Étude multi-échelles de l'optimisation intelligente de la stabilité dimensionnelle et des propriétés mécaniques de structures obtenues par fabrication additive

Dans le cadre de l'Industrie 4.0 pour la fabrication additive intelligente (smart additive manufacturing), cette thèse se concentre sur l'optimisation du procédé de Fabrication par Filament Fondu (FFF) grâce à l'intégration de l'intelligence artificielle (IA). Les méthodes FFF traditionnelles rencontrent des difficultés à produire des pièces polymères avec une haute précision géométrique et dimensionnelle ainsi que des propriétés mécaniques améliorées, en raison d'un contrôle inadéquat des paramètres du procédé et de problèmes tels que les vibrations et les variations de vitesse de la buse. Dans cette recherche, une imprimante 3D a été digitalisée et instrumentée pour une surveillance et un contrôle en temps réel, collectant des données extensives sur les paramètres du procédé, y compris la vitesse de la buse, les vibrations et les conditions environnementales telles que la température et l'humidité. Une matrice de corrélation phénoménologique entre ces paramètres et la qualité des pièces résultantes a été développée, fournissant des informations sur la manière dont chaque paramètre affecte la précision géométrique, la stabilité dimensionnelle et les performances mécaniques. Des algorithmes d'apprentissage automatique (Machine Learning) ont été employés pour prédire les paramètres d'impression optimaux, permettant des ajustements en temps réel pendant le processus d'impression. Par exemple, le modèle contrôlerait dynamiquement la vitesse de la buse pour minimiser les défauts géométriques et limiter les vibrations, améliorant ainsi la qualité et la fiabilité des pièces imprimées. De plus, avant l'impression, le modèle prédirait les variations de vitesse nécessaires pour réduire les vibrations et améliorer les propriétés mécaniques. Cette approche globale combine des investigations expérimentales et des méthodes pilotées par l'IA pour optimiser le procédé FFF à la fois pendant et avant l'impression. En se concentrant sur les vibrations, la vitesse de la buse et leurs effets sur la qualité des pièces, les défis inhérents à la FFF sont abordés. Ce travail s'aligne sur les principes de l'Industrie 4.0, contribuant à l'avancement de la technologie FFF pour des applications industrielles exigeantes. La thèse inclut une revue de l'état de l'art de la fabrication additive et des applications de l'IA, des études détaillées sur l'optimisation du procédé en se focalisant sur les vibrations et les propriétés mécaniques, la digitalisation des imprimantes FFF pour une surveillance améliorée, et l'intégration efficace de l'IA pour l'optimisation du procédé. À travers le développement de modèles prédictifs et de stratégies de contrôle en temps réel, il est démontré comment l'IA peut optimiser le procédé FFF, améliorant ainsi l'efficacité de fabrication et la qualité des pièces.