La fabrication additive métallique, considérée comme une révolution dans l’industrie moderne grâce à sa capacité à produire des composants légers et géométriquement complexes, s’est longtemps heurtée à un obstacle majeur à son adoption généralisée : des défauts internes microscopiques, invisibles à l’œil nu, mais qui compromettent fortement l’intégrité structurelle. Une équipe de recherche dirigée par le professeur Hyoung Seop Kim de POSTECH a désormais exploité la puissance de l’intelligence artificielle pour surmonter ce défi, réalisant ainsi une avancée significative en matière de fiabilité de l’impression 3D métal.
Le professeur Hyoung Seop Kim et Jeong Ah Lee, doctorante en master intégré, de l’Institut supérieur de technologie des matériaux ferreux et écologiques et du département de science et génie des matériaux de POSTECH, ont collaboré avec l’équipe de recherche du Dr Jeong Min Park à l’Institut coréen des sciences des matériaux afin de développer un cadre prédictif basé sur l’intelligence artificielle, capable de prendre en compte les défauts microscopiques dans les procédés d’impression 3D métal. Leurs résultats ont été publiés dans Acta Materialia, une revue internationale de référence en science des matériaux.
L’impression 3D métal fonctionne par fusion et dépôt de couches de poudre métallique à l’aide d’un laser, un procédé appelé fusion laser sur lit de poudre. Lors de la fabrication, de petits vides, appelés pores, peuvent se former à l’intérieur du matériau, agissant comme des bulles d’air qui dégradent considérablement la résistance mécanique des pièces finies. Dans des applications exigeantes telles que les structures aéronautiques et les pièces automobiles, où les matériaux sont soumis à des conditions extrêmes, même une porosité minime peut s’avérer catastrophique.
Jusqu’à présent, l’évaluation de l’effet de tels défauts nécessitait des expérimentations poussées et un temps considérable, ce qui constituait un goulot d’étranglement important dans le développement et la qualification des matériaux pour les industries critiques en matière de sécurité.
Plutôt que de chercher à éliminer complètement les défauts, l’équipe de recherche a reformulé le problème en se concentrant sur leur compréhension et leur prédiction scientifique. Elle a intégré des données de porosité aux paramètres de procédé, aux caractéristiques microstructurales et aux données de propriétés mécaniques afin d’entraîner un modèle d’IA. Elle a appliqué une technique appelée apprentissage automatique par sélection de données (DSML), qui identifie uniquement les variables les plus influentes dans l’ensemble de données, filtrant ainsi le bruit et concentrant le modèle sur les facteurs les plus importants.
Cette approche est analogue à celle d’un médecin interprétant un scanner pour diagnostiquer une maladie : l’IA analyse la microstructure interne et les caractéristiques des défauts des composants métalliques pour anticiper leur comportement mécanique avant tout test physique.
L’une des principales caractéristiques de ce travail est son engagement en faveur de l’interprétabilité. Plutôt que de proposer une IA « boîte noire » produisant des résultats sans explication, l’équipe a utilisé la régression symbolique, une approche d’IA interprétable, pour obtenir des équations mathématiques compréhensibles par l’humain qui décrivent le modèle prédictif.
Ces équations reflètent la réalité physique sous-jacente : à mesure que la porosité augmente, la section transversale porteuse effective diminue, réduisant ainsi la résistance. De cette manière, l’IA ne se contente pas de prédire les résultats ; elle explique pourquoi ces résultats se produisent, renforçant ainsi la transparence et la confiance scientifiques.
Pour valider le cadre de travail, l’équipe a fabriqué un alliage d’aluminium AlSi10Mg, l’un des plus utilisés dans la fabrication de composants aérospatiaux et automobiles imprimés en 3D, sous différentes conditions de traitement. Le modèle basé sur l’IA a prédit avec succès la limite d’élasticité des composants avec une erreur absolue moyenne (MAE) de seulement 9,51 MPa en quelques secondes, éliminant ainsi le besoin de procédures expérimentales complexes.
Cela représente une amélioration de plus de quatre fois la précision des prédictions par rapport aux approches conventionnelles, démontrant ainsi la robustesse et l’utilité pratique du cadre.
L’équipe de recherche envisage que ce cadre puisse servir de base à une « carte de conception prenant en compte les défauts », permettant la prédiction et la conception des performances des matériaux en fonction des conditions de processus à l’avance, réduisant ainsi considérablement les essais et erreurs généralement associés au développement des matériaux.
En permettant de prévoir et de prendre en compte les défauts invisibles dès la phase de conception, cette technologie a le potentiel d’accélérer considérablement la qualification et la commercialisation des composants métalliques imprimés en 3D dans les industries où la sécurité et la fiabilité sont primordiales.
« Nous avons démontré que l’IA peut être utilisée pour comprendre et contrôler scientifiquement les défauts », a déclaré Jeong Ah Lee, première auteure de l’étude. Le professeur Hyoung Seop Kim a ajouté : « Cette technologie améliorera la fiabilité des composants métalliques imprimés en 3D et accélérera considérablement leur commercialisation dans des secteurs tels que l’aérospatiale et l’automobile. »
Ces travaux de recherche ont bénéficié du soutien du programme « Leading Research Center » de la Fondation nationale de la recherche de Corée (NRF), du programme de recherche institutionnelle de KIMS et du groupe Hyundai Motor. Jeong Ah Lee a bénéficié d’une bourse du programme « Next Generation of Researchers » de la Fondation nationale de la recherche de Corée.
https://www.postech.ac.kr/eng/research/research_results.do?mode=view&articleNo=46903
