Development of hybrid machine learning models for assessing the manufacturability of designs for additive manufacturing processes

Zhang, Y. (2022). Development of hybrid machine learning models for assessing the manufacturability of designs for additive manufacturing processes. Thèse.

 

La fabrication additive (AM), également connue sous le nom d’impression 3D, est une tendance émergente du processus de fabrication gagnant en popularité. Cette méthode génère des pièces à partir d’un modèle 3D en ajoutant des couches successives de matériaux et en les fusionnant. Les principaux avantages de la AM sont la possibilité de personnaliser les pièces et de fabriquer des géométries complexes telles que des structures en treillis qui sont extrêmement difficiles à fabriquer dans le processus de fabrication soustractive. Bien que la AM ait été utilisée dans de nombreuses applications industrielles, elle a une barrière à l’entrée très élevée pour les débutants. Pour tirer pleinement parti de cette technologie, une compréhension approfondie est nécessaire. L’impression 3D peut échouer pour de nombreuses raisons telles qu’une mauvaise sélection de l’orientation de fabrication, des matériaux, des paramètres de processus et un support insuffisant. Il est difficile pour les non-experts en AM de déterminer si leurs conceptions sont imprimables ou non via le processus sélectionné. Il leur est encore plus difficile d’effectuer seuls les modifications appropriées avant la fabrication. Pour combler ces lacunes, une recherche a été réalisée sur l’utilisation d’une méthode d’apprentissage automatique (ML) pour évaluer la fabricabilité des conceptions pour les processus de AM. Un analyseur ainsi qu’un outil de recommandation de fabricabilité automatisés avec une interface Web ont été développés en tant que mise en œuvre des modèles ML hybrides développés. Cet outil peut servir d’évaluation de premier niveau des conceptions pour les utilisateurs AM novices tels que les concepteurs afin de réduire la perte de temps et de coût dans les fabrications AM. Les contributions majeures de cette thèse sont les suivantes: 1) Une base de données unique pour le processus de fusion laser sur lit de poudre (LPBF) et le processus de modélisation de dépôt par fusion (FDM). 2) Une nouvelle approche sur l’analyse de la fabricabilité du LPBF en utilisant des modèles hybrides ML. Les modèles prennent en compte à la fois les informations de processus et les perspectives de conception. 3) Un réseau de neurones convolutifs (CNN) hybrides clairsemés a été développé pour prédire la fabricabilité afin d’augmenter l’efficience et l’efficacité des modèles ML. 4) Un système a été développé pour aider les utilisateurs en impression AM en fournissant des recommandations sur les modifications potentielles. 5) Une application Web d’analyseur et de recommandation est mise en œuvre pour fournir une analyse de fabrication complète et facile d’accès aux utilisateurs AM novices. 6) Démonstration de la façon dont l’approche basée sur les données peut aider les processus de conception et de fabrication et le cadre peut être étendu à tout processus où les pièces peuvent être classées sur la base d’une inspection visuelle et d’un étiquetage de base.