Approche hybride combinant intelligence artificielle et modélisation physique pour prédire les contraintes résiduelles de pièces forgées et leurs déformations en usinage

Hybrid approach combining artificial intelligence and physical modeling to predict the residual stresses of forged parts and their machining induced deformations

• Auteur / Autrice : Hugo Chabeauti
• Direction : Guenaël Germain, Mathieu Ritou, Bruno Lavisse
• Type : Thèse de doctorat
• Discipline(s) : Procédés de fabrication - Génie mécanique
• Date : Soutenance le 21/11/2022
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Laboratoire LAMPA (Laboratoire Arts et Métiers ParisTech d’Angers) - Laboratoire Angevin de Mécanique, Procédés et InnovAtion - Laboratoire des Sciences du Numérique de Nantes
• Partenaire(s) de recherche : établissement de préparation de la thèse : École nationale supérieure d'arts et métiers (1780-....)
• Jury : Président / Présidente : Philippe Lorong
• Jury : Examinateurs / Examinatrices : Guenaël Germain, Mathieu Ritou, Bruno Lavisse, Philippe Lorong, Katia Mocellin, Nabil Anwer
• Jury : Rapporteurs / Rapporteuses : Katia Mocellin, Nabil Anwer

Mots clés

Mots clés contrôlés

Usinage

Intelligence artificielle

Génie mécanique

Mots clés libres

Pièces forgées

Usinage

Intelligence artificielle

Déformations

Contraintes résiduelles

Machine learning

Forged parts

Machining

Artificial intelligence

Deformations

Residual stresses

Machine learning

Résumé

Les structures aéronautiques sont souvent constituées de grandes pièces métalliques ; mises en forme par déformations plastiques, suivies de traitements thermiques pour l’obtention des caractéristiques mécaniques souhaitées. Ce processus de fabrication introduit de fortes contraintes résiduelles dans les pièces. Lors de l’usinage, l’équilibre de ces contraintes est rompu engendrant des déformations non souhaitées. Par ailleurs, la variabilité du champ de contraintes de pièces forgées est problématique.Ce travail vise à développer une méthode de prédiction du champ de contraintes résiduelles dans les pièces forgés, afin d’anticiper leur déformation en usinage. Pour cela, des simulations éléments finis de la variabilité du processus de forge ont été mis en œuvre, pour évaluer la sensibilité des déformations observées en usinage, aux paramètres du processus de fabrication. Ces résultats ont ensuite permis de construire un modèle réduit du champ de contraintes. Il permet de générer des champs en accord avec la physique du procédé et de prédire la déformation de la pièce après usinage, avec un faible temps de calcul. Ces modèles physiques sont couplés à des modèles d’I.A, pour prédire une déformation de pièce par apprentissage automatique à partir des pièces usinées précédemment. Cela permet d’estimer les contraintes résiduelles d’une pièce forgée dès le début de son usinage. La base d’un jumeau numériques de pièce forgée en usinage est ainsi constituée. Cela permettra une adaptation de l’usinage pour diminuer les déformations des pièces usinées.

Aeronautical structures are often made of large metal parts; shaped by plastic deformation, followed by heat treatment to obtain the desired mechanical characteristics. This manufacturing process introduces high residual stresses into the parts. During machining, the balance of these residual stresses is broken, causing unwanted deformations. Moreover, the variability of the stress field of forged parts is problematic.This work aims to develop a method for predicting the field of residual stresses in forged parts, in order to anticipate their deformation during machining. For this, finite element simulations of the variability of the forging process were implemented, to assess the sensitivity of the deformations observed during machining, to the parameters of the manufacturing process. These results then made it possible to build a reduced model of the stress field. It makes it possible to generate fields in accordance with the physics of the process and to predict the deformation of the part after machining, with a short calculation time. These physical models are coupled with AI models to predict part deformation by machine learning from previously machined parts. Thus, the estimation of the residual stresses of a forged part from the start of its machining. The basis of a digital twin of forged part during machining is thus formed. This will allow an adaptation of the machining to reduce the deformations of the machined parts.