2025/08/19
Detecting the extent of co-existing anomalies in additively manufactured metal matrix composites through explainable selection and fusion of multi-camera deep learning features
Safdar, M.; Wood, G.; Zimmermann, M.; Lamouche, G.; Wanjara, P.; Zhao, Y.F. (2025). Detecting the extent of co-existing anomalies in additively manufactured metal matrix composites through explainable selection and fusion of multi-camera deep learning features. Virtual and Physical Prototyping, vol. 20, may 2025 – Issue 1.
Le développement de procédés pour des matériaux fabriqués sur mesure par fabrication additive est complexe et exigeant en main-d’œuvre. Une surveillance avancée in situ, associée à des méthodes modernes d’apprentissage automatique (machine learning, ML), peut accélérer la détection des défauts et la qualification des pièces issues de la fabrication additive (AM). Les procédés de dépôt dirigé par énergie (Directed Energy Deposition, DED) offrent la flexibilité nécessaire pour déposer du matériau sur des pièces complexes existantes, en vue d’une fabrication hybride ou de réparations. Le DED permet notamment la réalisation de composites à matrice métallique (CMM) sur mesure, tels que des revêtements nickel–carbure de tungstène (Ni–WC) sur des outils miniers en acier, afin d’améliorer leur résistance à l’usure. Cependant, la présence simultanée d’anomalies propres à la matrice, au renfort et à leur interaction représente un défi de développement. Ce défi est d’autant plus important que ces anomalies peuvent exister à divers degrés (p. ex. absentes, faibles, élevées). Cette étude examine l’utilisation de deux caméras infrarouges à ondes moyennes (MWIR), FLIR et CLAMIR, pour détecter l’ampleur des défauts dans des CMM Ni–WC. Les caractéristiques extraites par apprentissage profond, grâce à un transformeur visuel (vision transformer) finement ajusté, ont surpassé les méthodes conventionnelles en améliorant la séparabilité des anomalies et en révélant des distributions de caractéristiques sensibles au régime de procédé. L’intelligence artificielle explicable (Explainable AI) a permis d’identifier les principales caractéristiques MWIR associées à la détection de six catégories de défauts. Une analyse par ablation des données a montré que la caméra FLIR offrait une précision et une généralisabilité supérieures en conditions bruitées, tandis que la caméra CLAMIR se distinguait par sa robustesse en conditions instables. Une fusion explicable des données a permis une sélection efficace des caractéristiques issues des deux caméras. Nos travaux posent ainsi les bases d’un développement assisté par ML de CMM à base de Ni–WC, et de matériaux similaires, en facilitant la détection in situ d’anomalies co-existantes.