Optimisation des paramètres d'impression 3D pour une meilleure résistance des joints grâce à l'IA dans la planification des processus

Optimizing 3D Printing Parameters for Enhanced Joint Strength Using AI in Process Planning

• Auteur / Autrice : Yodit Ayele
• Direction : Emmanuel Duc, Severine Durieux
• Type : Projet de thèse
• Discipline(s) : Mécanique, génie mécanique, génie civil
• Date : Inscription en doctorat le 02/10/2024
• Etablissement(s) : Université Clermont Auvergne (2021-...)
• Ecole(s) doctorale(s) : Sciences pour l'Ingénieur
• Partenaire(s) de recherche : Laboratoire : Institut Pascal
• Partenaire(s) de recherche : Equipe de recherche : M3G - Mécanique, Génie Mécanique, Génie Civil, Génie Industriel

Mots clés

Mots clés libres

Optimization

Process planning

3D Printing

Ai

Paramètres d'impression 3D

Meilleure résistance des joints

Planification des processus

Ai

Résumé

Ce travail se concentre sur l'optimisation des paramètres d'impression 3D pour améliorer la résistance des joints en utilisant l'intelligence artificielle (IA) dans la planification des processus. L'étude se concentre sur le besoin pressant de structures imprimées en 3D dotées de joints plus solides et plus durables, ce qui est crucial pour les applications hautes performances dans les domaines de l'ingénierie automobile, aérospatiale et biomédicale. À l'aide de méthodes d'intelligence artificielle (IA), notamment d'algorithmes d'apprentissage automatique et d'apprentissage profond, la recherche tente de prédire et d'optimiser des paramètres critiques tels que la hauteur des couches, la densité de remplissage, la vitesse d'impression et la composition des matériaux. Pour trouver les meilleures configurations pour renforcer la résistance des articulations, les modèles d'IA seront formés sur un vaste ensemble de données de paramètres d'articulations imprimés en 3D. Pour améliorer encore les performances, l'étude étudie également l'intégration de concepts biomimétiques dérivés de conceptions naturelles. Les simulations et les tests expérimentaux confirmeront l'efficacité et l'utilité du cadre de planification des processus basé sur l'IA. Cette recherche vise à améliorer les méthodes de fabrication additive, garantissant ainsi des processus de production plus fiables et plus efficaces à l'avenir, en proposant une méthodologie solide pour améliorer l'intégrité structurelle des composants imprimés en 3D.

This work focuses on optimizing 3D printing settings to improve joint strength by using artificial intelligence (AI) in process planning. The study focuses on the pressing need for 3D-printed structures to have stronger and more durable joints, which is crucial for high-performance applications in automotive, aerospace, and biomedical engineering. Using artificial intelligence (AI) methods including machine learning and deep learning algorithms, the research attempts to predict and optimize critical parameters like layer height, infill density, printing speed, and material composition. To find the best configurations for boosting joint strength, AI models will be trained on an extensive dataset of 3D-printed joint parameters. To further improve performance, the study also investigates the integration of biomimetic concepts derived from natural designs. Simulations and experimental testing will confirm the AI-driven process planning framework's effectiveness and usefulness. This research is intended to improve additive manufacturing methods, ensuring more dependable and efficient production processes in the future, by offering a strong methodology to enhance the structural integrity of 3D printed components.