Le nouveau cadre d’apprentissage automatique améliore la précision, l’efficacité de l’impression en métal 3D
Des chercheurs de l’Université de Toronto Engineering, dirigés par le professeur Yu Zou, tirent parti de l’apprentissage automatique pour améliorer la fabrication additive, également connue sous le nom d’impression 3D.
Dans un nouvel article publié dans le Journal of Fabrication additivel’équipe introduit un nouveau cadre qu’ils ont surnommé le cadre d’optimisation de processus inverse précis dans le dépôt d’énergie dirigé par le laser (aidé).
Le nouveau cadre aidé optimise l’impression laser 3D pour améliorer la précision et la robustesse du produit fini. Cette progression vise à produire des pièces métalliques de meilleure qualité pour les industries, telles que l’aérospatiale, l’automobile, les soins nucléaires et la santé, en prédisant comment le métal fonde et se solidifiera pour trouver des conditions d’impression optimales.
« L’adoption plus large du dépôt d’énergie dirigé – une technologie d’impression 3D majeure 3D – est actuellement entravée par le coût élevé de la recherche de paramètres de processus optimaux par essais et erreurs », explique Xiao Shang, Ph.D. candidat et premier auteur de la nouvelle étude.
« Notre cadre identifie rapidement les paramètres de processus optimaux pour diverses applications en fonction des besoins de l’industrie. »
La fabrication des additifs métalliques utilise un laser à haute puissance pour fusionner sélectivement de la poudre métallique fine, la couche de pièces de construction par couche à partir d’un modèle numérique 3D précis.
Contrairement aux méthodes traditionnelles, qui impliquent des matériaux de coupe, de coulée ou d’usinage, la fabrication additive métallique crée directement des composants complexes et hautement personnalisés avec un minimum de déchets de matériaux.
« Un défi majeur de l’impression en métal 3D est la vitesse et la précision du processus de fabrication », explique Zou. «Les variations dans les conditions d’impression peuvent entraîner des incohérences dans la qualité du produit final, ce qui rend difficile de respecter les normes de l’industrie pour la fiabilité et la sécurité.
« Un autre défi majeur consiste à déterminer les paramètres optimaux pour imprimer différents matériaux et pièces. Chaque matériau – qu’il s’agisse de titane pour les applications aérospatiales et médicales ou en acier inoxydable pour les réacteurs nucléaires – a des propriétés uniques qui nécessitent une puissance laser spécifique, une vitesse de balayage et des conditions de température. La recherche de la bonne combinaison de ces paramètres à travers une vaste plage de paramètres de processus est une tâche complexe et temporelle. »
Ces défis ont inspiré Zou et son groupe de laboratoire à développer leur nouveau cadre. AIDED fonctionne dans un système en boucle fermée où un algorithme génétique – une méthode qui imite la sélection naturelle pour trouver des solutions optimales – suggère d’abord les combinaisons de paramètres de processus, que les modèles d’apprentissage automatique évaluent ensuite la qualité de l’impression.
L’algorithme génétique vérifie ces prédictions d’optimalité, répétant le processus jusqu’à ce que les meilleurs paramètres soient trouvés.
« Nous avons démontré que notre cadre peut identifier les paramètres de processus optimaux à partir d’objectifs personnalisables en aussi peu qu’une heure, et il prédit avec précision les géométries à partir des paramètres de processus », explique Shang. « Il est également polyvalent et peut être utilisé avec divers matériaux. »
Pour développer le cadre, les chercheurs ont mené de nombreuses expériences pour collecter leurs vastes ensembles de données. Ce défi essentiel mais long a assuré que les ensembles de données couvraient un large éventail de paramètres de processus.
Pour l’avenir, l’équipe s’efforce de développer un système de fabrication additif autonome ou autonome amélioré qui fonctionne avec une intervention humaine minimale, similaire à la façon dont les véhicules autonomes se conduisent, explique Zou.
« En combinant des méthodes de fabrication additive de pointe avec l’intelligence artificielle, nous visons à créer un nouveau système laser autonome contrôlé en boucle fermée », dit-il.
« Ce système sera capable de détecter les défauts potentiels en temps réel, de prédire les problèmes avant qu’ils ne se produisent, et d’ajuster automatiquement les paramètres de traitement pour assurer une production de haute qualité. Il sera suffisamment polyvalent pour fonctionner avec différents matériaux et des géométries en partie, ce qui change la donne pour les industries manufacturières. »
En attendant, les chercheurs espèrent que l’aide transformera l’optimisation des processus dans les industries qui utilisent l’impression 3D métal.
« Des industries telles que l’aérospatiale, biomédicale, automobile, nucléaire et plus seraient accueillis une solution aussi peu coûteuse mais précise pour faciliter leur transition de la fabrication traditionnelle à l’impression 3D », explique Shang.
« D’ici 2030, la fabrication additive devrait remodeler la fabrication dans plusieurs industries de haute précision », ajoute Zou. « La capacité de corriger les défauts et d’optimiser de manière adaptative et d’optimiser les paramètres accélérera son adoption. »
