Les ensembles de données d'impression 3D gratuits permettent l'analyse et la confiance dans les pièces imprimées
Le laboratoire national d'Oak Ridge du ministère de l'Énergie a rendu public un nouvel ensemble de données sur la fabrication additive que l'industrie et les chercheurs peuvent utiliser pour évaluer et améliorer la qualité des composants imprimés en 3D. L'étendue des ensembles de données peut considérablement renforcer les efforts visant à vérifier la qualité des pièces fabriquées de manière additive en utilisant uniquement les informations recueillies lors de l'impression, sans nécessiter d'analyse post-production coûteuse et chronophage.
Depuis plus de dix ans, les données sont collectées de manière routinière au Manufacturing Demonstration Facility (MDF) du DOE à l'ORNL, où les premières recherches sur la fabrication avancée, associées à une analyse complète des composants obtenus, ont permis de recueillir une mine d'informations sur les performances des imprimantes 3D. Des années d'expérience dans la repousse des limites de l'impression 3D avec de nouveaux matériaux, machines et commandes ont donné à l'ORNL la capacité unique de développer et de partager des ensembles de données complets. Le tout dernier ensemble de données est désormais disponible gratuitement via une plateforme en ligne.
L'industrie manufacturière traditionnelle bénéficie de siècles d'expérience en matière de contrôle qualité. Cependant, la fabrication additive est une approche plus récente et non traditionnelle qui repose généralement sur des techniques d'évaluation coûteuses pour contrôler la qualité des pièces. Ces techniques peuvent inclure des tests mécaniques destructifs ou une tomodensitométrie à rayons X non destructive, qui crée des images transversales détaillées des objets sans les endommager.
Bien qu'instructives, ces techniques ont leurs limites : elles sont par exemple difficiles à mettre en œuvre sur des pièces de grandes dimensions. Les ensembles de données d'impression 3D complets d'ORNL peuvent être utilisés pour former des modèles d'apprentissage automatique afin d'améliorer l'évaluation de la qualité de tout type de composant.
« Nous fournissons des ensembles de données fiables que l'industrie peut utiliser pour la certification des produits », a déclaré Vincent Paquit, responsable de la section Fabrication sécurisée et numérique de l'ORNL. « Il s'agit d'une plateforme de gestion de données structurée pour raconter l'histoire complète d'un composant fabriqué de manière additive. L'objectif est d'utiliser des mesures en cours de processus pour prédire les performances de la pièce imprimée. »
L'ensemble de données de 230 gigaoctets couvre la conception, l'impression et les tests de cinq ensembles de pièces de formes géométriques différentes, tous fabriqués à l'aide d'un système d'impression laser sur lit de poudre. Les chercheurs peuvent accéder aux données des capteurs d'état de la machine, aux trajectoires de numérisation laser, à 30 000 images du lit de poudre et à 6 300 tests de résistance à la traction du matériau.
Il s'agit du quatrième et du plus vaste ensemble de données de fabrication additive que l'ORNL met à disposition du public. Les ensembles de données précédents se sont concentrés sur la construction de pièces fabriquées avec un lit de poudre à faisceau d'électrons et une impression par jet de liant au MDF. Les ensembles de données peuvent être consultés pour obtenir des informations spécifiques nécessaires à la compréhension des mécanismes de défaillance rares, au développement de logiciels d'analyse en ligne ou à la modélisation des propriétés des matériaux.
Le MDF, soutenu par le Bureau des matériaux avancés et des technologies de fabrication du DOE, est un consortium national de collaborateurs travaillant avec ORNL pour innover, inspirer et catalyser la transformation de la fabrication américaine.
Les chercheurs de l'ORNL ont montré comment appliquer les ensembles de données en formant un algorithme d'apprentissage automatique à l'aide de mesures prises pendant le processus d'impression 3D. Associé à des méthodes de calcul haute performance, l'algorithme formé peut prédire de manière fiable si un test mécanique sera réussi. Il a également fait 61 % d'erreurs en moins dans la prédiction de la résistance à la traction ultime d'une pièce.
La corrélation des mesures en cours de processus avec le produit final est essentielle pour garantir le moment où un test supplémentaire de la pièce est nécessaire et celui où il ne l'est pas.
« Il s’agit d’un élément clé de la fabrication additive à l’échelle industrielle, car ils ne peuvent pas se permettre de caractériser chaque pièce », a déclaré Paquit. « L’utilisation de ces données peut les aider à saisir le lien entre l’intention, la fabrication et les résultats. »
