'ensemble du jumeau numérique, aussi précis soit-il pour les champs thermiques, non pertinent pour l'objectif de microstructure énoncé ?
- **Recommendation**: Avant de tester l'hypothèse complète, démontrer qu'un modèle CFD-thermodynamique autonome (sans EnKF) à haute fidélité du procédé TRC peut prédire le profil de la zone pâteuse avec un RMSE inférieur à 25 % par rapport aux données de trempe sur plusieurs points de fonctionnement. Ensuite, réaliser une analyse d'observabilité à l'aide de la suite de capteurs proposée pour prouver que l'état thermique interne est théoriquement récupérable. Sans ces résultats fondamentaux, l'intégration de l'EnKF est une solution en quête d'un problème soluble.

#### Industrialist

- **Score**: 6.5/10 | **Verdict**: weak_accept | **Confidence**: 0.75
- **Strengths**: Adresse un besoin critique de l'industrie des métaux légers (Al, Mg) pour le contrôle en ligne de la microstructure, avec un marché adressable immédiat chez les producteurs de bandes laminées à chaud comme Novelis, Constellium, Hydro, et les équipementiers de fonderie (Danieli, SMS group).; Avantage compétitif potentiellement disruptif : passer d'un contrôle rétrospectif (post-mortem métallographique) à un contrôle prédictif et en temps réel de la solidification, permettant un réglage dynamique pour des propriétés mécaniques cibles et une réduction des rebuts.
- **Weaknesses**: Barrière majeure au déploiement : l'intégration sur lignes industrielles existantes nécessite des capteurs in-situ robustes (thermographie, ultrasons) dans un environnement hostile (haute température, contraintes mécaniques), et une infrastructure informatique temps-réel non triviale.; Le modèle économique est flou : vente de licence logicielle (CAPEX lourd) vs service d'optimisation (subscription) ? La valeur perçue par l'opérateur doit surpasser le coût et la complexité de mise en œuvre.
- **Questions**: Quelle est la stratégie de propriété intellectuelle ? Le cœur de valeur est-il dans l'algorithme EnKF (difficile à breveter seul) ou dans le couplage spécifique avec le modèle multi-physique et les données propriétaires de calibration ? Une approche par secret industriel sur les modèles calibrés est-elle plus viable ?; Quel est le ROI concret pour un client ? Peut-on quantifier la réduction de rebuts (%), l'économie d'énergie (via un superheat optimisé), ou le gain de parts de marché sur des alliages à haute valeur ajoutée (ex : alliages d'aluminium pour batterie) pour justifier un investissement >500k€ ?
- **Recommendation**: Lancer la Phase 1 (budget minimal) pour valider le principe en silico et affiner la proposition de valeur. En parallèle, initier des discussions exploratoires non-disclosing avec un partenaire industriel pilote (ex : institut de recherche appliquée comme l'Institut de Recherche Technologique Jules Verne ou un métallurgiste avancé) pour co-définir les spécifications des capteurs et le cas d'usage prioritaire, condition sine qua non pour un passage aux phases 2 et 3.

#### Funding Strategist

- **Score**: 6.5/10 | **Verdict**: weak_accept | **Confidence**: 0.8
- **Strengths**: Hypothèse très bien formulée avec un protocole de validation incrémentale clair et réaliste, montrant une compréhension fine des étapes de maturation technologique (TRL).; Approche de transfert de technologie (aerospace vers manufacturing) originale et potentiellement disruptive pour le contrôle de procédés métallurgiques complexes.
- **Weaknesses**: Le budget et la timeline proposés (€25k-120k, 8-14 mois) sont atypiques et ne correspondent pas aux standards des grands programmes européens, indiquant un TRL initial très bas (TRL 2-3).; Le consortium est actuellement implicite ou mono-partenaire. Les appels ciblés nécessitent un consortium multi-acteurs (industrie, académique, pays multiples) pour être compétitifs.
- **Questions**: Quelle est la stratégie pour constituer un consortium incluant un partenaire industriel propriétaire d'une ligne de TRC pilote ou industrielle, essentiel pour la crédibilité des phases 2 et 3 ?; Comment justifier le saut d'échelle entre la validation sur un modèle simplifié (Phase 1) et l'application sur un procédé physique pilot-scale avec toutes ses incertitudes non modélisées ?
- **Recommendation**: Cibler d'abord un financement de type 'Proof of Concept' ou 'Seed' pour exécuter la Phase 1 et affiner l'hypothèse. En parallèle, structurer un consortium académique-industriel pour viser un appel collaboratif de l'EU sur la digitalisation des procédés industriels, en présentant les résultats préliminaires comme un atout majeur.

### B. Semantic Scholar Search Queries

- [novelty] `digital twin microstructure control casting` — Direct search for the core hypothesis of using a digital twin for active microstructure control in casting processes.
- [novelty] `machine learning twin roll solidification control` — Targets the specific application of ML for control in the twin-roll casting context mentioned in the hypothesis.
- [novelty] `active in-situ microstructure engineering` — Searches for the proposed paradigm shift from passive characterization to active control of microstructure during processing.
- [novelty] `rocket engine control methods materials processing` — Directly queries the cross-application of control frameworks from aerospace to materials science.
- [evidence] `liquid rocket engine digital twin machine learning` — Seeks evidence for the advanced ML and digital twin frameworks developed in LREs, as stated in the mechanisms.
- [evidence] `combustion instability prediction control ML` — Targets specific techniques (combustion instability control) from aerospace that are proposed for transfer.
- [evidence] `twin roll casting microstructure modeling simulation` — Finds foundational research on modeling the complex multi-physics (thermal, fluid, stress) in TRC that needs control.
- [evidence] `rapid solidification process sensor data assimilation` — Looks for evidence of sensor fusion and state estimation in materials processing, a prerequisite for the control loop.
- [cross_domain] `digital twin manufacturing process control` — Broad search for precedents of digital twin applications in manufacturing control outside aerospace.
- [cross_domain] `model predictive control additive manufacturing` — Examines another advanced manufacturing domain (additive) where advanced control paradigms from other fields might have been applied.
- [cross_domain] `multi-physics simulation control transfer learning` — Searches for methodological transfers of control/simulation frameworks between different engineering domains.

---

*Generated by SPORE (Systeme de Production d'Opportunites de Recherche par Exploration) on 2026-04-12*