Data-driven non-intrusive surrogate modeling and optimization of selective laser melting using machine learning methods

Résumé

L’objectif de la thèse présentée est la modélisation numérique et l’optimisation du processus de fabrication additive (AM) par laser (Selective Laser Melting SLM). Les utilisateurs du procédé de fusion sélective au laser (plus généralement de fabrication additive) dépendent principalement des expériences pour comprendre et prédire les processus. Les techniques traditionnelles d’essai et d’erreur pour déterminer les résultats du processus d’AM pourraient être longues et coûteuses. De plus, la simulation numérique prend beaucoup de temps à calculer. Une nouvelle approche basée sur des techniques de l’apprentissage automatique (ML) pourrait contribuer à accélérer le processus de fabrication et réduire le coût d’exploitation. Dans ce contexte, un modèle de simulation numérique du processus SLM a été développé à l’aide du logiciel ANSYS. Une nouvelle technique d’étalonnage des paramètres du procédé a été développée. L’efficacité du modèle numérique est évaluée et comparée à trois cas tests pour lesquels des données expérimentales sont disponibles. Les études expérimentales impliquent un prisme vertical, un prisme horizontal et une structure en forme de L. Un autre modèle numérique par éléments finis a été développé avec le logiciel ANSYS Workbench Additive pour modéliser une pièce fabriquée par le processus SLM et pour laquelle des données sont du domaine public. Afin d’analyser la sensibilité et la propagation des incertitudes des paramètres d’entrée, un modèle rapide dit de substitution a été développé. L’approche basée sur les données combine des techniques d’apprentissage automatique avec des simulations numériques d’haute-fidélité pour analyser plus efficacement le processus SLM et ce cadre peut être utilisé dans l’optimisation des processus. Les travaux de recherche ont considéré la vitesse du laser, l’éclosion, l’espacement, l’épaisseur de la couche, le module d’Young et le coefficient de Poisson comme paramètres d’entrée, tandis qu’à la sortie, les variables sont des prédictions de déformations normales dans la pièce fabriquée. Un modèle de substitution a été construit avec un réseau neuronal profond (DNN) et une expansion du chaos polynomial (PCE) pour créer une surface de réponse entre la sortie et les variables d’entrée. L’analyse a révélé que tous les paramètres étaient importants dans le processus. Par la suite, le modèle de substitution a été intégré avec des algorithmes d’optimisation non intrusifs (tels que les algorithmes génétiques (AG), l’évolution différentielle (DE) et l’optimisation des essais de particules (PSO)) pour effectuer une analyse inverse qui a aidé à trouver les paramètres optimaux. Parmi tous les modèles, le PSO a donné de bons résultats, et le modèle DNN s’est avéré être le modèle de substitution le plus efficace par rapport au PCE. Une autre contribution de cette thèse est l’introduction de deux types de modèles réduits non intrusifs et fondés sur des données, le premier est nommé l’auto-encodeur convolutif-perceptron multicouche (CAE- MLP) et le deuxième est une combinaison de la décomposition orthogonale et de réseaux de neurones artificiels (POD-ANN). Le POD-ANN extrait la base d’ordre réduit à partir de la matrice des données d’haute-fidélité. Après cela, un réseau de neurones artificiels a été construit pour former un modèle de substitution entre la base réduite et les paramètres d’entrée. De même, le CAE-MLP utilise une méthode de convolution unidimensionnelle pour extraire une base réduite dite l’espace latent. Un modèle de régression basée sur un réseau de neurones multicouches (MLP) est construit entre les paramètres d’entrée et l’espace latent. L’efficacité et la précision de ces les méthodes sont quantifiées sur la base de l’analyse thermomécanique d’une pièce fabriquée. Une bonne comparaison entre les moments statistiques des résultats des simulations haute-fidélité et les prédictions des ROM confirment la capacité des méthodes proposées à prédire avec précision. De plus, les prédictions sont comparées aux résultats expérimentaux à différents endroits. Bien que les deux modèles aient montré une bonne corrélation avec les résultats expérimentaux, le modèle CAE-MLP s’est avéré plus performant que le modèle POD-ANN.

Date	2 août 2023
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Azzeddine Soulaïmani (Directeur(-trice))