Surveillance in situ du procédé de fabrication additive par fusion sur lit de poudre (PBF-LB/M) pour la détection des défauts de porosité

In-situ monitoring of the powder bed fusion (PBF-LB/M) additive manufacturing process for porosity defect detection

• Auteur / Autrice : El Arbi Hajjioui
• Direction : Lionel Arnaud
• Type : Thèse de doctorat
• Discipline(s) : Génie mécanique, mécanique des matériaux
• Date : Soutenance le 18/12/2025
• Etablissement(s) : Université de Toulouse (2023-2025)
• Ecole(s) doctorale(s) : École doctorale Mécanique, énergétique, génie civil et procédés (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Génie de Production (Tarbes ; 1989-....)
• Partenaire(s) de recherche : établissement délivrant conjointement le doctorat : Institut national polytechnique (Toulouse ; 1969-....)
• Jury : Président / Présidente : Emmanuel Duc
• Jury : Examinateurs / Examinatrices : Lionel Arnaud, Pierre Joyot, Abdenour Soualhi, Anne Mertens
• Jury : Rapporteurs / Rapporteuses : Pierre Joyot, Abdenour Soualhi
• DOI : 10.70675/131cd3ccz1068z40aczba2bz8216224279d4

Mots clés

Mots clés contrôlés

Détection de défaut (ingénierie)

Porosité

Apprentissage automatique

Mots clés libres

Fabrication Additive métallique (PBF-LB/M)

Détection de défauts in situ

Capteur acoustique

Capteur à photodiode

Intelligence artificielle (IA)

Apprentissage profond (réseaux de neurones)

Metal Additive manufacturing (PBF-LB/M)

In situ defect detection

Acoustic sensor

Photodiode sensor

Artificial Intelligence (AI)

Deep learning (neural network)

Résumé

La fabrication additive métallique, et plus particulièrement le procédé de fusion laser sur lit de poudre (PBF-LB/M), offre une large liberté de conception pour la production de pièces complexes destinées à des secteurs critiques tels que l’aéronautique, le médical et l’automobile. Cependant, l’industrialisation de ce procédé reste limitée par la difficulté à maîtriser la qualité des pièces, notamment en raison de défauts internes comme la porosité, qui impactent leurs propriétés mécaniques et leur fiabilité. Les méthodes classiques de détection, réalisées après fabrication, sont coûteuses, lentes et souvent inadaptées à la détection de défauts microscopiques. La surveillance in situ constitue une solution alternative en permettant la détection en temps réel, mais elle génère des données massives, hétérogènes et bruitées, dont l’exploitation reste un défi majeur. Cette thèse propose une approche économique basée sur l’apprentissage automatique (ML) et l’apprentissage profond (DL) pour la détection des défauts dans le procédé PBF-LB/M. L’étude s’appuie sur des signaux acoustiques-ultrasoniques (AU) et optiques (photodiodes) afin d’identifier les défauts couche par couche. Une méthodologie de classification des signaux est étudiée, intégrant des stratégies d’apprentissage faiblement supervisé, notamment le Multiple Instance Learning (MIL), pour résoudre le problème le manque de données finement étiquetées. Un accent particulier est également mis sur l’explicabilité des modèles pour mieux comprendre et fiabiliser la détection des défauts.

Metal additive manufacturing, and more specifically the powder bed fusion (PBF-LB/M) process, offers a wide design freedom for the production of complex parts intended for critical sectors such as aeronautics, medical and automotive. However, the industrialization of this process remains limited by the difficulty in controlling the quality of the parts, particularly due to internal defects such as porosity, which impact their mechanical properties and reliability. Conventional detection methods, carried out after manufacturing, are expensive, time-consuming and often unsuitable for the detection of microscopic defects. In situ monitoring constitutes an alternative solution by allowing real-time detection, but it generates massive, heterogeneous and noisy data, making their processing and interpretation a major challenge. This thesis proposes a cost-effective approach based on machine learning (ML) and deep learning (DL) for defect detection in the PBF-LB/M process. The study relies on acoustic-ultrasonic (AU) and optical (photodiode) signals to identify defects layer by layer. A signal classification methodology is studied, integrating weakly supervised learning strategies, including Multiple Instance Learning (MIL), to overcome the lack of finely labeled data. Particular emphasis is also placed on the explainability of the models to better understand and enhance the reliability of defect detection.