Machine Learning and Digital Twin in Directed Energy Deposition: A Systematic Literature Review

Imaginez un sol d'usine où de massives pièces métalliques ne sont pas sculptées dans un bloc solide, mais construites couche par couche, à partir d'un flux de métal en fusion. Il s'agit de la déposition par énergie dirigée, une méthode de fabrication de haute technologie utilisée pour créer tout, des composants de moteurs à réaction aux implants médicaux. Elle est puissante et flexible, capable de réparer des machines coûteuses ou d'imprimer des formes complexes qui seraient impossibles à fabriquer autrement. Cependant, le processus est notoirement difficile à contrôler. Le métal est fondu par des sources de chaleur intense comme des lasers ou des arcs électriques, créant un minuscule bassin de liquide brûlant qui refroidit et se solidifie en une fraction de seconde. Comme cela se produit très rapidement et implique des températures aussi extrêmes, le processus est instable. Il peut facilement développer des fissures cachées, des trous ou des points faibles qui ruinent la pièce finale. Traditionnellement, corriger ces problèmes signifiait un cycle lent et coûteux de tâtonnements : régler la machine, construire une pièce, la découper pour l'inspecter, trouver le défaut, modifier les réglages, et réessayer.

Pour briser ce cycle, les chercheurs se tournent vers deux outils puissants : l'apprentissage automatique et les jumeaux numériques. L'apprentissage automatique est un type d'intelligence informatique qui apprend à reconnaître des modèles à partir de vastes quantités de données, tout comme un humain apprend à repérer un défaut en observant des milliers d'exemples. Un jumeau numérique est une copie virtuelle de la machine physique et de la pièce en cours de construction. Ce n'est pas seulement un modèle 3D statique ; c'est une simulation vivante qui reçoit des données en temps réel de capteurs surveillant la machine réelle, permettant ainsi de refléter le monde physique au fur et à mesure qu'il se produit. Lorsque ces deux technologies sont combinées, elles promettent de transformer la fabrication d'un processus réactif, où les défauts sont découverts après leur apparition, en un processus proactif, où les problèmes sont prédits et corrigés avant même que le métal ne refroidisse.

Une équipe de chercheurs de l'Université du Texas à Rio Grande Valley s'est récemment donné pour mission de cartographier l'état actuel de cette technologie. Ils ont mené une revue systématique de 130 études scientifiques publiées entre 2016 et 2026, analysant comment l'apprentissage automatique et les jumeaux numériques sont actuellement utilisés dans la déposition par énergie dirigée. Leur travail, publié dans une revue systématique de la littérature, révèle un domaine qui progresse rapidement mais qui se situe encore au seuil d'une transition majeure. Les chercheurs ont constaté que, bien que les scientifiques soient devenus très doués pour utiliser des caméras et des capteurs pour surveiller le processus et prédire quand quelque chose pourrait mal tourner, ils n'ont pas encore pleinement maîtrisé la capacité de corriger automatiquement ces problèmes en temps réel.

La revue souligne que les matériaux les plus couramment étudiés sont des types spécifiques d'aciers et de superalliages à base de nickel, qui sont essentiels pour les industries de l'aérospatiale et de l'énergie. Les méthodes de fabrication les plus fréquemment utilisées sont la déposition par arc filaire, qui utilise un arc électrique pour fondre un fil métallique, et la déposition par laser, qui utilise un laser de haute puissance pour fondre de la poudre métallique. Dans ces études, l'objectif principal a été de « voir » le processus. Les chercheurs ont équipé les machines de caméras haute vitesse et de capteurs thermiques pour capturer des images du bassin en fusion. Ils injectent ensuite ces données visuelles dans des modèles d'apprentissage automatique, utilisant souvent des réseaux neuronaux complexes qui agissent comme des yeux numériques. Ces modèles ont fait preuve d'un succès remarquable dans l'identification des défauts. Certaines études ont rapporté que ces systèmes pouvaient détecter des fissures ou des trous avec des taux de précision dépassant 99 pour cent, ou prédire la forme du cordon métallique avec une grande précision.

Cependant, les auteurs soulignent un écart critique entre voir un problème et le résoudre. La plupart des systèmes de jumeaux numériques examinés jusqu'à présent fonctionnent davantage comme une « ombre numérique ». Dans cette configuration, les données circulent dans un seul sens : de la machine physique vers le modèle virtuel. Le modèle virtuel peut dire aux opérateurs : « Regardez, un défaut est en train de se former », ou « La température est trop élevée ». Mais il prend rarement des mesures de lui-même. La connexion entre la prédiction virtuelle et la machine physique est souvent rompue. Au lieu que l'ordinateur ajuste automatiquement la puissance du laser ou la vitesse du bras robotisé pour corriger l'erreur, le système s'arrête généralement et attend l'intervention d'un opérateur humain. Les chercheurs notent que si quelques études avancées ont démontré le contrôle en boucle fermée — où le système ajuste automatiquement le processus pour corriger une erreur — celles-ci sont l'exception, et non la règle.

La revue identifie également des obstacles importants qui empêchent ces technologies d'être largement utilisées dans l'industrie. Un problème majeur est le manque de données. Entraîner un modèle d'apprentissage automatique nécessite des milliers d'exemples de pièces bonnes et mauvaises. Dans la déposition par énergie dirigée, la création de ces exemples est coûteuse et chronophage. Cela nécessite souvent de détruire la pièce finie pour l'inspecter à l'intérieur, ce qui signifie que les chercheurs ne peuvent pas facilement collecter les ensembles de données massifs nécessaires pour enseigner aux ordinateurs. Pour y remédier, certains chercheurs utilisent des techniques telles que l'apprentissage par transfert, où un modèle entraîné sur un type de métal est adapté pour fonctionner sur un autre, ou utilisent des simulations basées sur la physique pour générer des données virtuelles. Pourtant, les auteurs avertissent que ces méthodes ne sont pas parfaites. Un modèle entraîné sur une machine ou un matériau spécifique a souvent du mal à fonctionner sur une configuration différente, ce qui limite son utilité dans un environnement industriel diversifié.

De plus, les chercheurs ont constaté que les jumeaux numériques actuels sont souvent trop simples pour gérer la complexité de la fabrication réelle. Un véritable jumeau numérique devrait être capable de communiquer de manière bidirectionnelle avec la machine physique, en mettant constamment à jour sa propre compréhension basée sur les nouvelles données et en utilisant ce savoir pour guider les actions de la machine. Actuellement, de nombreux systèmes sont fragmentés. Ils peuvent être excellents pour surveiller la température ou prédire la géométrie, mais ils manquent de la capacité d'intégrer toutes ces informations dans un processus de prise de décision autonome unique. La revue suggère que pour que ces technologies atteignent leur plein potentiel, le domaine doit dépasser les expériences isolées. La recherche future doit se concentrer sur la création de systèmes standardisés capables de gérer les données de plusieurs capteurs à la fois, de fonctionner en temps réel sans latence et, surtout, de boucler la boucle entre la prédiction et l'action.

Les auteurs concluent que si les fondations ont été posées, la maison n'est pas encore bâtie. La capacité de prédire les défauts est bien établie, mais la capacité de les corriger de manière autonome reste incomplète. La prochaine étape pour l'industrie est de développer des systèmes robustes en boucle fermée où la machine ne se contente pas de se surveiller elle-même, mais dirige activement sa propre trajectoire. Cela nécessite non seulement de meilleurs algorithmes, mais aussi une intégration plus profonde des lois physiques dans les modèles informatiques et un engagement à partager les données entre différentes machines et matériaux. D'ici là, la déposition par énergie dirigée restera une technologie de grande promesse, freinée par la nécessité de combler le fossé entre l'observation du processus et le véritable contrôle de celui-ci.