Modélisation prédictive pour la Fabrication Additive métallique : Caractéristiques clés et applications à la caractérisation de la porosité.

Predictive Modeling for Metal Additive Manufacturing : Key Characteristics and Porosity Characterization

• Auteur / Autrice : Yahya Ismail Al-Meslemi
• Direction : Nabil Anwer, Luc Mathieu
• Type : Thèse de doctorat
• Discipline(s) : Génie mécanique
• Date : Soutenance le 06/01/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences mécaniques et énergétiques, matériaux et géosciences (Gif-sur-Yvette, Essonne ; 2015-....)
• Partenaire(s) de recherche : Référent : École normale supérieure Paris-Saclay (Gif-sur-Yvette, Essonne ; 1912-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire universitaire de recherche en production automatisée (Gif-sur-Yvette, Essonne ; 1981-....)
• Jury : Président / Présidente : François Villeneuve
• Jury : Examinateurs / Examinatrices : Anne-Françoise Obaton, Jean-Yves Dantan, Alain Bernard, Tiberiu Minea
• Jury : Rapporteurs / Rapporteuses : Anne-Françoise Obaton, Jean-Yves Dantan

Mots clés

Mots clés contrôlés

Porosité

Tomographie

Qualité -- Contrôle

Modélisation prédictive

Prototypage rapide

Mots clés libres

Fabrication additive

Caractéristiques clés

Modélisation Prédictive

Contrôle de la qualité

Mesure de porosité

Additive Manufacturing

Key Characteristics

Predictive Modeling

Quality Control

Porosity Measurement

Résumé

Résumé : La maitrise de la qualité constitue le principal obstacle à une adoption plus accrue des procédés de fabrication additive. L'analyse des données, la modélisation des processus physiques, la mesure des pièces et l'évaluation métrologique sont de plus en plus utilisées pour obtenir une meilleure qualité. Cependant, il existe encore des défis importants en matière de modélisation, de calcul et de mesure en raison du large éventail de paramètres impliqués qui affectent la qualité de la pièce finale.Dans cette thèse, nous proposons de remédier à certaines des limitations liées à la qualité des pièces en fabrication additive. Nous proposons une approche de modélisation prédictive pour effectuer la caractérisation de la porosité et déterminer la plage des paramètres de fabrication en fonction d'un ensemble restreint de données collectées.L'approche systématique de modélisation proposée utilise les processus Gaussiens (GP) pour permettre des prédictions sur l'ensemble de l'espace expérimental en fonction de données de mesures. Le modèle proposé exploite une fonction covariance, de l'inférence bayésienne, et des chaînes de Markov pour estimer les paramètres du modèle, à partir des données acquis. Les données sont générées à partir d’un plan d'expérience et d'un protocole d'analyse d'images par tomographie. Pour une mise en œuvre efficace de cette approche, nous mettons en avant de corrélations entre les conditions du processus de fabrication et les caractéristiques du produit. Ces caractéristiques clés (KCs) sont évaluées en fonction de leur importance et sont ordonnées hiérarchiquement d'un point de vue statistique.

Abstract : Quality control remains the main barrier for broader adoption of Additive Manufacturing processes. Data analytics, physical process modelling, part measurement and metrological assessment, are more and more used to achieve better quality. However, there are still significant modeling, computational, and measurement challenges stemming from the broad range of the involved parameters affecting the quality of the final part.In this thesis, we focus on overcoming some of these quality-related limits. We propose a predictive modeling approach to perform porosity characterization and to determine the range of manufacturing working conditions based on a limited set of previously collected data.The proposed systematic modeling approach uses Gaussian Process (GP) to map the entire experimental space based on limited predetermined measured points. GP integrates a covariant function, which uses statistical bayesian inference coupled with Markov Chain to estimate model parameters, based on the collected data. These data are generated based on a proposed experimental design and CT scan image analysis protocol. Finally, and for an efficient implementation of approach, we benefit from establishing correlations between the manufacturing process conditions and the product’s features, based on Key Characteristics (KCs) while considering the whole value chain in AM. These KCs are evaluated based on their importance and ordered hierarchically from a statistical point of view.