Optimisation de la Séquence de Fabrication pour Minimiser la Distorsion en Fabrication Additive Multi-Axes

1. Introduction

La fabrication additive (FA) multi-axes, illustrée par la fabrication additive par arc avec fil (WAAM) robotisée, introduit une flexibilité de fabrication en permettant la réorientation de la tête d'impression ou de la pièce. Cela brise la contrainte de dépôt en couches planaires inhérente à la FA conventionnelle. Cependant, la FA métallique implique des gradients thermiques importants et des transformations de phase, conduisant à une dilatation/contraction thermique inégale et à une distorsion conséquente, ce qui impacte de manière critique la précision dimensionnelle et les performances structurelles pour l'assemblage.

L'optimisation de la séquence de fabrication — l'ordre dans lequel le matériau est déposé — représente une nouvelle voie pour atténuer cette distorsion. Le défi réside dans la représentation de la séquence comme des variables d'optimisation différentiables adaptées aux méthodes basées sur le gradient. Ce travail aborde ce problème en proposant un cadre computationnel pour l'optimisation de la séquence de fabrication afin de minimiser la distorsion.

2. Méthodologie

2.1 Encodage du Champ de Pseudo-Temps

Le cœur du cadre est la représentation de la séquence de fabrication. Chaque point matériel x dans le domaine de la pièce Ω se voit attribuer un pseudo-temps scalaire $T(x)$. Le processus de fabrication est modélisé comme la matérialisation séquentielle des points selon ce champ : un point avec un $T$ plus petit est déposé avant un point avec un $T$ plus grand. Cela transforme l'optimisation discrète de séquence en un problème d'optimisation de champ continu.

2.2 Modélisation de la Distorsion

Un modèle simplifié mais physiquement représentatif est utilisé pour prédire la distorsion. Il imite la méthode de déformation inhérente, où chaque nouvel élément de matériau déposé subit une déformation de retrait prescrite (par exemple, une contraction thermique) lors du refroidissement. La distorsion accumulée $\mathbf{u}$ est calculée en résolvant les équations d'équilibre de l'élasticité linéaire sur l'ensemble du domaine, en tenant compte des champs de déformation dépendants de l'historique.

2.3 Optimisation Basée sur le Gradient

L'objectif est de minimiser une mesure de la distorsion finale, par exemple, la compliance du champ de distorsion ou son déplacement maximal. La variable de conception est le champ de pseudo-temps $T(x)$. Le gradient de l'objectif par rapport à $T(x)$ est calculé en utilisant la méthode adjointe, permettant une optimisation à grande échelle efficace. Des contraintes garantissent que le champ temporel est monotone pour représenter une séquence de dépôt valide et non réversible.

3. Études Numériques & Résultats

3.1 Cas de Référence : Poutre en Console

Le cadre a été testé sur une géométrie de poutre en console 3D. Le cas de référence utilisait des couches planaires verticales conventionnelles. L'algorithme d'optimisation avait pour tâche de trouver un champ de pseudo-temps qui minimise la déflexion verticale à l'extrémité libre de la poutre due au retrait induit par le dépôt.

3.2 Comparaison : Couches Planaires vs. Courbes

L'étude a comparé visuellement et quantitativement les champs de distorsion. La séquence en couches planaires a conduit à un effet de flexion cumulatif prévisible. En revanche, la séquence optimisée en couches courbes a stratégiquement "équilibré" les déformations de retrait dans tout le volume, souvent en déposant le matériau d'une manière qui induit des distorsions contraires, aboutissant à une pièce finale quasi conforme à la forme nette.

4. Analyse Technique & Cadre

4.1 Formulation Mathématique

Le problème d'optimisation peut être résumé ainsi : $$ \begin{aligned} \min_{T} \quad & J(\mathbf{u}) = \int_{\Omega} \mathbf{u} \cdot \mathbf{u} \, d\Omega \\ \text{s.t.} \quad & \nabla \cdot \boldsymbol{\sigma} + \mathbf{b} = \mathbf{0} \quad \text{dans } \Omega \\ & \boldsymbol{\sigma} = \mathbf{C} : (\boldsymbol{\epsilon} - \boldsymbol{\epsilon}^{sh}(T)) \\ & \boldsymbol{\epsilon} = \frac{1}{2}(\nabla \mathbf{u} + \nabla \mathbf{u}^T) \\ & T_{\min} \leq T(x) \leq T_{\max}, \quad \nabla T \cdot \mathbf{n} \geq 0 \, (\text{monotonie}) \end{aligned} $$ Où $J$ est l'objectif de distorsion, $\boldsymbol{\epsilon}^{sh}(T)$ est la déformation de retrait dépendante du pseudo-temps, et la contrainte de monotonie assure un ordre de dépôt réalisable.

4.2 Exemple de Cadre d'Analyse

Scénario : Optimiser la séquence d'impression pour une équerre produite par WAAM afin de minimiser le gauchissement pour l'assemblage ultérieur.

1. Entrée : Modèle CAO 3D de l'équerre, paramètres de retrait du matériau (issus de l'étalonnage).
2. Discrétisation : Mailler le domaine. Initialiser un champ de pseudo-temps (par exemple, correspondant à des couches planaires).
3. Boucle de Simulation : Pour le champ $T$ actuel, simuler le dépôt séquentiel et calculer le champ de distorsion final $\mathbf{u}$ et l'objectif $J$.
4. Adjointe & Gradient : Résoudre l'équation adjointe pour calculer efficacement $\partial J / \partial T$.
5. Mise à Jour : Utiliser un optimiseur basé sur le gradient (par exemple, MMA, SNOPT) pour mettre à jour le champ $T$, en respectant les contraintes.
6. Sortie : Le champ $T$ optimisé, qui est ensuite interprété en une trajectoire d'outil robot pour le dépôt WAAM en couches courbes.

5. Perspectives d'Application & Directions Futures

Le cadre ouvre plusieurs voies d'impact :

• Intégration avec des Modèles Thermo-Mécaniques Complets : Le modèle de retrait actuel est une simplification. Les travaux futurs doivent intégrer des simulations thermo-mécaniques transitoires haute fidélité, similaires aux défis multi-physiques abordés dans les modèles pour la fusion sur lit de poudre laser. Cela augmente la précision mais aussi le coût computationnel, nécessitant une réduction de l'ordre du modèle.
• Planification de Trajectoire pour WAAM Robotisé : Le champ de pseudo-temps optimisé doit être traduit en trajectoires robotiques réalisables cinématiquement et sans collision. Cela fait le lien entre la conception computationnelle et l'exécution robotique.
• Optimisation Multi-Objectif : Optimiser simultanément la distorsion, les contraintes résiduelles, le temps de construction et le volume de structure de support. Cela s'aligne sur l'optimisation holistique des processus observée dans la recherche en fabrication avancée d'institutions comme le Oak Ridge National Laboratory.
• Substituts par Apprentissage Automatique : Pour atteindre une planification de séquence en temps réel ou quasi réel, des réseaux de neurones peuvent être entraînés comme substituts à la simulation physique coûteuse, suivant les tendances établies par des travaux comme CycleGAN pour la traduction d'image à image, mais appliqués à la cartographie de la géométrie vers des séquences de dépôt optimales.
• Correction de Distorsion In-Situ : Combiner le plan optimisé avec une surveillance en cours de processus (par exemple, balayage laser) pour créer un système en boucle fermée qui ajuste la séquence en temps réel en fonction de la distorsion mesurée.

6. Références

1. Ding, D., Pan, Z., Cuiuri, D., & Li, H. (2015). Wire-feed additive manufacturing of metal components: technologies, developments and future interests. The International Journal of Advanced Manufacturing Technology, 81(1-4), 465-481.
2. Williams, S. W., Martina, F., Addison, A. C., Ding, J., Pardal, G., & Colegrove, P. (2016). Wire+ Arc additive manufacturing. Materials Science and Technology, 32(7), 641-647.
3. Wang, W., van Keulen, F., & Wu, J. (2023). Fabrication Sequence Optimization for Minimizing Distortion in Multi-Axis Additive Manufacturing. arXiv preprint arXiv:2212.13307.
4. Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. Proceedings of the IEEE international conference on computer vision (pp. 2223-2232).
5. Oak Ridge National Laboratory. (2017). 3D Printed Excavator Project. Récupéré de https://www.ornl.gov/news/3d-printed-excavator-project.
6. Bendsøe, M. P., & Sigmund, O. (2003). Topology optimization: theory, methods, and applications. Springer Science & Business Media.