Contexte et enjeux

La fusion laser sélective (SLM) est une technologie innovante de fabrication additive en raison de son potentiel de révolutionner le secteur de fabrication. En comparaison avec les procédés conventionnels, cette technique repousse les limites en termes de précision, de design et de délais.

Cependant, la SLM pose des défis liés aux phénomènes physiques complexes (thermiques, mécaniques métallurgiques, etc.) qui la régissent et qui ont une influence directe sur l’intégrité structurelle de la pièce (porosité, fissures, etc.). Dans la majorité des cas, un manque d’évaluation cohérente de la qualité des pièces fabriquées engendre une analyse post-processus coûteuse qui peut impacter la reproductibilité du procédé. Ceci constitue un frein technologique majeur en particulier dans les secteurs fortement réglementés comme l’aérospatiale et la fabrication de dispositifs médicaux.

Objectifs

Afin de surmonter ce problème et mieux maîtriser le procédé SLM, il est nécessaire de développer des méthodes de contrôle adéquates capables de fournir une évaluation rapide et fiable de ces défauts. Dans ce cadre, l’objectif de DeepSLM est de mettre au point une méthode de contrôle qualité in-situ des défauts engendrés dans les pièces métalliques imprimées par SLM.

À cette fin, nous avons mis en place un algorithme de Machine Learning spécialement entraîné pour détecter les défauts de porosité survenant au cours de la fabrication. Ces défauts sont identifiés à partir des signaux, tels que le courant de Foucault, collectés par un capteur électromagnétique.

Partenaires et financement

HES-SO Valais

Financé par la HES-SO

Résultats

Une série de tests d’impression SLM a été réalisée en paramétrant le titane Ti6Al4V, constituant ainsi une base de données de 204 cas. Nos algorithmes CNN et LSTM dédiés à la prédiction de la porosité ont démontré des performances supérieures en termes d’erreur moyenne absolue (MAE), enregistrant respectivement 0.1% et 0.11%, comparé à l’état de l’art du domaine qui rapporte 0.126%.

Valorisation

• Sallem, H., Ghorbel, H., Goffinet, E., Cinna, A., Wicht, J., & Revaz, B. (2023, May). In-Situ Monitoring of Selective Laser Melted Ti–6Al–4V Parts Using Eddy Current Testing and Machine Learning. In Advances In Additive Manufacturing Conference (pp. 139-148). Cham: Springer Nature Switzerland.
• Ghorbel, H., Sallem, H., Goffinet, E., Pralong, J., Cinna, A., Gauchat L. A dataset on in-situ electromagnetic wave integrity control of selective laser fusion printed parts using Machine Learning

• Maire, S.-A. Améliorer la fabrication additive grâce au Deep Learning, Revue de la chambre d’économie publique du Jura Bernois, #171, 3-2023

Chef de projet