Predictive modeling of geometric defects in additive manufacturing : application to lattice structures
Modélisation prédictive des défauts géométriques en fabrication additive : application aux structures lattices
Résumé
Additive manufacturing (AM) offers new possibilities for producing parts with architectural geometries, such as lattice structures. However, controlling the geometric quality of the resulting parts remains a major challenge due to the inherent defects of the manufacturing process. Lattice structures, in particular, have additional geometric defects related to their architecture. The main objective of this PhD thesis is to characterize the geometric defects of lattice parts produced by metallic AM using a predictive model. First, the different geometric defects, their characteristics, and the methods for acquisition of their data by dimensional measurement are presented. Digital processing of the data obtained by measurement or simulation involves a number of operations, in particular the registration process which has been investigated, with the development of a specific method adapted to lattice structures. In addition, a skeletonization technique has been used to improve both registration and partitioning. Geometric deviations are then evaluated and used to train a 2D convolutional neural network. The 3D geometric data are transformed into 2D images via a flattening step and an augmentation technique is applied to enrich the dataset. Furthermore, an inpainting method has been used to refine the data and ease the learning process. Finally, a 3D convolutional neural network was implemented to better adapt to the three-dimensional nature of the geometric data.
La fabrication additive (FA) offre de nouvelles possibilités pour la réalisation de pièces de formes architecturées telles que les structures lattices. Toutefois, la maitrise de la qualité géométrique des pièces obtenues demeure un défi de taille en raison des défauts inhérents au processus de fabrication. Les structures lattices, en particulier, présentent des défauts géométriques additionnels liés à leur architecture. L'objectif principal de ce travail de thèse est de caractériser les défauts géométriques des pièces lattices produites par FA métallique en utilisant un modèle prédictif. Tout d'abord, les différents défauts géométriques, leurs caractéristiques et les méthodes d'acquisition de leurs données par mesure dimensionnelle sont présentés. Le traitement numérique des données issues de la mesure ou obtenues par simulation nécessite un certain nombre d'étapes et d'opérations parmi lesquels le recalage a été particulièrement investigué, et une méthode spécifiquement adaptée aux structures lattices a été élaborée. De plus, à l'aide d'une technique de squelettisation, le recalage et le partitionnement ont été optimisés. Les écarts géométriques sont ensuite quantifiés pour servir de données d'entraînement à un réseau de neurones convolutif 2D. Les données de nature géométrique 3D sont transformées en images 2D via une étape d'aplatissement et pour enrichir le jeu de données, une technique d'augmentation a été appliquée. De plus, une méthode d'inpainting a été utilisée pour affiner les données et faciliter l'apprentissage. Enfin, un réseau de neurones convolutif 3D a été mis en place pour mieux s'adapter à la nature tridimensionnelle des données géométriques.
Origine | Version validée par le jury (STAR) |
---|