Forward and inverse prediction of micro-channel topographies in abrasive slurry jet machining: a machine learning framework and a graphical web-based tool

Résumé Technique : Prédiction Directe et Inverse des Topographies de Micro-Canaux en Usinage par Jet de Boue Abrasive

Énoncé du Problème
L'usinage par micro-jet de boue abrasive (ASJM) est un processus stratégique pour la création de micro-caractéristiques à haut rapport de forme dans des matériaux durs, fragiles ou sensibles à la température, sans zone affectée thermiquement. Malgré son potentiel pour les dispositifs biomédicaux, les MEMS et les canaux de refroidissement aérospatiaux, l'adoption industrielle est entravée par la difficulté de prédire et de contrôler la topographie usinée. Le problème direct (prédire le profil d'érosion à partir des paramètres du processus) est complexifié par la forte turbulence du jet, la dynamique d'érosion non linéaire des particules et une multitude de paramètres opérationnels interdépendants. Le problème inverse (déterminer les paramètres de processus requis pour obtenir une topographie donnée) est encore plus difficile et a été rarement abordé. Les méthodes numériques existantes, telles que la mécanique des fluides numérique (CFD), offrent une haute fidélité mais sont coûteuses en calcul et difficiles à inverser pour un contrôle en temps réel. Inversement, les applications précédentes de l'apprentissage automatique (ML) dans l'usinage par jet abrasif se sont limitées à la prédiction de sorties scalaires comme la rugosité de surface ou la profondeur de coupe, plutôt qu'à des profils de surface complets.

Méthodologie
L'étude emploie une approche basée sur les données utilisant un ensemble de données complet généré à partir d'un plan d'expériences factoriel complet impliquant 270 combinaisons uniques de paramètres opérationnels sur de l'aluminium AA6061-T6. Les variables indépendantes étaient la pression de la pompe ($P$), la vitesse de déplacement de la buse ($V$), la distance de décollage ($SOD$) et le nombre de passes d'usinage ($N$). La sortie cible était un vecteur de dimension 220 représentant le profil de profondeur de la section transversale du micro-canal.

Quatre modèles d'apprentissage supervisé ont été développés et comparés :

1. Régression Polynomiale : Une base paramétrique utilisant l'expansion de caractéristiques pour capturer les non-linéarités.
2. Forêt Aléatoire (RF) : Une méthode d'ensemble non paramétrique améliorée par une ingénierie de caractéristiques informée par le domaine (ex: potentiel érosif cumulé $P \times N$).
3. Réseau de Neurones Artificiels (ANN) : Un modèle d'apprentissage profond entièrement connecté conçu pour mapper les entrées vers le vecteur de profil complet.
4. Réseau de Neurones Convolutifs (1D-CNN) : Une architecture d'apprentissage profond utilisant des couches convolutives pour capturer les corrélations spatiales locales au sein du profil.

Tous les modèles ont été entraînés sur 85 % des données et évalués sur un ensemble de test isolé à l'aide de l'erreur quadratique moyenne (MSE), de l'erreur absolue moyenne (MAE) et du coefficient de détermination ($R^2$). L'étude a également étudié la sensibilité des modèles à la taille du jeu de données (25 % à 100 %) et au bruit d'entrée.

Pour le problème inverse, un ANN a été entraîné pour inférer les paramètres de processus ($P, SOD, V, N$) à partir d'une géométrie cible. Pour traiter la nature « plusieurs-vers-un » du problème inverse (où plusieurs ensembles de paramètres peuvent produire la même géométrie), les auteurs ont employé une perte de « cohérence directe ». Les paramètres prédits étaient passés à travers l'ANN direct pré-entraîné pour générer un profil simulé, qui était ensuite comparé à la géométrie cible. Cela garantissait que le modèle inverse produisait des paramètres physiquement cohérents. Un cadre d'inversion probabiliste utilisant le dropout de Monte-Carlo a également été implémenté pour générer une distribution de solutions réalisables plutôt qu'une simple estimation déterministe.

Contributions Clés

1. Prédiction de Profil Complet : Ce travail présente le premier cadre de ML capable de prédire le vecteur complet du profil de section transversale des micro-canaux usinés par ASJM, allant au-delà des mesures scalaires comme la rugosité ou la profondeur.
2. Ingénierie de Caractéristiques Informée par la Physique : L'étude incorpore un schéma d'entraînement conscient de la monotonie en utilisant des caractéristiques ingéniérées (ex: $P \times N, SOD \times V, P/V$) pour encoder les dépendances connues du taux d'érosion, assurant une comparaison équitable des modèles.
3. Conception Inverse Probabiliste : Les auteurs ont développé un cadre inverse sensible aux contraintes qui renvoie un ensemble de combinaisons de paramètres réalisables avec des estimations d'incertitude, traitant explicitement la non-unicité du problème inverse.
4. Évaluation de l'Applicabilité en Temps Réel : L'étude quantifie la latence d'inférence, démontant que les substituts (surrogates) d'apprentissage profond peuvent opérer dans le budget de millisecondes par passe requis pour le contrôle de processus en boucle fermée, contrairement aux simulations CFD traditionnelles.
5. Outil Open-Source : Les modèles entraînés et le jeu de données expérimentales sont publiés sous la forme d'une application web gratuite accessible via un navigateur, permettant aux opérateurs sans expérience en programmation d'utiliser les outils.

Résultats

• Prédiction Directe : Tous les modèles ont prédit avec succès les profils de micro-canaux présentant des rapports de forme allant de 0,06 à environ 2. L'ANN a atteint la plus haute précision ($R^2 = 0,817$, MAE = 0,00339 mm), suivi de près par le 1D-CNN ($R^2 = 0,807$). Les modèles traditionnels (Régression Polynomiale et RF) ont performé raisonnablement bien ($R^2 \approx 0,76$) mais étaient moins précis sur les caractéristiques à haut rapport de forme.
• Sensibilité du Jeu de Données : Les performances se sont améliorées avec la taille du jeu de données, atteignant un plateau après l'utilisation de 75 % des données. L'ANN a démontré la plus grande robustesse, maintenant un $R^2$ de 0,7 même avec seulement 25 % du jeu de données, tandis que le modèle Random Forest s'est considérablement dégradé ($R^2 = 0,32$) dans les mêmes conditions.
• Robustesse au Bruit : Les modèles d'apprentissage profond (ANN et CNN) ont montré une haute tolérance au bruit d'entrée, la MAE n'augmentant que légèrement (de 3,5 µm à 4,1 µm) sous un bruit gaussien de 10 %. En revanche, le modèle polynomial a produit des valeurs non physiques sous des conditions de bruit similaires.
• Prédiction Inverse : L'ANN inverse a prédit avec succès les paramètres de processus pour les géométries cibles. En utilisant uniquement la profondeur et la largeur comme entrées, le modèle a atteint un $R^2$ de 0,94 pour la profondeur et de 0,55 pour la largeur. En utilisant le profil complet comme entrée, la précision a diminué ($R^2 \approx 0,77$) en raison de la dimensionnalité et de la redondance des entrées. L'approche inverse probabiliste a réussi à identifier des ensembles de paramètres réalisables avec des erreurs de profondeur absolue médianes de 0,94 µm.
• Latence : Les temps d'inférence sur un seul CPU variaient de 0,22 ms (Polynomial) à environ 100 ms (Deep Learning), ce qui les rend adaptés au contrôle en temps réel, alors que le modèle Random Forest prenait environ 10,9 secondes par échantillon, ce qui le rend inapte aux applications en temps réel.

Signification
L'article affirme que ce travail comble le fossé entre les tests empiriques et la fabrication prédictive en temps réel dans l'ASJM. En réduisant le temps de prédiction de plusieurs heures (CFD) à des microsecondes/millisecondes, les substituts de ML proposés éliminent la barrière computationnelle qui empêche les modèles basés sur la physique d'être intégrés dans des contrôleurs en boucle fermée. Le cadre permet une spécification « en une seule étape » des paramètres de processus pour des géométries désirées, facilitant la planification de processus automatisée, l'intégration de jumeaux numériques et la qualification rapide de nouvelles combinaisons de matériaux-abrasifs sans campagnes exhaustives de plans d'expériences. Les auteurs positionnent cela comme un effort pionnier pour démontrer la faisabilité du ML pour les motifs de retrait de matière non linéaires complexes dans l'usinage par jet abrasif, les modèles et outils entraînés étant rendus publics pour accélérer l'adoption dans le domaine.