Sim-to-Real Transfer Learning for Real-Time Melt Pool Geometry Prediction in Directed Energy Deposition

La fabrication métallique repose depuis longtemps sur la capacité à fondre et à fusionner des matériaux avec une précision extrême, un processus qui construit des pièces complexes couche par couche. Dans une technique avancée connue sous le nom de dépôt de matière par énergie dirigée, un faisceau laser puissant fait fondre de la poudre métallique lorsqu'elle est projetée sur une surface, créant un petit bassin de métal en fusion incandescent. La forme et la taille de ce bassin de fusion déterminent si la pièce finale sera solide et sans défaut ou criblée de fissures cachées et de points faibles. Le problème est que la partie la plus critique de ce bassin — la profondeur à laquelle le métal fond — se situe sous la surface, invisible à l'œil nu et impossible à mesurer pendant que la machine fonctionne. Pendant des décennies, les ingénieurs ont dû arrêter la machine, couper la pièce et l'examiner au microscope pour voir si le processus avait réussi, une méthode lente et destructrice qui ne laisse aucune place à une correction en temps réel.

Une équipe de chercheurs du Stevens Institute of Technology a développé une nouvelle façon de voir l'invisible. Ils ont créé un système qui utilise l'intelligence artificielle pour prédire la profondeur cachée du bassin de fusion en temps réel, en utilisant uniquement les motifs de chaleur visibles à la surface et les réglages du laser. En apprenant à un ordinateur à apprendre à partir d'une vaste bibliothèque de simulations informatiques, puis en affinant ces connaissances avec une petite quantité de données réelles, ils ont construit un modèle capable de surveiller le processus d'impression et de dire instantanément aux opérateurs quelle est la profondeur de la fusion du métal. Cette approche comble le fossé entre la physique théorique et la réalité désordonnée d'une usine, offrant une voie vers la fabrication de pièces qui sont surveillées et corrigées au fur et à mesure de leur création, plutôt qu'inspectées une fois terminées.

Le défi central dans ce domaine est que le bassin de fusion est un événement éphémère et chaotique. À mesure que le laser se déplace sur le métal, il crée un bassin qui change constamment, avec de la chaleur qui rayonne vers l'extérieur et le métal qui s'écoule de manières complexes. Si les caméras peuvent facilement voir la largeur du bassin à la surface, la profondeur reste un mystère jusqu'à ce que la pièce soit détruite. Pour résoudre ce problème, les chercheurs se sont tournés vers une méthode appelée apprentissage par transfert (transfer learning). Imaginez un étudiant qui passe des années à étudier des manuels de physique et à résoudre des milliers de problèmes d'entraînement dans une salle de classe calme avant même de faire son premier pas dans un véritable laboratoire. Cet étudiant comprend déjà les règles fondamentales du monde, de sorte que lorsqu'il est enfin confronté à une expérience réelle, il a besoin de beaucoup moins de temps pour apprendre les spécificités de cette installation particulière. Les chercheurs ont appliqué cette même logique à leur modèle informatique.

D'abord, ils ont généré un ensemble de données massif à l'aide d'une simulation informatique basée sur la physique. Ils ont modélisé le comportement de l'acier inoxydable lorsqu'il est chauffé par un laser, créant plus de 1 300 scénarios différents avec des puissances, des vitesses et des tailles de point laser variables. Dans ce monde virtuel, l'ordinateur connaissait la profondeur et la largeur exactes de chaque bassin de fusion créé. Ils ont utilisé ces données simulées pour entraîner un réseau neuronal complexe, un type d'intelligence artificielle conçu pour reconnaître des motifs. Le réseau a appris à associer les motifs de chaleur à la surface avec la profondeur cachée en dessous, construisant une compréhension robuste de la physique impliquée. Cependant, les chercheurs savaient qu'un modèle entraîné uniquement sur des simulations informatiques parfaites aurait du mal face au bruit, aux reflets et aux imperfections d'une machine réelle.

Pour combler ce fossé, ils ont pris le modèle pré-entraîné et l'ont affiné à l'aide d'un petit ensemble de données expérimentales réelles. Ils ont réalisé des expériences d'impression de traces uniques sur une machine réelle, capturant des images infrarouges à haute vitesse du bassin de fusion. Pour enseigner à l'ordinateur ce à quoi ressemblaient les vrais bassins, ils ont dû couper les traces imprimées et mesurer la profondeur et la largeur réelles sous un microscope. Comme ils ne pouvaient pas mesurer chaque image de la vidéo, ils ont utilisé une méthode statistique pour attribuer ces valeurs mesurées aux images, créant ainsi un ensemble d'entraînement d'environ 550 images étiquetées. Lorsqu'ils ont injecté ces données réelles dans le modèle, le réseau a ajusté ses paramètres internes pour tenir compte des différences entre la simulation propre et le monde réel bruyant.

Les résultats ont montré que cette approche en deux étapes était bien supérieure à un entraînement de modèle à partir de zéro en utilisant uniquement les données limitées du monde réel. Lorsque les chercheurs ont testé les modèles sur de nouveaux travaux d'impression inédits, le système entraîné avec l'aide des simulations présentait significativement moins d'erreurs. Pour prédire la largeur du bassin, le modèle assisté par simulation était précis à environ 7 %, tandis que le modèle entraîné uniquement sur des données réelles présentait une erreur de près de 30 %. La différence était encore plus spectaculaire pour la profondeur, qui est la variable la plus difficile à prédire. Le modèle assisté par simulation prédisait la profondeur avec une erreur d'environ 22 %, alors que le modèle entraîné sans l'aide de la simulation se trompait de près de 75 %. Dans les cas les plus difficiles, où les données étaient extrêmement rares, le modèle entraîné par simulation maintenait un haut niveau de précision tandis que l'autre modèle ne parvenait pas du tout à apprendre les bons motifs.

Les chercheurs ont également découvert que le système fonctionnait mieux lorsqu'il combinait deux types d'informations : les images thermiques du bassin et les réglages spécifiques du laser. Les images fournissaient la forme visuelle de la chaleur, ce qui aidait à déterminer la largeur, tandis que les réglages du laser fournissaient le contexte énergétique nécessaire pour deviner la profondeur. Lorsqu'ils ont testé le système en temps réel sur six différents travaux d'impression utilisant des réglages que l'ordinateur n'avait jamais vus auparavant, il a réussi à suivre l'évolution de la géométrie du bassin à mesure que le laser se déplaçait. Il a correctement identifié quand le bassin était trop peu profond, une condition qui conduit souvent à des pièces fragiles, alors que le modèle non assisté surestimait systématiquement la profondeur et passait à côté de ces défauts.

Ce travail démontre qu'il est possible d'apporter la puissance des simulations physiques dans le monde réel de la fabrication sans avoir besoin de milliers d'expériences coûteuses et chronophages. En utilisant les simulations pour enseigner les règles du jeu à l'IA et les données réelles pour lui enseigner les nuances d'une machine spécifique, les chercheurs ont créé un outil qui est à la fois précis et efficace. Le système ne se contente pas de prédire des chiffres ; il offre un moyen de surveiller la santé du processus de fabrication au moment même où il se produit, permettant potentiellement aux machines de s'ajuster d'elles-mêmes pour éviter les défauts. Bien que la technologie soit encore en cours de perfectionnement, l'étude prouve que la combinaison de la clarté des modèles informatiques et de la réalité des expériences physiques peut résoudre des problèmes qui étaient autrefois considérés comme trop difficiles à traiter en temps réel.