L’optimisation des procédés d’impression 3D métal grâce à l’apprentissage automatique

Une équipe de l’Université d’ingénierie de Toronto, menée par le professeur Yu Zou, explore l’utilisation de l’apprentissage automatique (AA) pour perfectionner les procédés d’impression 3D, en particulier dans le domaine de l’impression 3D métal, qui trouve des applications dans des industries variées telles que l’automobile, l’aérospatiale et le nucléaire. L’apprentissage automatique, une discipline relevant de l’intelligence artificielle, consiste à utiliser des algorithmes pour analyser des données complexes, détecter des motifs et faire des prévisions.

Dans un récent article paru dans la revue Additive Manufacturing, les chercheurs dévoilent un cadre innovant qu’ils ont nommé « Accurate Inverse Process Optimization Framework in Laser Directed Energy Deposition (AIDED) ». Ce système serait conçu pour affiner le processus d’impression 3D, afin de renforcer la précision et la fiabilité des objets produits. Mais en quoi consiste précisément cette méthode ?

L’optimisation des procédés en impression 3D métal

En impression 3D métal, optimiser les procédés est essentiel pour garantir la qualité des produits et améliorer l’efficacité de la production. Cependant, trouver les bons paramètres parmi un grand nombre d’options reste un défi. Malgré les avancées des simulations, cette optimisation repose souvent sur une méthode lente d’essais et erreurs, qui n’est pas toujours adaptée à la diversité des matériaux et des formes, et peine à répondre à plusieurs objectifs à la fois.

En effet, Xiao Shang, doctorant et auteur principal de la récente étude, souligne que l’adoption généralisée de la technologie de dépôt de matière sous énergie concentrée (DED) est limitée par les coûts élevés nécessaires pour trouver les bons paramètres de processus par essais et erreurs. Il précise : « notre approche permet de déterminer rapidement les paramètres de processus optimaux pour différentes applications en fonction des exigences spécifiques de l’industrie. » Un autre défi est de trouver les bons paramètres pour imprimer divers matériaux et pièces. Chaque matériau, qu’il s’agisse de titane pour les secteurs aérospatial et médical ou d’acier inoxydable pour les réacteurs nucléaires, a des caractéristiques propres qui exigent des réglages précis, de la vitesse et de la température. Identifier la meilleure combinaison de ces paramètres pour chaque matériau reste une tâche complexe.

Leur nouvelle méthode, AIDED, utilise un système en boucle fermée. D’abord, un algorithme génétique, inspiré de la sélection naturelle, propose des combinaisons de paramètres. Ensuite, des modèles d’apprentissage automatique évaluent ces choix pour vérifier leur efficacité en termes de qualité d’impression. L’algorithme génétique teste la validité de ces suggestions en répétant le processus jusqu’à ce que les paramètres les plus adaptés soient identifiés. « Notre système permet d’identifier rapidement les meilleurs paramètres de processus en une heure et de prédire les géométries avec précision », explique Xiao Shang. Pour développer cette méthode, les chercheurs ont réalisé de nombreuses expériences pour recueillir des données. « En combinant fabrication additive et intelligence artificielle, nous voulons créer un système laser autonome qui ajuste les paramètres en temps réel pour garantir une production de qualité, tout en étant compatible avec différents matériaux et formes », ajoute-t-il.

Que pensez-vous de cette méthode pour optimiser l’impression 3D métal ? N’hésitez pas à partager votre avis dans les commentaires de l’article. Retrouvez toutes nos vidéos sur notre chaîne YouTube ou suivez-nous sur Facebook ou LinkedIn !

*Crédits photo de couverture : Markforged