L’IA accélère la conception des processus pour les alliages métalliques d’impression 3D

Afin de réussir l’impression 3D d’une pièce métallique selon les spécifications exactes exigées par de nombreux acteurs de l’industrie, les paramètres du processus, notamment la vitesse d’impression, la puissance du laser et l’épaisseur de la couche du matériau déposé, doivent tous être optimisés.

Mais pour développer des cartes de processus de fabrication additive garantissant ces résultats optimaux, les chercheurs ont dû s’appuyer sur des méthodes conventionnelles : des expériences en laboratoire qui utilisent la caractérisation des matériaux ex situ pour tester les pièces imprimées en utilisant divers paramètres. Tester autant de combinaisons de paramètres afin de développer le processus optimal peut être à la fois long et coûteux, surtout compte tenu de la large gamme de métaux et d’alliages pouvant être utilisés dans la fabrication additive.

David Guirguis, Jack Beuth et Conrad Tucker de l’ingénierie mécanique de l’Université Carnegie Mellon ont développé un système utilisant des transformateurs d’imagerie et de vision in situ à ultra haute vitesse qui peuvent non seulement optimiser ces paramètres de processus, mais qui sont également généralisables afin de pouvoir être appliqués. à divers alliages métalliques.

Leurs travaux sont publiés dans la revue Communications naturelles.

Les transformateurs de vision sont une forme d’apprentissage automatique qui applique des architectures de réseaux neuronaux initialement développées pour les tâches de traitement du langage naturel aux tâches de vision par ordinateur telles que la classification d’images. Les transformateurs de vision vidéo vont encore plus loin en utilisant des séquences vidéo au lieu d’images fixes pour capturer à la fois les relations spatiales et temporelles qui permettent au modèle d’apprendre des modèles et des dépendances complexes dans les données vidéo.

Le mécanisme d’auto-attention, qui permet aux modèles de traitement du langage naturel de peser l’importance de différents mots dans une séquence, permet au modèle créé par Guirguis de peser l’importance de différentes parties de la séquence d’entrée pour faire des prédictions sur l’apparition de défauts.

« Nous devions automatiser le processus, mais cela ne peut pas se faire avec la seule programmation informatique », a expliqué Guirguis, associé postdoctoral en génie mécanique. « Afin de capturer les modèles, nous devons appliquer l’apprentissage automatique. »

« Nous sommes ravis d’avoir développé une méthode d’IA qui exploite les caractéristiques temporelles des données d’imagerie AM pour détecter différents types de défauts. Démontrer la généralisabilité de la méthode d’IA en utilisant différents métaux de FA est révolutionnaire et révèle que le même modèle d’IA entraîné peut être utilisé sans une reconversion coûteuse utilisant des données supplémentaires », a fait remarquer Tucker, professeur de génie mécanique.

Guirguis se dit chanceux d’avoir reçu une formation aussi solide en apprentissage automatique chez Carnegie Mellon, car il est plus important que jamais que les ingénieurs en mécanique sachent appliquer des solutions expérimentales et informatiques aux problèmes qu’ils résolvent.

Dans ce cas, Guirguis tentait de surmonter la principale limitation de l’imagerie in situ du processus de fabrication additive par fusion laser sur lit de poudre (LPBF). La technologie utilise un laser haute puissance comme source d’énergie pour faire fondre et fusionner les poudres à des endroits spécifiques afin de former certaines formes, un recouvreur étale ensuite une nouvelle couche de poudre et le processus se répète jusqu’à ce que des objets 3D soient formés.

Mais le métal en fusion vu par une caméra pendant le processus d’impression est saturé, il n’est donc pas possible de voir ses caractéristiques physiques, ce qui permet d’identifier d’éventuels défauts susceptibles de détériorer les propriétés mécaniques et de réduire la durée de vie en fatigue de la pièce imprimée.

Guirguis a développé une configuration d’imagerie à grande vitesse pour capturer des caractéristiques claires du bain en fusion et un modèle d’apprentissage automatique capable de voir les modèles associés aux défauts qu’ils essayaient de détecter et de prévenir.

Il a incorporé les caractéristiques temporelles du métal en fusion au fur et à mesure de son évolution au fil du temps en utilisant des transformateurs d’imagerie et de vision vidéo à grande vitesse.

En utilisant les transformateurs de vision pour classer les différents types de défauts pouvant survenir lors du processus d’impression 3D, Guirguis a amélioré la précision algorithmique à plus de 90 % en fonction du matériau.

« Dans le traitement par fabrication additive d’un nouvel alliage, le premier objectif est de trouver une » fenêtre « de variables de processus produisant des pièces sans défauts », a expliqué Beuth, professeur de génie mécanique. « L’utilisation par Dave de transformateurs de vision pour relier la variabilité des images de bassin de fusion à grande vitesse à la formation de défauts peut réduire considérablement le temps nécessaire pour trouver cette fenêtre. C’est un énorme pas en avant. »

Les chercheurs ont développé une configuration d’imagerie hors axe utilisant une caméra vidéo haute vitesse et un objectif grossissant pour capturer l’oscillation haute fréquence en forme de bassin de fusion avec une vidéo enregistrée avec une résolution temporelle extrêmement élevée de plus de 50 000 images par seconde. Les vidéos ont ensuite été classées en quatre catégories : un régime souhaitable et des régimes d’impression des trois différents types de défauts (trou de serrure, balling et manque de fusion).

Les défauts de trou de serrure, caractérisés par une pénétration instable, profonde et étroite, peuvent conduire à des pores fermés à l’intérieur des pièces imprimées et entraîner des fissures susceptibles de dégrader la résistance à la fatigue des pièces. Le régime du trou de serrure est généralement caractérisé par des fluctuations de la largeur et de la profondeur du trou de serrure.

En cas de défauts de bille, appelés bosses en soudage, les pistes fondues présentent une surface rugueuse avec une forme de section transversale de bille périodique et sont associées à des contre-dépouilles aux coins. En régime de mise en boule, le bain de fusion s’allonge et se déconnecte, laissant derrière lui des pics dans la piste.

Les défauts de fusion, où la densité d’énergie n’est pas suffisante pour faire fondre complètement la poudre, provoquent une poudre non fondue et des espaces irréguliers entre les pistes fondues. Les pools de fusion capturés dans le régime d’absence de fusion sont très petits avec un faible rapport longueur/largeur, car la densité d’énergie est très faible et le faisceau laser ne pénètre pas profondément dans le matériau.

Pour explorer la généralisabilité de la méthode, ils ont mené des expériences sur une seule perle avec différentes combinaisons PV, couvrant les quatre régimes d’impression sur l’acier inoxydable SS316L, l’alliage de titane Ti-6AL-4V et l’alliage Inconel IN718. Ils ont effectué une évaluation d’ensembles de données croisées, dans laquelle le modèle a été formé sur les vidéos enregistrées d’un alliage et testé sur les vidéos tout en conservant les hyperparamètres inchangés.

Leurs résultats montrent que les transformateurs de vision vidéo avec intégration temporelle peuvent permettre la détection in situ des défauts du bain de fusion avec une simple configuration d’imagerie hors axiale et générer des cartes de processus qui peuvent potentiellement accélérer la qualification de l’imprimabilité et le développement de processus pour les alliages imprimés en 3D nouvellement développés.