Mesures thermiques in-situ pour la prédiction de microstructure en fabrication additive par dépôt de matière sous énergie concentrée

In-situ thermal measurements for microstructure prediction in direct energy deposition additive manufacturing process

• Auteur / Autrice : Quentin Dollé
• Direction : Ahmed El bartali, Weisz-patrault Daniel
• Type : Projet de thèse
• Discipline(s) : Mécanique des solides, des matériaux, des structures et des surfaces
• Date : Inscription en doctorat le 01/09/2021
• Etablissement(s) : Centrale Lille Institut
• Ecole(s) doctorale(s) : ENGSYS Sciences de l'ingénierie et des systèmes
• Partenaire(s) de recherche : Laboratoire : ELLIADD

Mots clés

Mots clés libres

Fabrication additive

Solidification

Thermographie

Modèle rapide

Mesures thermiques

Additive manufacturing

Solidification

Thermography

Fast model

Thermal measurements

Résumé

Le premier volet de ce sujet de thèse consiste à utiliser des modèles rapides existants permettant de simuler rapidement la thermique et l'évolution de la microstructure au cours de la fabrication. Ces modèles seront complétés par des outils relativement simples pour déterminer la microstructure initiale juste après solidification en fonction des conditions de température. Ainsi, on exploitera ces premiers travaux pour définir des stratégies de fabrication en vue de viser une microstructure donnée. Le second volet consiste à entraîner alors un réseau de neurones pour ajuster les paramètres du procédé en temps réel afin de contrôler les microstructures en évitant de s'écarter de conditions de température ciblées dans la stratégie définie au premier volet. Il s'agit donc de développer un apprentissage supervisé qui autorise d'explorer un espace de paramètres assez grand, mais qui nécessite une base de données significative. Pour l'entrainement du réseau, on s'appuiera sur les modèles rapides existants. L'objectif est qu'une fois entraîné, ce réseau pourra permettre, sans calcul thermomécanique supplémentaire, d'ajuster les paramètres du procédé en temps réel sur la base de mesures in-situ, en particulier de température. Dans le cadre du projet, on visera en premier lieu une preuve de concept en simulant cette stratégie de correction de paramètres de procédé en fonction de mesures in-situ. Le troisième volet de ce sujet tient au développement des mesures in-situ (c'est-à-dire à l'intérieur de l'enceinte du procédé de fabrication additive et pendant le procédé de fabrication), qui constituent l'entrée principale du réseau de neurones une fois entraîné. Ces mesures seront utilisées pour corriger les paramètres du procédé en temps réel grâce au réseau de neurones. Des techniques de mesures thermiques par rayonnement infra-rouge en utilisant une technologie bi-chromatique seront exploitées. La principale difficulté est liée à l'émissivité en surface du matériau qui varie au cours de la fabrication, du fait de la cinétique de refroidissement qui génère oxydation ou transformation de phases etc. Ainsi, afin de tenir compte de ces variations, les mesures thermiques seront réalisées grâce à une caméra infra-rouge bi-chromatique. Ces mesures thermiques seront complétées par la caractérisation des microstructures en fin de procédé et par des mesures de champs cinématiques de déplacements et déformations obtenus par corrélation d'images numériques.

The first part of this thesis consists in using existing fast models allowing to quickly simulate the thermal and the microstructure evolution during the manufacturing process. These models will be complemented by relatively simple tools to determine the initial microstructure just after solidification as a function of temperature conditions. Thus, this initial work will be exploited to define manufacturing strategies to target a given microstructure. The second part consists in training a neural network to adjust the process parameters in real time in order to control the microstructures while avoiding deviating from the temperature conditions targeted in the strategy defined in the first part. It is therefore necessary to develop a supervised learning system that allows the exploration of a rather large parameter space, but which requires a significant database. For the training of the network, we will rely on existing fast models. The objective is that once trained, this network will be able to adjust the process parameters in real time on the basis of in-situ measurements, in particular temperature, without additional thermomechanical calculations. In the framework of the project, we will first aim at a proof of concept by simulating this strategy of correction of process parameters according to in-situ measurements. The third part of this topic is the development of in-situ measurements (i.e. inside the additive manufacturing process enclosure and during the manufacturing process), which are the main input of the neural network once trained. These measurements will be used to correct the process parameters in real time through the neural network. Thermal measurement techniques by infrared radiation using a bi-chromatic technology will be exploited. The main difficulty is related to the surface emissivity of the material which varies during the manufacturing process, due to the cooling kinetics which generates oxidation or phase transformation etc. Thus, in order to take into account these variations, the thermal measurements will be carried out thanks to a bi-chromatic infra-red camera. These thermal measurements will be completed by the characterization of microstructures at the end of the process and by measurements of kinematic fields of displacements and deformations obtained by correlation of numerical images.