La précision alimentée par l'IA pour transformer l'impression 3D métal par laser

Dans le monde de l’impression 3D ou de la fabrication additive, le traitement des métaux par laser est une technique populaire qui permet une production automatisée, précise et rapide de composants complexes.

Le traitement des métaux par laser utilise un laser comme source d'énergie pour manipuler le métal. Un laser est un faisceau lumineux amplifié, ou rayonnement électromagnétique, capable de se propager en ligne droite avec une faible divergence. 

Cela rend les lasers très utiles dans le traitement des matériaux, où ils sont utilisés pour l'usinage, l'assemblage et l'ingénierie de surface. En fabrication additive, les lasers sont utilisés pour faire fondre les matériaux et fabriquer des composants couche par couche.

La fabrication additive consiste simplement à créer un produit couche par couche. Initialement, elle utilisait le plastique comme matériau, grâce à sa facilité de mise en œuvre. Mais elle s'est aujourd'hui étendue à tous les types de matériaux, y compris les métaux.

Les matériaux métalliques sont connus pour leurs propriétés attrayantes, telles qu'une excellente conductivité électrique et une résistance, une ductilité et un point de fusion élevés, ce qui les rend très utiles dans les applications biomédicales, énergétiques, architecturales et militaires. 

Le traitement laser des métaux offre des avantages uniques : densité énergétique élevée, zone thermiquement affectée étroite et faible contamination. C'est pourquoi les procédés laser sont utilisés dans de nombreux secteurs, notamment lorsqu'une précision maximale et une personnalisation poussée sont requises. Mais ce procédé présente ses propres complications et défis techniques. 

« Pour garantir que les processus basés sur le laser puissent être utilisés de manière flexible et obtenir des résultats cohérents, nous travaillons à une meilleure compréhension, surveillance et contrôle de ces processus. »

– Elia Iseli, chef du groupe de recherche au laboratoire de traitement des matériaux avancés de l'Empa

Dans ce but, les chercheurs Giulio Masinelli et Chang Rajani de l'Empa à Thoune rendent les techniques de fabrication basées sur le laser plus accessibles, plus abordables et plus efficaces, grâce à l'apprentissage automatique.

Comprendre les avantages et les défis de la fusion laser sur lit de poudre (PBF-LB)

Dans le domaine plus large du traitement des métaux par laser, la fusion sur lit de poudre est une méthode populaire, qui consiste à utiliser un laser pour faire fondre de fines couches de poudre métallique aux endroits précis et à les souder toutes ensemble pour produire le composant final.

La fusion sur lit de poudre par faisceau laser (PBF-LB), quant à elle, est une technique spécialisée qui a suscité un vif intérêt ces dernières années. Dans cette technologie de fabrication additive de pointe, des lasers à très haute puissance sont utilisés pour fondre spécifiquement des poudres métalliques couche par couche avant de les mélanger pour obtenir des composants personnalisés et de haute précision. 

Cette technique permet de réaliser des géométries complexes tout en offrant des capacités de personnalisation et en garantissant l’efficacité des matériaux. 

Ces caractéristiques rendent le PBF-LB particulièrement avantageux pour les industries telles que l'automobile, la médecine, l'aérospatiale et les produits de consommation, où nous avons besoin de pièces légères et complexes, de conceptions personnalisées, de précision, de réduction de poids et de prototypage rapide, respectivement. 

Bien que polyvalente et efficace, cette technique se heurte à plusieurs obstacles pour atteindre une adoption plus large et parvenir à une optimisation.

Cela inclut la difficulté d’identifier le cadre de traitement idéal pour la poudre métallique utilisée.

« Même un nouveau lot de la même poudre de départ peut nécessiter des réglages complètement différents. »

– Masinelli

L'apport énergétique élevé nécessaire à la fusion du métal selon cette technique crée des mécanismes physiques complexes qui nuisent à la qualité des pièces. Ces mécanismes incluent les irrégularités des propriétés des matériaux, l'influence des gaz atmosphériques et l'interaction du laser avec le panache de vapeur. Tous ces phénomènes compliquent l'identification des paramètres.

Cela est principalement dû à l'existence de deux modes. Le premier est le mode conduction, où le métal est simplement fondu, idéal pour les composants fins et précis. Le second est le mode trou de serrure, où le métal peut être vaporisé dans certains cas. Plus rapide mais aussi moins précis, il convient donc aux composants plus épais.

La frontière entre ces modes dépend toutefois de différents paramètres, et obtenir la meilleure qualité dans les produits finaux nécessite les bons réglages, qui varient en fonction du matériau traité. 

Les interactions complexes entre le matériau et le laser rendent également le procédé sensible à de très faibles variations, ce qui peut entraîner des problèmes de production et rendre cette technique gourmande en temps et en ressources. Par conséquent, le PBF-LB nécessite un réglage précis et laborieux des paramètres pour obtenir des résultats cohérents.

Mais ce n'est pas tout. Les échantillons produits à ce stade sont ensuite analysés à l'aide de différentes techniques telles que l'analyse microstructurale, les mesures de densité et la tomodensitométrie (TDM). 

Ces méthodes fournissent des informations détaillées sur les structures internes et détectent les défauts, ce qui est essentiel pour évaluer la qualité et les performances des pièces PBF-LB, mais encore une fois, elles nécessitent un équipement spécialisé et des connaissances d'experts en plus d'être coûteuses et chronophages.

« C’est pourquoi de nombreuses entreprises ne peuvent pas se permettre le PBF en premier lieu. »

– Masinelli

Pour résoudre tous ces problèmes, les chercheurs de l’Empa ont utilisé l’apprentissage automatique pour rendre les processus laser plus efficaces, plus rentables et plus précis.

Cliquez ici pour découvrir comment la fabrication additive transforme les industries.

Exploiter l'IA pour un contrôle en temps réel dans l'impression 3D métal

Pour l’analyse des échantillons, les chercheurs se sont tournés vers des méthodes de surveillance en temps réel utilisant des capteurs tels que l’émission acoustique (AE), l’imagerie thermique à grande vitesse et les capteurs optiques.

La surveillance en temps réel a été choisie pour sa capacité à détecter les événements indésirables pendant le processus de fabrication. Cela permet des ajustements immédiats et, par conséquent, des économies de ressources grâce à l'élimination et à la refonte des défauts. 

Ces techniques de surveillance en temps réel sont généralement basées sur des algorithmes d’apprentissage automatique (ML).

Domaine d'étude de l'intelligence artificielle, le ML s'intéresse au développement d'algorithmes statistiques qui apprennent à partir de données. Ces algorithmes extraient des modèles significatifs de données de grande dimension, puis effectuent des prédictions, dans le cas du traitement des métaux, sur la qualité des pièces, sans avoir à programmer explicitement des modèles physiques complexes.

Ces approches d'IA ne sont cependant pas sans limites. Parmi les défis, on peut citer l'apprentissage du modèle pour détecter les changements de paramètres de processus plutôt que le régime de processus et la formation de défauts.

La dérive naturelle des paramètres des machines au fil du temps constitue également un obstacle à la généralisation de ces modèles, limitant leur applicabilité pratique dans les environnements de fabrication réels. L'automatisation pose également des problèmes, nécessitant des équipements spécialisés et complexifiée par la multiplicité des paramètres, dont l'exploration est également complexe et gourmande en ressources.

Il existe un besoin évident d’algorithmes capables de naviguer de manière autonome dans l’espace des paramètres PBF, en tenant compte de plusieurs variables de processus, pour identifier les conditions optimales et comprendre les régimes de fusion sous-jacents.

Ce besoin est désormais abordé par les chercheurs de l'Empa, qui ont proposé une nouvelle méthode qui utilise la collecte non supervisée de données optiques en mettant l'accent sur l'identification du régime de fusion sans nécessiter de données étiquetées ou d'analyses de post-traitement approfondies.

Mise en œuvre de l'apprentissage non supervisé pour optimiser les paramètres PBF-LB

La nouvelle technique non supervisée développée par les chercheurs de l'Empa se concentre sur deux paramètres principaux : la puissance du laser et la vitesse de balayage, qui sont identifiés comme ayant l'impact le plus significatif sur le régime de fusion.

Alors que l'accent est mis sur étude¹ Étant donné que la technique repose sur ces deux paramètres, elle peut également être utilisée pour d'autres paramètres de procédé. À l'avenir, les chercheurs intégreront le débit de gaz, l'espacement des trappes et l'épaisseur des couches à leur algorithme afin de permettre une exploration plus complète de l'espace paramétrique PBF-LB.

Pour l’instant, la méthode proposée indique avec précision la transition entre le mode de conduction et le mode trou de serrure.

L'approche non supervisée fournit également une base pour extraire des cartes de traitement sans dépendre de données étiquetées, ce qui offre un avantage considérable dans PBF-LB, où l'obtention de données étiquetées est à la fois coûteuse et difficile.

L'étude s'appuie en fait sur cette base et introduit une méthode originale qui combine des éléments d'apprentissage actif (sélection des points de données les plus informatifs) et d'optimisation bayésienne (stratégie d'échantillonnage itératif utilisant un modèle probabiliste) pour dériver efficacement des cartes de traitement.

Ce qui rend l’approche différente, c’est qu’elle commence sans données, puis construit progressivement l’ensemble de données en décidant où effectuer chaque nouvelle expérience, permettant ainsi d’optimiser le processus expérimental.

Il est à noter que, malgré l'utilisation d'une approche itérative pour l'affinement, le modèle reste non supervisé tout au long du processus, car il ne nécessite pas de données étiquetées. Pour identifier les régimes de fusion, l'algorithme s'appuie sur des caractéristiques extraites des données optiques, et les résultats sont ensuite utilisés pour entraîner un classificateur de processus gaussien (GPC) afin de fournir une estimation probabiliste de la carte. 

En ce qui concerne la facette itérative, l'algorithme sélectionne de nouveaux paramètres d'essai en fonction des champs qui présentent une incertitude élevée dans les prédictions, ce qui améliore l'estimation de la carte de traitement.

En résumé, l'algorithme apprend à détecter le mode de soudage du laser lors d'un test, grâce aux données des capteurs optiques déjà intégrés aux machines laser. Sur cette base, l'algorithme définit les paramètres du test suivant.

« Nous espérons que notre algorithme permettra aux non-experts d'utiliser les appareils PBF », a déclaré Masinelli. Il suffit de l'intégrer au firmware des machines de soudage laser par les fabricants.

Évaluation de l'efficacité du modèle d'IA dans les applications PBF-LB

Le nouvel algorithme introduit par les chercheurs pour éliminer le besoin d'un réglage approfondi des paramètres, qui limite l'adoption plus large du PBF-LB, identifie indépendamment les régimes de fusion à l'aide de données provenant de photodiodes.

Et lorsqu'elle a été testée en laboratoire, l'équipe a constaté que la méthode était très précise, atteignant un score F1 de 89.2 % sur deux matériaux. Pour évaluer les performances, les chercheurs ont imprimé plusieurs pièces dans deux matériaux. 

Le premier était le Ti-6Al-4V, l'un des alliages de titane (alpha-bêta) les plus couramment utilisés, offrant une excellente résistance à la corrosion et une résistance spécifique élevée. Le second était l'acier inoxydable 316L, une version bas carbone de l'acier inoxydable 316, couramment utilisé dans l'agroalimentaire, les équipements pharmaceutiques, les dispositifs médicaux, la bijouterie, l'horlogerie de luxe, le traitement des eaux usées et l'industrie chimique.

L'équipe a notamment procédé à des inspections du bain de fusion pour vérifier les prédictions de l'algorithme. 

L'évaluation a montré que cette approche réduisait de 67 % le besoin d'essais expérimentaux pour les deux métaux, tout en maintenant des performances robustes. Cela permet de réduire considérablement le coût de l'exploration des paramètres. Parallèlement, la diminution du score F8.88 n'a été que de 1 % au maximum par rapport à un plan d'expérience factoriel complet traditionnel.

L'étude a déclaré:

« Ces résultats soulignent l'efficacité de notre méthode dans le contexte de la dérivation de cartes de traitement autonomes pour les processus de fabrication avancés. » 

Selon les chercheurs, la méthode présentée ici peut « considérablement améliorer » l'efficacité et la fiabilité du PBF-LB, ce qui pourrait favoriser son adoption à plus grande échelle en améliorant son efficacité globale dans divers secteurs. Selon l'étude :

« Nos résultats démontrent le potentiel de cette méthode pour rationaliser l'optimisation PBF-LB, la rendant plus réalisable pour les applications industrielles et ouvrant la voie à son adoption plus large. » 

Amélioration des processus de soudage laser grâce à l'intégration de l'IA et du FPGA

Outre l’optimisation des expériences préliminaires, les chercheurs ont également amélioré le processus de soudage dans un autre projet. 

En matière de soudage laser, même avec des réglages idéaux, le processus peut toujours produire des écarts imprévisibles, et même un écart mineur peut entraîner de graves défauts dans le produit.

« Il est actuellement impossible d'influencer le processus de soudage en temps réel », a déclaré le chercheur Rajani. « Cela dépasse les capacités des experts humains. »

– Chercheur Rajani

En fait, même les ordinateurs peinent à gérer la vitesse à laquelle les données doivent être analysées et les décisions prises. Les chercheurs ont utilisé ici une puce informatique spécialisée.

Cette puce, appelée FPGA (Field-Programmable Gate Array), est conçue pour le calcul haute performance (HPC) et le prototypage. Après sa sortie du fabricant, elle peut être programmée et adaptée à différents cas d'utilisation sans nécessiter de modification matérielle. Sa polyvalence, combinée à ses hautes performances, en fait un atout précieux pour les secteurs de l'aérospatiale, de l'automobile et des télécommunications.

Masinelli a noté :

« Avec les FPGA, nous savons exactement quand ils exécuteront une commande et combien de temps l'exécution prendra – ce qui n'est pas le cas avec un PC conventionnel. » 

Les chercheurs ont relié le FPGA à un PC pour servir de « cerveau de secours ». Tandis que la puce observe et contrôle les paramètres laser, ces données sont également utilisées par l'algorithme du PC pour l'apprentissage.

« Si nous sommes satisfaits des performances de l'algorithme dans l'environnement virtuel du PC, nous pouvons le « transférer » vers le FPGA et rendre la puce plus intelligente en même temps. »

– Masinelli

Les chercheurs sont convaincus que l'apprentissage automatique et l'intelligence artificielle (ML) ont le potentiel d'apporter une contribution significative à l'usinage laser des métaux. C'est pourquoi ils continueront de développer leurs algorithmes et leurs modèles, ainsi que d'élargir leur champ d'application, en collaboration avec d'autres groupes de recherche et partenaires industriels.

Explorer les opportunités d'investissement dans les technologies d'impression 3D

Colibrium Additive est aujourd'hui un acteur clé de la conception et de la fabrication additives métalliques. Il fait partie de General Electric Company (GE ), qui fait désormais des affaires sous le nom de GE Aerospace. 

Auparavant connu sous le nom de GE Additive, il a été relancé sous le nom de Colibrium Additive l'été dernier, et dans le cadre du changement de marque, Concept Laser et Arcam EBM ont été retirés.

« Même si nous changeons de nom, nous restons fidèles à notre engagement envers nos clients, la qualité et la fiabilité. Nous continuerons d'être à la pointe du secteur de la fabrication additive et de le révolutionner positivement. »

– PDG Alexander Schmitz

General Electric (GE )

En ce qui concerne les imprimantes 3D proposées par Colibrium Additive, elles comprennent les imprimantes Electron Beam Powder Bed Fusion (EB-PBF), les imprimantes Laser Powder Bed Fusion (L-PBF) et Binder Jet. 

Quant à la performance de l’entreprise sur le marché, elle a connu une véritable prospérité au cours des dernières années. 

Avec une capitalisation boursière de plus de 260 milliards de dollars, l'action GE s'échange actuellement autour de 244 dollars, en hausse substantielle de 46 % cette année. Le cours de l'action se rapproche rapidement de son pic d'environ 290 dollars, atteint en 2000. Son BPA (sur les trois derniers mois) s'élève à 6.35 et son PER (sur les trois derniers mois) à 38.46, tandis que le rendement du dividende offert aux actionnaires est de 0.59 %.

Dans le même temps, les résultats financiers de l'entreprise montrent un solide premier trimestre 1 au cours duquel GE a enregistré un chiffre d'affaires total de 2025 milliards de dollars, soit une augmentation de 9.9 %, tandis que le total des commandes a bondi de 11 % pour atteindre 12 milliards de dollars.

Ce bon début d'année 2025 a été stimulé par les services commerciaux, a déclaré le PDG H. Lawrence Culp, Jr., tout en soulignant la dynamique macroéconomique qui oblige l'entreprise à prendre des mesures stratégiques, telles que le contrôle des coûts et l'exploitation des programmes commerciaux disponibles.

Le bénéfice d'exploitation a bondi de 38 % au premier trimestre 1, pour atteindre 25 milliards de dollars, tandis que le BPA ajusté a progressé de 2.1 % pour atteindre 60 dollar. Au cours de cette période, GE a également rapporté 1.5 milliard de dollars de trésorerie provenant des activités d'exploitation (PCGR), tandis que le flux de trésorerie disponible a augmenté de 14 % pour atteindre 1.4 milliard de dollars. L'entreprise a également annoncé un carnet de commandes de services commerciaux de plus de 140 milliards de dollars.

Au milieu de tout cela, Propulsion & Additive Technologies n'a progressé que de 1 %, la société notant que les prix et le volume ont compensé la baisse des expéditions résultant d'un démarrage en douceur prévu des ventes d'équipements.

Dans son rapport annuel de cette année, GE a déclaré « un déclin dans le secteur de la fabrication additive en raison d'une adoption plus lente de la technologie », mais en même temps, il a noté que Colibrium Additive était « une activité essentielle pour la technologie actuelle et future de GE Aerospace alors que nous continuons à nous concentrer sur les domaines où elle peut créer le plus de valeur ».

Actualités et développements récents concernant les actions de General Electric (GE)

Conclusion

Alors que l’IA continue de progresser et de transformer les industries, elle contribue également à redéfinir ce qui est possible dans la fabrication moderne en accélérant l’optimisation des processus et en permettant une adaptabilité en temps réel. 

En réduisant considérablement le temps et les coûts associés au réglage des paramètres et à la détection des défauts dans le PBF et en obtenant un contrôle en temps réel du soudage laser, la fabrication additive basée sur le laser est prête à être adoptée plus largement, ouvrant la voie à une nouvelle ère de production efficace, accessible et personnalisée.

Cliquez ici pour une liste des meilleurs stocks d’impression 3D.

Études référencées :

^{1. Masinelli, G., Schlenger, L., Wasmer, K., Ivas, T., Jhabvala, J., Rajani, C., Jamili, A., Logé, R., Hoffmann, P., & Atienza, D. (2025). Exploration autonome de l'espace paramétrique PBF-LB : un algorithme basé sur l'incertitude pour la génération automatisée de cartes de traitement. Fabrication additive, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}