2026/01/05
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, No 1, 2025, e2515240.
Le développement de procédés pour des matériaux fabriqués de manière additive et personnalisée est complexe et exigeant en main-d’œuvre. La surveillance avancée in situ, combinée à des méthodes modernes d’apprentissage automatique (ML), peut accélérer la détection des défauts ainsi que la qualification des pièces issues de la fabrication additive (FA). Les procédés de dépôt d’énergie dirigée (Directed Energy Deposition, DED) offrent une grande flexibilité pour déposer de la matière sur des pièces complexes existantes, notamment dans des contextes de fabrication hybride et de réparation. Le DED permet ainsi de réaliser des composites à matrice métallique (CMM) sur mesure, tels que des revêtements nickel–carbure de tungstène (Ni-WC) appliqués sur des outils miniers ferreux afin d’améliorer leur résistance à l’usure. Toutefois, la présence simultanée d’anomalies propres à la matrice, au renfort et à leurs interactions pose des défis importants lors du développement des procédés. Ces difficultés sont accrues par le fait que ces anomalies peuvent se manifester à des degrés variables (par exemple : absentes, faibles ou élevées). Cette étude examine l’utilisation de deux caméras infrarouges moyen ondes (MWIR), FLIR et CLAMIR, pour la détection de l’ampleur des défauts dans des CMM Ni-WC. Les caractéristiques extraites par apprentissage profond à l’aide d’un transformeur de vision ajusté finement surpassent les méthodes conventionnelles, en améliorant la séparabilité des anomalies et en mettant en évidence des distributions de caractéristiques sensibles aux régimes de procédé. L’intelligence artificielle explicable a permis d’identifier des caractéristiques MWIR clés pour la détection de six catégories de défauts. Une analyse par ablation des données a montré la meilleure précision et la plus grande capacité de généralisation de la caméra FLIR en présence de bruit, tandis que la caméra CLAMIR s’est révélée plus robuste en conditions d’instabilité. La fusion explicable des données a permis une sélection efficace des caractéristiques issues des caméras. Ce travail établit une base pour le développement assisté par apprentissage automatique de matériaux Ni-WC et d’autres CMM fabriqués par FA, en facilitant la détection in situ d’anomalies coexistantes.