Fabrication additive assistée par la connaissance et l'intelligence artificielle – KAM4AM

Le projet adopte une approche basé sur l'ingénierie des connaissances, d'une part, et sur l'intelligence artificielle d'autre part. L'élicitation des connaissances des experts de la fabrication DED permet la mise en place d'un système de récompense performant pour les algorithmes d'apprentissage par renforcement mobilisés. Couplée à des simulation thermomécaniques en éléments finis, cette connaissance experte est également mobilisée pour le développement de modèles phénoménologiques rapides permettant de simuler le dépôt de matière lors de la fabrication. Cette simulation nécessaire à l'évaluation des trajectoires de fabrication lors des itérations d'apprentissage par renforcement.

L'objectif final du projet est la création d'un système de FAO basé sur la connaissance et l'intelligence artificielle, dédié à la fabrication additive DED. Les premiers résultats du projets concernent plusieurs briques de ce système :
- une première version d'un environnement apprenant, basée sur une architecture logicielle modulaire, a été créée. La librairie Gym a été choisie pour les algorithmes d'apprentissage par renforcement . Celle-ci permet l’usage de tous les algorithmes standards et garantit la compatibilité avec les futurs algorithmes. L’environnement proposé a été testé dans le cas d’un apprentissage simple. Pour cela un simulateur simpliste basé sur la voxélisation de l’espace de fabrication a été créé. Celui-ci permet de simuler la fabrication d’une pièce et de vérifier son bon remplissage géométrique. L’agent apprenant peut ainsi tester différentes actions comme se déplacer ou allumer la source d’énergie. Les études menées ont montré une bonne convergence de l’agent apprenant et une possibilité de généralisation à d’autres types de pièces que les pièces utilisées pour l’apprentissage. De plus, ces résultats ont permis de caractériser le nombre d’actions nécessaires à un bon apprentissage et donc le temps de calcul tolérable (du simulateur) pour un apprentissage en temps raisonnable. Les travaux suivants se sont consacrés à l’obtention d’un simulateur rapide. Enfin, le rôle clef du système de récompense a été mis en évidence. Celui-ci fera l’objet de futures études.
- Une version du modèle thermique aux éléments finis du procédé de fabrication WAAM (modèle 3D haute-fidélité concernant la génération d’un mur) a été créée et validée par rapport aux résultats disponibles en littérature. Une base de données pour la variation de différents paramètres de dépôt (Travel Speed, Puissance de la torche et temps d’attente entre la déposition de deux couches) a été construite. Cette base est nécessaire pour alimenter le méta-modèle phénoménologique basé sur les NURBS qui sera créé par la suite.
- un simulateur thermique temps réel des températures sur la couche supérieure du substrat a également été développé. Moins ambitieux en termes de précision que ne devra l'être le simulateur phénoménologique final à base de NURBS, il va permettre de poursuivre le développement de l’environnement d’apprentissage et le système de récompenses associé.

Le projet va poursuivre le travail engagé sur le simulateur thermique phénoménologique, ce qui va notamment nécessiter de réaliser une campagne de réalisation de pièces tests et de nombreux calculs à l'aide du modèle éléments finis développé. Il est également prévu le développement d'un simulateur géométrique rapide permettant d'évaluer la forme du cordon déposé à partir de la carte de températures simulée. En parallèle, le travail va aussi concerner la formalisation des connaissances expertes et la construction du système de récompenses qui va s'appuyer dessus.

Tezenas Du Montcel, T., Beraud, N., Vignat, F., Pailhès, J., Marin, P., Pourroy, F. (2023). Real-Time Approximative Thermal Simulation for Wire Arc Additive Manufacturing. In: Gerbino, S., Lanzotti, A., Martorelli, M., Mirálbes Buil, R., Rizzi, C., Roucoules, L. (eds) Advances on Mechanics, Design Engineering and Manufacturing IV. JCM 2022. Lecture Notes in Mechanical Engineering. Springer, Cham. doi.org/10.1007/978-3-031-15928-2_50
Vignat, F., Béraud, N., Montcel, T.T.D. (2023). Toolpath Calculation Using Reinforcement Learning in Machining. In: Gerbino, S., Lanzotti, A., Martorelli, M., Mirálbes Buil, R., Rizzi, C., Roucoules, L. (eds) Advances on Mechanics, Design Engineering and Manufacturing IV. JCM 2022. Lecture Notes in Mechanical Engineering. Springer, Cham. doi.org/10.1007/978-3-031-15928-2_100
M. Zani, B. Vuillod, M. Montemurro, E. Panettieri, P. Marin. A metamodel based on NURBS hypersurfaces to simulate the wire arc additive manufacturing. 2nd International Conference on Computations for Science and Engineering ICCSE2 Rimini Riviera, 30 August - 2 September, 2022

Dans le domaine de la fabrication additive, la technologie DED (Directed Energy Deposition) connait actuellement un intérêt croissant auprès des industriels. Si ce nouveau procédé a l’avantage de produire rapidement des pièces 3D de grandes dimensions, la génération des trajectoires de dépôts de matière reste un problème complexe que les logiciels de FAO existants peinent à résoudre correctement. Le projet KAM4AM vise à développer une solution logicielle innovante pour la fabrication, basée sur une technique éprouvée d’intelligence artificielle, l’apprentissage par renforcement, pour en faire une FAO apprenante et adaptative. Une liste de cas d’étude issus de l’industrie permettra de recueillir les typologies de pièces et les difficultés techniques et scientifiques spécifiques à la technologie DED. Associées aux cas issus de la recherche, ces données permettront de définir les objectifs et les fonctions de l’environnement DED apprenant à créer.
Les principaux verrous scientifiques du projet, liés à cette technique d’apprentissage par renforcement, sont d’une part la conception d’un système de « récompenses » problème-indépendant, calé sur les règles métier, et d’autre part la création d’un modèle phénoménologique rapide du procédé DED permettant les nombreuses itérations d’apprentissage. Les trajectoires ainsi générées seront mises à l’épreuve avant de pouvoir être intégrées par le partenaire DPRI dans le logiciel Esprit Additive.