Base de connaissances

Safdar, M. (2026). Toward machine learning assisted directed energy deposition of Ni-WC metal matrix composites. Thèse.

La fabrication additive (FA) par dépôt d’énergie dirigée (DED) par poudre laser permet de déposer des matériaux sur des géométries complexes pour la fabrication et la réparation hybrides. Elle permet d’incorporer des compositions sur mesure, telles que les composites à matrice métallique (CMM) en carbure de nickel-tungstène (Ni-WC), améliorant des propriétés comme la résistance à l’usure. Cependant, les conditions thermiques complexes induisent souvent des défauts microstructuraux concomitants, pour lesquels les modèles prédictifs de premiers principes sont inadéquats. Cette thèse fait progresser les méthodes d’apprentissage automatique (AA) pour la détection des défauts et l’analyse microstructurale dans les CMM à base de DED afin d’accélérer le développement du procédé. L’application de l’AA dans les CMM Ni-WC fabriqués par DED est confrontée à des défis en cours de processus, en post-traitement et au moment du déploiement. Ce travail aborde ces trois aspects à l’aide de méthodologies adaptées. Les défis en cours de processus incluaient la surveillance des phénomènes de dépôt ainsi que la détection d’anomalies coexistantes. Les modèles d’AA ont été entraînés à partir d’ensembles de données provenant de pistes uniques. Les modèles d’apprentissage profond (AP) basés sur la vidéo ont été affinés à partir de données de surveillance du bain de fusion acquises par un système à deux caméras, et une sélection explicable ainsi qu’une fusion des caractéristiques ont été appliquées pour la classification des défauts. Les efforts de post-traitement ont porté sur la segmentation sémantique des images de microstructure à l’aide de la microscopie optique et électronique afin de quantifier les anomalies et de soutenir l’analyse à haut débit. Le déploiement s’est attaché à combler le fossé entre l’AA et la FA, en identifiant les rôles, les systèmes et les exigences nécessaires à une mise en œuvre concrète. L’un des principaux défis de la détection des défauts réside dans l’extraction de la vérité terrain à partir des données de caractérisation. Des modèles d’AP ont été développés pour la segmentation automatisée de la métallographie optique. Une méthode de fusion combinant les prédictions des modèles convolutifs et des modèles de transformateurs a été proposée, tirant parti de leurs forces respectives sur les classes majoritaires et minoritaires. Cette approche a permis d’atteindre une précision de 93 % sur l’ensemble des jeux de données et de réduire considérablement le temps de traitement. Dans une deuxième étude, des modèles d’AP ont été développés pour la microscopie électronique à balayage (MEB), afin de pallier les limites de la microscopie optique dans la détection de la dégradation des particules de renforcement. Les transformateurs de vision (UPerNet, SegFormer) ont surpassé les modèles convolutifs dans la détection des défauts liés au carbure, UPerNet étant recommandé pour sa grande précision et SegFormer pour son efficacité. Pour capturer la dynamique du bain de fusion, un dispositif expérimental intégrant deux caméras MWIR (CLAMIR et FLIR) a été mis en place. Quatre-vingts échantillons ont été déposés selon divers paramètres de processus. Un modèle de transformateur (VideoMAE) a été affiné pour extraire des caractéristiques spatio-temporelles à partir des vidéos, surpassant les méthodes basées sur l’image pour distinguer les états du processus. Des techniques d’intelligence artificielle explicable (XAI) ont permis d’identifier des caractéristiques MWIR efficaces pour classifier l’étendue de six catégories de défauts, la réduction de ces caractéristiques améliorant les performances du modèle. Les caractéristiques issues de FLIR se sont révélées plus robustes au bruit, tandis que celles de CLAMIR ont montré de meilleures performances en cas d’instabilité, validant ainsi l’efficacité de la fusion à plusieurs caméras dans un contexte pratique. Un cadre novateur a été proposé pour relier l’informatique des microstructures à un ensemble de connaissances d’expertise en caractérisation, au moyen de représentations vision-langage (VLR) personnalisées et hybrides. Enfin, un cadre MLOps a été proposé pour intégrer les modèles d’AA dans les pipelines industriels de FA. Des exigences fondamentales ont été définies pour guider le déploiement. Un outil modulaire, MicroSegQ+, a été développé pour la quantification des microstructures, et un outil web, DeepBead, a été construit pour la prédiction des défauts à partir des données de procédé en utilisant les modèles d’AA et d’AP développés. Un outil modulaire, MK-Link, a également été proposé pour prendre en charge une analyse de post-traitement entièrement automatisée, en complétant MicroSegQ+ et en reliant la microstructure segmentée aux critères de caractérisation d’experts. Ce travail établit un cadre complet basé sur l’AA pour la surveillance du processus, la prédiction des défauts et la caractérisation microstructurale dans le traitement par DED des CMM Ni-WC. Les résultats posent les bases de futures orientations de recherche pour l’atténuation des défauts en temps réel et la surveillance multicouche dans les systèmes de FA avancés.

Consulter la publication