Prévoir la porosité dans les pièces imprimées en 3D en utilisant l'apprentissage automatique

Ces dernières années, la fabrication additive (FA) a attiré beaucoup d'attention comme nouvelle méthode pour créer des pièces. Cette méthode, aussi connue sous le nom d'impression 3D, construit des objets couche par couche. Bien qu'elle offre de nombreux avantages, comme l'économie de matériaux et la possibilité de designs complexes, elle présente aussi des défis, notamment en ce qui concerne la qualité des pièces finies. Un problème courant est la Porosité, où de petits trous se forment dans le matériau. Cette recherche se concentre sur comment prédire et localiser la porosité dans les pièces fabriquées par fusion de lit de poudre laser, un type spécifique de fabrication additive, en utilisant des Images thermiques et l'Apprentissage automatique.

#Le Problème de la Porosité

La porosité dans les pièces imprimées en 3D peut conduire à des structures plus faibles et affecter leurs performances. Elle peut être causée par plusieurs facteurs pendant le processus d'impression. Par exemple, si la puissance ou la vitesse du laser n'est pas réglée correctement, cela peut entraîner la formation de pores à l'intérieur du matériau. Vérifier la porosité nécessite généralement d'envoyer la pièce finie dans un labo pour des tests, ce qui prend du temps et coûte cher. Donc, trouver un moyen de détecter la porosité pendant le processus d'impression pourrait réduire significativement les déchets et les coûts.

#La Solution : Utiliser des Images Thermiques

L'imagerie thermique est une technique qui capture la température de la surface en cours d'impression. En surveillant la chaleur, on peut recueillir des informations précieuses sur la façon dont le matériau fond et se solidifie pendant la fabrication. Ces données aident à comprendre où la porosité pourrait survenir. L'idée est d'utiliser l'apprentissage automatique, un type d'intelligence artificielle, pour analyser ces images thermiques afin de prédire le nombre et l'emplacement des pores avant que la pièce ne soit terminée.

#Apprentissage Automatique en Fabrication

L'apprentissage automatique repose sur des algorithmes qui apprennent à partir des données. Dans ce cas, on a utilisé un Réseau de Neurones Convolutif (CNN) pour analyser des séquences d'images thermiques. Le CNN a été formé pour identifier des motifs dans les images qui sont en corrélation avec la présence de pores. On a aussi utilisé un modèle Video Vision Transformer (ViViT) pour déterminer où ces pores sont susceptibles d'être situés. Les deux modèles ont travaillé ensemble pour fournir des informations qui peuvent aider à ajuster les paramètres d'impression en temps réel.

#Construction des Modèles

Le modèle CNN a été conçu pour prendre des images thermiques et prédire le nombre de pores dans une couche de fabrication spécifique. Il a appris à partir de données précédentes où le nombre réel de pores était connu. La performance du modèle a été mesurée en utilisant des métriques qui ont montré à quel point ses prédictions étaient précises par rapport aux résultats réels des tests en laboratoire.

Pour la tâche de localisation, le modèle ViViT a été formé pour identifier les zones dans les images qui étaient susceptibles de contenir des pores. Cela a impliqué de décomposer les images en sections plus petites et de les analyser à la recherche de signes de porosité. Les résultats des deux modèles nous donnent une image plus claire de la qualité de la pièce pendant sa fabrication.

#Collecte de Données

Pour entraîner ces modèles, on a collecté des données de deux ensembles d'échantillons fabriqués par fusion de lit de poudre laser. Un ensemble avait un espacement de hachures différent, ce qui concerne la distance entre les chemins que le laser emprunte, tandis que l'autre ensemble variait la vitesse de scan, ou la rapidité avec laquelle le laser se déplaçait sur la surface. Chaque échantillon était en acier inoxydable AISI 316L avec des réglages de puissance laser constants.

Pendant le processus de fabrication, on a capturé des milliers d'images thermiques montrant la température du matériau à chaque étape. Ces images ont fourni une mine de données pour entraîner nos modèles. Après l'impression, on a aussi utilisé la micro-tomographie par ordinateur (CT) pour analyser les échantillons, ce qui nous a donné des informations précises sur la taille et l'emplacement des pores grâce à une imagerie détaillée.

#Analyse des Données

Le processus d'entraînement a impliqué le nettoyage et la préparation des données provenant des images thermiques et des scans CT. Chaque image thermique a été recadrée et redimensionnée pour correspondre aux exigences d'entrée du modèle. Les données CT correspondantes ont ensuite été traitées pour correspondre aux dimensions des images thermiques.

On s'est concentré sur les plus gros pores pour nos prédictions, car ceux-ci étaient plus facilement détectables à partir des images thermiques. Les plus petits vides, bien que également importants, étaient plus difficiles à identifier avec précision. En fixant un seuil basé sur la taille des pores, les modèles ont été ajustés pour améliorer la précision de leurs prédictions.

#Résultats des Modèles

Après l'entraînement des modèles, on a évalué leur performance dans deux domaines principaux : le nombre de pores présents et leurs emplacements. Le modèle CNN a bien fonctionné pour estimer le nombre de pores, atteignant un score indiquant à quel point il pouvait prédire le nombre de pores sur la base des données d'entrée. Le modèle qui a utilisé les données d'un espacement de hachures différent a obtenu les meilleurs résultats.

Pour la tâche de localisation, le modèle ViViT a aussi montré des résultats prometteurs. Il a pu indiquer avec précision quelles zones d'une couche de fabrication donnée étaient susceptibles de contenir des pores. Cette capacité est cruciale, car savoir où les défauts sont susceptibles d'apparaître permet de faire des ajustements pendant le processus d'impression.

#Importance de la Surveillance en Temps Réel

La capacité à surveiller et prédire la porosité en temps réel signifie que les fabricants peuvent réagir rapidement à des problèmes potentiels pendant le processus de fabrication. Si les modèles indiquent une forte probabilité de défauts, les opérateurs peuvent ajuster immédiatement les réglages de la machine, réduisant le gaspillage de matériel et économisant du temps. Cette approche proactive est une amélioration significative par rapport aux méthodes traditionnelles qui ne détectent les défauts qu'après la fabrication des pièces.

#Directions Futur

La recherche démontre le potentiel d'utiliser l'apprentissage automatique avec une surveillance thermique in situ pour améliorer le processus de fabrication additive. Cependant, il reste encore beaucoup à explorer. Les travaux futurs pourraient se concentrer sur l'affinement des modèles pour une précision encore plus grande, l'élargissement des types de défauts surveillés et l'intégration de ces systèmes dans les pratiques de fabrication standard.

Un autre domaine d'amélioration est la création d'un jumeau numérique plus robuste pour le processus de fabrication, ce qui impliquerait de mettre à jour en continu un modèle virtuel avec des données en temps réel provenant de l'environnement de production. Cela aiderait à réduire encore plus les défauts et à améliorer la qualité globale des pièces.

#Conclusion

En conclusion, l'intégration de l'imagerie thermique et de l'apprentissage automatique offre une avenue prometteuse pour améliorer le contrôle qualité dans la fabrication additive. En prédisant et localisant la porosité pendant le processus d'impression, on peut améliorer l'efficacité, réduire les coûts et garantir des pièces de meilleure qualité. À mesure que la technologie continue d'évoluer, il y a un grand potentiel pour faire de ces avancées une pratique standard dans l'industrie, au bénéfice des fabricants et des clients.