Une approche « data driven » pour la maîtrise du procédé et des paramètres machine en fabrication additive L-PBF

A data-driven approach for process and machine control in L-PBF additive manufacturing

• Auteur / Autrice : Yann-cédrick Bosson
• Direction : Christophe Tournier, Yann Quinsat
• Type : Projet de thèse
• Discipline(s) : Génie mécanique
• Date : Inscription en doctorat le 01/02/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences Mécaniques et Energétiques, Matériaux et Géosciences
• Partenaire(s) de recherche : Laboratoire : Laboratoire Universitaire de Recherche en Production Automatisée
• Partenaire(s) de recherche : Equipe de recherche : Géométrie tridimensionnelle des pièces et des mécanismes
• Partenaire(s) de recherche : référent : Ecole Normale Supérieure Paris-Saclay

Mots clés

Mots clés libres

Fabrication additive métallique

Fusion laser sur lit de poudre

Données de fabrication

Apprentissage automatique

Metal Additive Manufacturing

Laser Powder Bed Fusion

Manufacturing data

Machine Learning

Résumé

Les procédés de fabrication additive comme la fusion laser sur lit de poudre (procédé L-PBF) permettent d'obtenir des pièces fabriquées avec des géométries et/ou des propriétés encore jamais atteintes. Néanmoins, ces procédés se heurtent à plusieurs obstacles parmi lesquels la maitrise des propriétés physicochimiques, mécaniques et géométriques et le contrôle du procédé en temps réel. Les approches multiphysiques et la simulation numérique pour traiter ces problématiques sont difficiles à appliquer pour des raisons de complexité de modélisation et de temps de calcul. Aussi, la mise en œuvre d'approches « data driven » est une piste prometteuse pour compléter les modèles multiphysiques afin d'améliorer la maitrise du procédé. Par ailleurs, les évènements qui surviennent dans la machine durant la fabrication d'une pièce sont difficiles à prévoir et chacun d'eux peut avoir une conséquence sur les caractéristiques de la pièce et donc sur sa conformité. Si des travaux de recherche s'appuient sur des données élaborées numériquement en amont du procédé ou sur des caractérisations des pièces post-fabrication, d'autres s'appuient avantageusement sur les données acquises durant la fabrication. Il s'agit alors de relier des évènements apparus pendant la production avec les données d'entrée et les défauts observés sur les pièces produites. L'objectif de la thèse est donc d'être en mesure de relier la qualité de la pièce obtenue (porosités, états de surface, dimensions) avec d'une part les données d'entrée telles que le modèle 3D de la pièce, le supportage et les paramètres de lasage tels que définies dans la 3DExperience et d'autre part les évènements physiques survenus lors de la fabrication additive et monitorés. Ainsi il devient possible, en boucle courte, de prédire sans délai la qualité de la pièce à partir des informations acquises pendant la fabrication et de prendre des mesures correctives en cours de fabrication si un risque qualité est identifié. Sur des boucles temporelles plus longues, la connaissance acquise serait aussi mise à profit pour optimiser la phase de préparation de la Fabrication Assistée par Ordinateur (stratégie laser, positionnement et orientation sur le plateau, supportage) voire pour proposer des axes d'amélioration du design de la pièce (CAO).

Additive manufacturing processes such as Laser Powder Bed Fusion (L-PBF) allow to obtain parts with geometries and/or properties never reached before. Nevertheless, these processes face several challenges, including the control of physicochemical, mechanical and geometrical properties and the real-time control of the process. Multiphysics approaches and numerical simulation to address these issues are difficult to apply for reasons of modeling complexity and computation time. Therefore, the implementation of 'data driven' approaches is a promising way to complement multiphysics models in order to improve process control. In addition, the events that occur in the machine during the manufacture of a part are difficult to predict and each of them can have a consequence on the characteristics of the part and therefore on its compliance. If some research works are based on numerically elaborated data upstream of the process or on characterizations of the parts post manufacturing, others are based advantageously on the data acquired during the manufacturing. It is then a question of linking events occurring during production with the input data and the defects observed on the parts produced. The objective of the thesis is to be able to link the quality of the produced part (porosities, surface roughness, dimensions) with the input data such as the 3D model of the part, the support and the laser parameters as defined in the 3DExperience and with the physical events occurring during the additive manufacturing and monitored. Thus, it becomes possible, in a short loop, to predict without delay the quality of the part from the information acquired during manufacturing and to take corrective measures during manufacturing if a quality risk is identified. On longer time loops, the knowledge acquired would also be used to optimize the preparation phase of Computer Aided Manufacturing (laser strategy, positioning and orientation on the plate, support) or even to propose areas for improvement in the design of the part (CAD)