Identification de la source de chaleur équivalente du procédé FAAF (Fabrication Additive Arc Fil) par des algorithmes d’apprentissage automatique (Machine Learning)
Zaid Boutaleb, Sébastien Rouquette, Issam Bendaoud, Fabien Soulie
: fabien.soulie@umontpellier.fr
LMGC, Université de Montpellier, CNRS
Mots clés : simulation numérique, fabrication additive arc-fil, Machine Learning, soudage à l’arc, champ thermique
Résumé :
La fabrication additive métallique arc fil rend la fabrication de certaines pièces métalliques plus avantageuse en termes de rapidité et de coût de fabrication. Ce procédé est dérivé des procédés de soudage à l’arc. Le dépôt de matière métallique est réalisé par une torche de soudage dont les trajectoires sont très souvent assurées par un robot. La fusion du fil métallique est obtenue grâce à un arc électrique qui permet également la fusion localisée du substrat déjà existant. Ce procédé de fabrication directe repose sur des transferts métalliques et de chaleur. Les apports de chaleur localisés et les hautes températures obtenues dans le bain de fusion et à son voisinage conduisent à des champs thermiques dans lesquels interviennent de forts gradients thermiques, ayant des conséquences sur les états de contraintes et de déformations des pièces fabriquées.
La diversité et la complexité des phénomènes physiques mis en jeu dans les transferts de chaleur et dans le comportement du bain de fusion rendent délicate la simulation numérique directe de ces mécanismes aussi bien en terme de temps de calculs que d’identification des différents paramètres. Même s’ils ne permettent pas de retranscrire cette richesse de phénomènes, les modèles de sources de chaleur équivalentes permettent de retranscrire fidèlement l’apport de chaleur dans la pièce et d’obtenir de très bonnes prédictions des champs thermiques et des histoires thermiques avec des temps de calcul raisonnables. L’utilisation de ces modèles, qui peuvent prendre en compte des paramètres procédés (tension, intensité…), nécessite cependant l’identification de certains paramètres de source (rayons de distribution, rendement…). Les travaux présentés s’inscrivent dans ce contexte.
Des études antérieures font appel à des méthodes d’optimisation pour résoudre le problème inverse. Par exemple, la méthode de Levenberg-Marquardt consiste, par un processus itératif, à ajuster les coefficients recherchés par minimisation d’erreurs entre résultats de simulation et données (souvent issues de l’expérimentation). Ces approches sont très efficaces mais nécessitent d’être mises en œuvre pour l’identification des paramètres à chaque changement de type d’apport de chaleur.
La méthode proposée dans les travaux en cours utilise des algorithmes d’apprentissage automatique pour identifier les paramètres de source, ce qui présente l’avantage par rapport aux méthodes traditionnelles que les paramètres peuvent être identifiés immédiatement même en changent les paramètres procédés. La méthode consiste à construire un modèle de substitution qui relie les mesures extraites des simulations aux paramètres sources inconnus correspondants, nécessitant une grande quantité de données d’apprentissage avant de déployer la méthode. Un plan expérimental bien établi et des simulations avec des erreurs de discrétisation minimales sont nécessaires pour assurer une bonne base d’apprentissage du modèle de substitution. La robustesse du modèle de substitution varie selon l’algorithme d’apprentissage automatique choisi. Le choix du type de mesure expérimentale (forme de la zone de fusion, thermocouple, etc.) et de l’emplacement du thermocouple influence la précision de l’estimation des paramètres inconnus, d’où l’importance d’une étude de sensibilité du modèle de substitution.
Work In Progress