Machine Translated by Google

Journal de la technologie de traitement des matériaux. 302 (2022) 117485

Listes de contenus disponibles sur ScienceDirect

Journal de la technologie de traitement des matériaux.

page d'accueil de la revue : www.elsevier.com/locate/jmatprotec

Intelligence artificielle mécaniste (IA­mécaniste) pour la modélisation, la

conception et le contrôle de procédés de fabrication avancés : état
actuel et perspectives

, Sourav Saha , Parc Chanwook , Jian Cao ,

un un un b un un

Mojtaba Mozaffar , Shuheng Liao , Xiaoyu Xie

un

Aile Kam Liu , Zhengtao Gan a, *

un
Département de génie mécanique, Northwestern University, Evanston 60208, Illinois, États­Unis
b
Mécanique théorique et appliquée, Northwestern University, Evanston 60208, IL, États­Unis

INFORMATIONS SUR L'ARTICLE ABSTRAIT

Editeur associé : E. Tekkaya Les procédés de fabrication d'aujourd'hui sont poussés à leurs limites pour générer des produits d'une qualité toujours croissante à moindre
coût. Un obstacle important sur cette voie découle de la nature multiéchelle, multiphysique, dynamique et stochastique de nombreux systèmes
Mots clés: de fabrication, qui a motivé de nombreuses innovations à l'intersection de l'intelligence artificielle (IA), de l'analyse de données et des sciences
Science des données scientifiques
de la fabrication. Cette étude passe en revue les avancées récentes de l'IA mécaniste, définie comme une méthodologie qui combine la
L'apprentissage en profondeur
puissance mathématique brute des méthodes d'IA avec des principes axés sur les mécanismes et des connaissances techniques. Les solutions
La fabrication additive
d'IA mécaniste sont systématiquement analysées pour trois aspects des processus de fabrication, à savoir la modélisation, la conception et le
Apprentissage automatique basé sur la physique
contrôle, en mettant l'accent sur les approches qui peuvent améliorer les exigences en matière de données, la généralisabilité, l'explicabilité et
Découverte basée sur les données

Conception basée sur les données

la capacité à gérer des données de fabrication difficiles et hétérogènes. De plus, nous introduisons un corpus de méthodes d'IA mécanistique
de pointe qui se sont révélées très prometteuses dans d'autres domaines scientifiques mais qui n'ont pas encore été appliquées à la fabrication.
Enfin, des lacunes dans les connaissances et des directions de recherche sous­explorées sont identifiées, telles que le manque d'intégration
des contraintes de fabrication dans les méthodes d'IA, le manque d'analyse des incertitudes, la reproductibilité limitée et les repères établis. Cet
article montre l'immense potentiel de l'IA mécaniste pour résoudre de nouveaux problèmes dans les systèmes de fabrication et devrait
entraîner de nouvelles avancées dans la fabrication et les domaines connexes.

1. Introduction
L'industrie manufacturière est un élément essentiel de l'économie mondiale et
représente 10 à 30 % du produit intérieur brut dans les principaux pays industrialisés
(West et Lansang, 2018). Des exemples historiques montrent également que les
innovations dans la fabrication favorisent des avancées clés dans les industries
automobile, aérospatiale, électronique et biomédicale telles que la bioimpression 3D de
tissus et d'organes (Murphy et Atala, 2014). En particulier, les progrès récents ont
déplacé la fabrication vers la liberté de conception et la flexibilité permettant la production
de pièces hautement optimisées et individualisées tout en restant rentable même pour
les productions à faible volume. Cependant, de nombreux processus de fabrication sont
connus pour leurs complexités dans l'évolution des formes et des propriétés des matériaux.
En tant que défi répandu dans la fabrication, nous sommes confrontés à des
interactions complexes entre les matériaux, les configurations et les sources d'énergie,
tandis que la physique sous­jacente n'est pas entièrement comprise. Espace de grande dimension
résultat, la tâche de prendre des décisions et de comprendre la fabrication
les comportements temporels sont courants dans les applications de fabrication, et les
réponses critiques se produisent dans des échelles de longueur qui sont séparées par
des ordres de grandeur. À titre d'exemple, dans la fabrication additive à base de métal,
les interactions entre le faisceau laser et les particules de matériau se produisent à
l'échelle microscopique, la dynamique du bain de fusion, l'évolution du grain et de la
porosité se produisent à l'échelle méso, et le comportement mécanique et thermique
apparaît à l'échelle moyenne. échelle macro. Bien que des progrès significatifs aient été
réalisés pour simuler avec précision ces comportements multi­échelles à l'aide de
simulations numériques, les méthodes conventionnelles sont souvent excessivement
consommatrices de temps et de ressources, en particulier pour les cas où une solution
itérative est nécessaire (par exemple, problèmes inverses, conception robuste, analyse
d'incertitude). . Pour aggraver le problème, les systèmes de fabrication sont sujets au
bruit, aux perturbations et aux variables cachées inconnues qui rendent le processus
difficile à prédire avec précision. Le comportement des systèmes de fabrication est connu
pour varier même entre des machines similaires ou pour une machine au fil du temps. En tant que

* Auteur correspondant.
Adresse e­mail : zhengtao.gan@northwestern.edu (Z.Gan).

https://doi.org/10.1016/j.jmatprotec.2021.117485 Reçu le 15
octobre 2021 ; Reçu sous forme révisée le 24 décembre 2021 ; Accepté le 26 décembre 2021 Disponible en ligne le 29 décembre
2021 0924­0136/© 2021 Elsevier BV Tous
droits réservés.
Machine Translated by Google
M. Mozaffar et al.
processus est resté un effort d'ingénierie décourageant.
Dans le même temps, les pratiques de fabrication ont subi un paradigme de
numérisation. Cette tendance se retrouve évidemment dans les feuilles de route
stratégiques à travers le monde telles que le cadre Industrie 4.0 introduit par l'Allemagne,
les instituts « Manufacturing USA » aux États­Unis et le plan stratégique « China
Manufacturing 2025 » en Chine, qui mettre l'accent sur la collecte systématique de
données numériques et les capacités de réseautage et de communication à grande
échelle pour faire progresser les systèmes de fabrication.
En rassemblant ces éléments, on peut voir que les systèmes de fabrication génèrent des
données avec une qualité et une variété en constante augmentation, et ces sources de
données sont des atouts précieux et doivent être utilisées pour faire progresser
capacités actuelles.
Ces dernières années, l'intelligence artificielle (IA) a montré des progrès significatifs
dans l'automatisation des activités associées à la pensée humaine, telles que la
planification, la prise de décision et la résolution de problèmes. Une multiplication par plus
de six du nombre de publications entre 2015 et 2020 (Zhang et al., 2021) et une économie
estimée à 15 700 milliards de dollars en 2030 (PwC, 2021) ne sont que quelques
indications du vaste impact existant et futur de l'IA dans les universités et l'industrie. Les
solutions d'IA sont capables de traiter des données à grande échelle à partir d'un large
éventail de sources, y compris des images, du texte, de l'audio, des géométries 3D, pour
n'en nommer que quelques­unes. En conséquence, nous observons une augmentation
des approches basées sur l'IA pour améliorer les capacités de prédiction, de conception
et de contrôle des processus de fabrication avancés qui tirent parti de la tendance récente
de la numérisation de la fabrication et des plates­formes d'acquisition de données à
grande échelle. La popularité croissante de l'étude des méthodes d'IA dans les applications
de fabrication ainsi que la répartition géographique des publications peut être observée
dans la Fig. 1. Ce domaine de recherche interdisciplinaire tente de relever les défis de
fabrication critiques tels que l'amélioration de la variabilité de la qualité et de l'efficacité
des processus et conception dimensionnelle pour des matériaux et des propriétés
géométriques sur mesure, avec le potentiel de modifier radicalement les capacités de ces
industries de plusieurs milliards de dollars. Les méthodes d'IA offrent une alternative
intéressante à de nombreuses méthodes de calcul conventionnelles dans la fabrication,
car elles offrent une grande flexibilité prédictive avec un temps d'inférence rapide. De
plus, les outils d'IA sont souvent compacts et plus faciles à entretenir que leurs homologues
conventionnels qui peuvent impliquer de grandes bases de code avec des dizaines de
milliers de lignes de code.
Malgré les nombreux avantages des outils basés sur l'IA, trois lacunes clés entravent
l'adoption généralisée de ces outils dans le secteur manufacturier : (1) l'indisponibilité de
données suffisamment volumineuses et de haute qualité, (2) la généralisation limitée à
des échantillons invisibles et (3) manque d'interprétabilité. Le développement de bases
de données utiles à partir d'informations brutes est coûteux pour les tâches d'ingénierie
complexes, car ces bases de données doivent être soigneusement traitées et conservées
pour minimiser l'impact des instances mal étiquetées, des déséquilibres, des valeurs
aberrantes et des bruits. De plus, le comportement des machines de fabrication peut
changer au fil du temps à mesure que les machines vieillissent, ce qui entraîne un
processus continu et coûteux de préparation des données. Les méthodes d'IA surajustent
souvent les données qui leur sont fournies pendant le processus de formation, ce qui
signifie qu'elles exploitent les déséquilibres et les bruits de la base de données pour
ressembler trop étroitement aux échantillons de formation. Le surajustement réduit la
précision de la solution pour les nouvelles données, en particulier lorsque les nouvelles donnéespronostic
ont une valeur
2
Journal de la technologie de traitement des matériaux. 302 (2022) 117485
distribution par rapport à la base de données de formation. Par conséquent, une mise en
œuvre naïve des méthodes d'IA peut facilement violer les principes physiques du
phénomène modélisé. Le développement de solutions généralisables est un effort central
des chercheurs et des praticiens de l'IA ; cependant, les méthodes de pointe sont souvent
en deçà de la précision en dehors de la formation requise dans des problèmes d'ingénierie
précis. Enfin, les solutions d'IA sont souvent traitées comme des boîtes noires et offrent
des outils limités pour retracer le raisonnement derrière leurs modèles de prise de
décision. Alors que l'interprétabilité n'est peut­être pas un facteur critique dans des
applications telles que les systèmes de recommandation publicitaire, une action peu fiable
dans les usines de fabrication peut avoir des conséquences financières et de sécurité
dévastatrices. Par conséquent, l'explicabilité est une autre caractéristique importante des
solutions dans la fabrication.
Pour relever les défis mentionnés ci­dessus, nous préconisons les méthodes d'IA
mécaniste, dans lesquelles les principes des processus de fabrication et les connaissances
techniques axés sur les mécanismes sont intégrés dans les solutions d'IA pour accroître
l'efficacité, la généralisabilité et l'explicabilité des données. Un schéma du cadre
Mechanistic­AI est illustré à la Fig. 2. Ce cadre couvre la modélisation multi­échelles et
multiphysique, qui est complétée par des méthodes d'IA pour simplifier l'étalonnage, la
validation et la génération de maillage du modèle. De plus, les mécanismes physiques
connus pourraient informer les méthodes d'IA pour des prédictions précises (c'est­à­dire
l'apprentissage basé sur la physique), et les méthodes d'IA, à leur tour, peuvent être
utilisées pour découvrir de nouveaux mécanismes à partir de données expérimentales
(c'est­à­dire la découverte axée sur les données). En tant que cadre centré sur les
données, des données expérimentales haute résolution de haute qualité avec une
ingénierie des caractéristiques mécanistes et un traitement des données appropriés sont
nécessaires pour la validation du modèle et la formation à l'IA. L'IA informée par la
physique et les modèles basés sur la physique bien validés génèrent à leur tour plus de
données. Par conséquent, Mechanistic­AI fournit un cadre interconnecté entre les trois
composants des mécanismes physiques, des méthodes d'IA et des données, ce qui
permet une nouvelle génération de modélisation, de conception et de contrôle dans la
fabrication. Dans cet article, nous examinons les avancées notables des méthodes d'IA
mécanistique dans les systèmes de fabrication, introduisons un corpus d'approches
prometteuses qui n'ont pas encore été appliquées à la fabrication et exposons notre vision
des orientations futures influentes dans ce domaine. Nous notons que la modélisation
multiphysique avec étalonnage et validation du modèle dépasse le cadre de cette étude.
Pour ces sujets, les lecteurs intéressés peuvent se référer aux revues de Guna segaram
et Steinbach (2021) et Wei et al. (2021).
Ces dernières années, plusieurs publications ont passé en revue divers aspects de
l'IA dans le secteur manufacturier. Li et al. (2017) ont discuté d'une architecture au niveau
du système pour l'intégration de l'IA dans les installations de fabrication intelligentes et du
rôle des parties clés, des gouvernements et des technologies dans la formation et l'avenir
de l'industrie de la fabrication intelligente. Sharp et al. (2018) ont déployé le traitement du
langage naturel (NLP) pour extraire les tendances et les idées d'un corpus de 4000
publications liées à l'apprentissage automatique (ML) dans les applications de fabrication
et ont identifié l'aide à la décision, la gestion du cycle de vie et la gestion des connaissances
numériques comme des applications importantes du ML dans littérature de fabrication.
Wang et al. (2018) ont présenté un résumé technique des algorithmes d'apprentissage en
profondeur (tels que CNN, RBM, Autoencoder et RNN) et leurs applications dans
l'inspection de la qualité de fabrication, le diagnostic d'évaluation des défauts et le
des défauts.
différente.
Fig. 1. Le nombre d'articles publiés chaque année
(à gauche) et la répartition géographique des
affiliations pour les publications à l'intersection de
l'IA et de la fabrication (à droite).
La taille et la couleur des cercles sur la carte du
monde indiquent le nombre de publications affiliées
à chaque pays. Les articles sont extraits de la base
de données Scopus à l'aide des mots­clés
suivants : [intelligence artificielle, ou réseau de
neurones, ou apprentissage automatique, ou
apprentissage supervisé, ou apprentissage par
renforcement], et [fabrication, ou formage des
métaux, ou usure des outils, ou plasticité du métal,
ou fabrication additive, ou conception de fabrication,
ou contrôle de fabrication].
Machine Translated by Google
M. Mozaffar et al.
Gao et al. (2020) ont identifié quatre éléments constitutifs du cycle de vie des données de
fabrication comme la collecte de données, le traitement des données, l'apprentissage des
données et la sécurité des données et ont élaboré diverses méthodes pour relever les défis
actuels au sein de chaque élément. Arinez et al. (2020) ont adopté une organisation d'usine
hiérarchique système­processus­matériel et ont examiné la littérature pour incorporer des outils
de prise de décision et d'analyse d'IA dans et entre les niveaux hiérarchiques de fabrication.
Une revue dédiée à la surveillance de la santé des outils d'IA dans les systèmes de fabrication
peut être trouvée dans Zhao et al. (2019). Zhang et Gao (2021) ont résumé les avancées
récentes dans les techniques de traitement et de conservation des données dans les systèmes
de fabrication tels que le débruitage, la détection des valeurs aberrantes, l'imputation,
l'équilibrage et l'annotation.
Notre article de synthèse se distingue en offrant une nouvelle perspective sur les approches
qui transforment les techniques d'IA génériques en solutions d'IA mécaniste qui offrent une
meilleure interprétabilité et fiabilité, permettent la découverte de mécanismes et traitent divers
types de données de fabrication hétérogènes. Dans ce qui suit, nous introduisons diverses
classes de données de fabrication et de sources de données dans la section 2. La section 3
propose une discussion sur la combinaison des connaissances physiques et des méthodes
basées sur les données pour la modélisation et la découverte dans les processus de fabrication.
Nous discutons du traitement des caractéristiques mécanistes (Section 3.1), des méthodes de
modélisation basées sur la physique dans la fabrication (Section 3.2) et de la découverte basée
sur les données dans la fabrication (Section 3.3). Plus tard, nous étudions et catégorisons
plusieurs méthodes d'IA dans la fabrication qui sont ciblées sur les tâches de conception et de
contrôle dans les sections 4 et 5, respectivement. Enfin, nous concluons cet article avec un
résumé des directions de recherche futures prometteuses pour l'IA mécaniste dans le secteur
manufacturier dans la section 6.
2. Données de fabrication
2.1. Types de données et bases de données de fabrication
Une tendance clé de la dernière décennie est la numérisation généralisée dans de
nombreux domaines, alimentée par la disponibilité de dispositifs de détection peu coûteux.
Dans le secteur manufacturier, les tendances de la numérisation, par exemple les systèmes
cyber­physiques et l'Internet des objets (IoT) (Lee et al., 2015), ont accru la visibilité et
l'accessibilité des informations et ont radicalement modifié la quantité, la qualité, la diversité et
la richesse des informations disponibles. données de fabrication.
3
Journal de la technologie de traitement des matériaux. 302 (2022) 117485
Fig. 2. Un schéma de Mechanistic­AI pour les processus
de fabrication avancés, y compris les blocs de construction
et leurs interactions. Deux cycles relient les blocs de
construction Mechanistic­AI. Les flèches rouges
représentent un cycle du flux d'informations : les
mécanismes physiques peuvent créer des données via
des techniques de modélisation, les données peuvent
être utilisées pour former des méthodes d'IA avec un
traitement de caractéristiques mécanistes approprié, et
les méthodes d'IA peuvent découvrir de nouveaux
mécanismes physiques en combinant des données
expérimentales (c'est­à­dire des données ­ découverte
guidée). Les flèches bleu foncé représentent un cycle
inverse : les mécanismes physiques peuvent informer les
méthodes d'IA (c'est­à­dire l'apprentissage automatique
basé sur la physique), les méthodes d'IA peuvent créer
plus de données et les données peuvent être utilisées
pour calibrer et valider des modèles mécanistes afin
d'élucider les mécanismes physiques. L'IA mécaniste
permet la modélisation, la conception et le contrôle de
processus axés sur la science. (Pour l'interprétation des
références à la couleur dans la légende de cette figure, le lecteur est ren
La fabrication génère un large éventail de données hétérogènes qui peuvent être classées en
trois types différents de (1) données expérimentales, (2) données de simulation et (3) données
d'ingénieur/utilisateur.
Le développement de nouveaux capteurs pour mesurer le comportement complexe des
matériaux et des systèmes de fabrication avec une précision et une fréquence élevées est un
domaine de recherche en cours. De plus, de nombreuses technologies de détection ont mûri,
ce qui a permis de réduire les coûts d'équipement et de faciliter la disponibilité. En
conséquence, diverses technologies de mesure et méthodes de détection sont devenues des
composants plus standardisés des pipelines de fabrication modernes, du contrôle et de la
surveillance pendant le processus de fabrication aux méthodes de test et d'analyse après la
fabrication des produits. Ces sources expérimentales fournissent des données sur le matériau
et les processus de fabrication à plusieurs échelles de temps et de longueur. Certaines des
méthodes de détection populaires et leurs types de données sont compilés à la Fig. 3. Comme
on peut le voir, la fabrication produit une large gamme de données in situ et ex situ, y compris
des mesures scalaires sous forme statique ou de séries chronologiques (telles que cellules de
pesée, vibrations, acoustiques, fractures et données de fatigue), données géométriques (telles
que les nuages de points dans le balayage optique), données vidéo (telles que les mesures de
DIC, IR et rayons X) et données d'image statiques (telles que données issues de la diffraction
des rayons X, de la microscopie électronique à balayage et de la diffraction par rétrodiffusion
des électrons). De plus en plus, plusieurs de ces données de détection sont compilées
ensemble pour réduire l'incertitude de mesure ou pour collecter un ensemble plus complet des
attributs des systèmes de fabrication. Par exemple, Mohammed et al. (2021) ont combiné des
méthodes de tomodensitométrie (TDM) à rayons X et de DIC pour enregistrer des
caractéristiques microstructurales détaillées et l'évolution des contraintes locales et caractériser
les réponses de déformation des échantillons fabriqués de manière additive.
Avancées dans les méthodes de simulation numérique telles que les éléments finis
(FEM), la dynamique des fluides computationnelle (CFD) et la méthode de Boltz mann sur
réseau (LBM), ainsi que la capacité de calcul croissante ont généré une autre source de
données précieuses issues des lois physiques fondamentales. Les conceptions et les plans de
processus de fabrication sont numérisés via des modèles CAO et FAO, fournissant des
informations détaillées sur la géométrie, les tolérances et les qualités de surface souhaitées,
l'intention de conception et l'exécution du processus. De plus, les ingénieurs et les utilisateurs,
bien qu'ils ne soient qu'une source d'une plus petite partie des données, sont une source
unique d'informations dans les usines de fabrication et fournissent des démonstrations
manuelles inestimables, des savoir­faire et des rapports sur les écarts et les irrégularités
(Waterman ,
Machine Translated by Google

M. Mozaffar et al. Journal de la technologie de traitement des matériaux. 302 (2022) 117485

Fig. 3. Exemples de techniques de mesure et de caractérisation des matériaux in­situ et ex­situ courantes dans la fabrication. Ces données comprennent des mesures scalaires, de séries
chronologiques, de nuages de points et d'images/vidéos.

2017). Dans le même temps, certaines recherches sont consacrées au développement
de systèmes efficaces de gestion des connaissances dans le secteur manufacturier pour
créer, relier, maintenir et mettre à jour des données de fabrication hétérogènes, telles
que les études réalisées par Ko et al . (2021) et Lu et al. (2018). Par exemple, Lu et al.
(2018) ont proposé un cadre à quatre niveaux composé de données, d'informations, de
connaissances et d'applications. Dans leur cadre, une analyse ascendante est utilisée
pour extraire les connaissances en ingénierie et une méthode descendante est proposée
pour la génération de données actives axées sur les objectifs.
Des bases de données et des références de haute qualité sont impératives pour
l'adoption de l'IA dans le secteur manufacturier. De tels repères permettent aux
scientifiques de suivre de manière significative les progrès du domaine et de comparer
différentes méthodologies, ce qui est presque impossible si chaque étude est réalisée
sur une base de données distincte. De plus, les bases de données accessibles au public
réduisent les obstacles à la recherche et au déploiement de systèmes d'IA, car elles
peuvent réduire considérablement les étapes longues et coûteuses de collecte et de
conservation des données du cycle de vie du développement de l'IA. Heureusement, ces dernières
d'images
années,
observer l'émergence de diverses bases de données avec des applications dans la
fabrication.
Plusieurs bases de données publiques fournissent un large éventail de géométries
liées à la fabrication 3D dans divers formats tels que des fichiers CAO, des images et
des cartes de profondeur. La base de données géométrique ABC (Koch et al., 2019)
contient 1,75 million de fichiers CAO pour les dessins industriels. MVTec ITODD (Drost
et al., 2017) est développé pour les tâches de détection d'objets industriels et comprend
28 objets et 3500 scènes étiquetées résultant de deux capteurs 3D et de trois caméras
en niveaux de gris. T­LESS (Hodan et al., 2017) fournit des images 50K pour l'estimation
de pose 6D avec plus de 30 objets pertinents pour l'industrie. Les communautés en ligne
telles que Thingiverse (Thingiverse. et com, 2021., 2021) ont accumulé des collections
à grande échelle de conceptions de pièces de fabrication additive, qui sont utilisées pour
créer des bases de données organisées par d'autres études. Thingi10k (Zhou et
Jacobson, 2016) contient 10 000 modèles d'impression 3D dans 72 catégories et plus
de 4 000 balises. Berman et Quek (2020) ont collecté plus d'un million de fichiers,
et de
nous
métadonnées 3D pour

4
Machine Translated by Google
M. Mozaffar et al.
pièces de fabrication additive et a publié sa base de données sous le nom de Thingi
Pano. Le site Web HowDIY (Berman et al., 2021) est développé non seulement comme
une collection de conceptions d'impression 3D, mais également comme une plate­forme
pour fournir un support collaboratif et des outils guidés par calcul dans diverses étapes de
l'impression 3D. Une limitation actuelle de ces bases de données géométriques pour les
applications de fabrication est qu'elles sont principalement conçues pour l'impression 3D
plastique générique, manquent d'informations spécifiques au processus (par exemple,
structure de support et trajectoire d'outil) et ne couvrent pas une gamme suffisamment
large de processus de fabrication. Certaines bases de données géométriques récentes
ciblent des applications spécifiques de conception et de fabrication. Par exemple, Biked
(Regenwetter et al., 2021) est une base de données de 4 500 vélos qui comprend les
composants individuels, la classe de vélo et les paramètres de conception numérique.
Les chercheurs ont également investi dans le développement de bases de données
intégrant les performances des procédés de fabrication, dont des exemples notables sont
décrits ici. Sundar et Sundararaghavan (2020) ont développé une base de données de
plus de 300 000 microstructures simulées résultant de diverses permutations de tension,
de compression et de roulement dans différentes directions. Cette base de données
permet des recherches basées sur les données pour trouver les relations entre les
séquences de processus de fabrication et l'évolution de la microstructure. Oak Ridge
National Labo ratory (ORNL) (Scime et al., 2021) a publié un ensemble de données
contenant des images de lit de poudre par couches à partir de trois technologies
d'impression sur lit de poudre différentes : la fusion laser sur lit de poudre, la fusion sur lit
de poudre par faisceau d'électrons et le jet de liant. L'ensemble de données a été
principalement conçu pour la détection de défauts d'anomalie à l'aide de la segmentation
d'image ou d'autres techniques de vision par ordinateur. Plusieurs bases de données sont
publiées qui relient les conditions du processus de fabrication additive et les performances
des pièces. Le NIST Additive Manufacturing Metrology Testbed (Lane et Yeung, 2019)
fournit des données de surveillance du bain de fusion pour dix pièces en superalliage à
base de nickel 625 (IN625) avec différentes stratégies de balayage. La base de données
NIST AM­BENCH (Levine et al., 2020) a publié de nombreuses mesures in situ et ex situ
(par exemple, la déflexion des pièces, la déformation résiduelle, la géométrie du bain de
fusion, les propriétés de traction des pièces) pour les matériaux métalliques et polymères.
Les données de la série de défis de modélisation AM de l'Air Force Research Laboratory
(AFRL) (Cox et al., 2021) ont fourni des données expérimentales à l'échelle macro et
micro, y compris les paramètres du processus de fabrication, la déformation résiduelle, la
géométrie, les détails microstructuraux et le comportement contrainte­déformation. La
base de données des matériaux de fabrication additive (https://ammd.nist.gov/) est une
base de données collaborative qui contient des informations sur les propriétés des
matériaux, les paramètres de la machine, la conception de la construction, les points de
données en cours et post­traitement. Ces tentatives croissantes d'établir des bases de
données de fabrication riches peuvent grandement
Fig. 4. Architecture en couches de la fabrication en nuage qui comprend des abstractions de ressources de fabrication, de ressources virtuelles, de services et d'applications (Esposito
et al., 2016).
5
Journal de la technologie de traitement des matériaux. 302 (2022) 117485
faciliter les méthodes Mechanistic­AI pour trouver des mécanismes de fabrication
complexes entre des types de données hétérogènes.
2.2. Plateformes de données de fabrication
La fabrication en nuage peut encore faciliter et automatiser la génération de bases
de données pour les sources de données propriétaires et non propriétaires.
Bien que plusieurs définitions différentes soient disponibles dans la littérature (Siderska et
Jadaan, 2018), la fabrication dans le cloud peut être définie comme une plate­forme basée
sur le cloud qui collecte des ressources de fabrication auprès de fournisseurs en ligne,
analyse les ressources collectées et propose les différents outils et suggestions sur la
fabrication. processus aux clients. Le terme « cloud manufacturing » est apparu pour la
première fois dans la littérature dans Li et al. (2010) et depuis lors, il a acquis d'importants
intérêts de recherche. Des recherches notables sur les concepts de fabrication en nuage
et leurs implémentations sont examinées par Siderska et Jadaan (2018) et Bouzary et
Chen (2018).
La figure 4 illustre l'architecture de la fabrication en nuage proposée par Esposito et
al. (2016) qui se compose de 4 couches : couche de ressources de fabrication, couche de
ressources virtuelles, couche de service et couche d'application. La couche de ressources
de fabrication fait référence aux installations locales qui gèrent la production, l'expédition
et les tâches opérationnelles. La couche virtuelle contient des modèles virtuels et des
outils de simulation de ressources physiques qui produisent sans cesse des données pour
construire une base de données multi­ressources. Ces données peuvent être utilisées
pour optimiser le cycle de production et fournir des recommandations aux clients. Au­
dessus de la couche virtuelle, la couche de service supervise la planification et la
surveillance du processus de fabrication. Enfin, la couche d'application offre une interface
utilisateur basée sur le Web qui visualise les tâches effectuées dans la plate­forme cloud.
Malgré de grandes avancées dans les concepts et les protocoles d'application de la
fabrication en nuage, la plupart d'entre eux reposent sur des systèmes en nuage centralisés
et souffrent de la transparence des informations et de la sécurité des données. Ces
dernières années, la décentralisation de la fabrication dans le cloud avec la technologie
blockchain est à la mode dans la littérature, comme Aghamohammadzadeh et Fatahi
Valilai (2020) et Barenji (2021). L'idée fondamentale de ce chemin de recherche est
d'établir une plate­forme blockchain hautement sécurisée pour les bases de données multi­
ressources qui permet aux fournisseurs et aux clients de s'associer, de négocier des
transactions et d'établir des contrats.
Zhu et al. (2020) ont proposé une plate­forme de fabrication cloud basée sur Ethereum
pour résoudre un problème de référence qui implique 939 demandes d'emploi de 100
utilisateurs. Ils ont utilisé l'algorithme des k plus proches voisins (KNN) pour la composition
du service et ont réussi à négocier 934 emplois. Yu et al.
Machine Translated by Google
M. Mozaffar et al.
(2020) ont développé une architecture de fabrication en nuage basée sur la blockchain combinée
à un solveur d'optimisation d'essaim de particules (PSO) pour le problème de composition de
service. Wang et al. (2021) ont signalé une architecture de fabrication de cloud blockchain qui
utilise des techniques d'apprentissage automatique telles que la machine à vecteurs de support
(SVM) et le réseau de neurones pour les tâches de composition de services. Zhang et al. (2021)
ont étudié un protocole de consensus blockchain pour réduire la consommation d'énergie pendant
le processus de preuve de travail (PoW), conduisant à une vitesse de transaction plus élevée et
à une plate­forme de fabrication cloud durable. De nombreux écosystèmes de blockchain sont
conçus à l'origine pour transférer une petite quantité de données de transaction, ce qui n'est pas
compatible avec les transactions de fabrication dans le cloud qui impliquent un grand volume de
données de fabrication. Pour résoudre ce problème, Hasan et al. (2021) ont développé une
architecture logicielle middleware à l'intérieur du réseau Ethereum qui peut stocker et transférer
des données de fabrication plus volumineuses. Ces technologies dans la fabrication en nuage
permettent la création de bases de données multi­ressources et multi­fidélité hautement
sécurisées, anti­falsification, traçables et transparentes pour une utilisation ultérieure dans les
méthodes d'IA.
3. L'IA mécaniste dans la modélisation et la découverte de la fabrication
Pendant des décennies, des expériences par essais et erreurs et une modélisation basée
sur la physique ont été déployées pour modéliser divers aspects des processus de fabrication,
notamment les propriétés des matériaux et la qualité des produits. Cependant, les approches
par essais et erreurs sont souvent longues et coûteuses en raison du grand nombre de paramètres
de processus et de matériaux, ainsi que du coût élevé des tests expérimentaux. Les méthodes
de modélisation basées sur la physique fournissent de nombreux outils pour comprendre la
mécanique complexe des processus de fabrication. Mais, s'appuyer uniquement sur la
modélisation basée sur la physique peut être insuffisant dans de nombreux problèmes de
fabrication difficiles pour plusieurs raisons :
• La précision des outils de simulation populaires (par exemple, FEM) dépend largement de la
qualité du maillage. Par conséquent, les applications de fabrication peuvent nécessiter des
structures de maillage extrêmement fines pour simuler correctement les comportements
complexes des matériaux, ce qui entraîne par conséquent une forte demande de calcul
(François et al., 2017).
• La formulation des équations gouvernantes et des paramètres du solveur est une tâche non
triviale en raison de la nature multiéchelle et multiphysique des processus de fabrication et
de leurs conditions aux limites complexes. • Les données expérimentales sont
généralement utilisées pour l'étalonnage et la validation, ce qui nécessite une ingénierie
manuelle importante, au lieu de les intégrer de manière transparente dans des outils de
simulation. Cette déconnexion motive la recherche de la prochaine génération d'approches
de simulation intégrées pour mieux comprendre les mécanismes complexes de la fabrication.
Les approches basées sur les données entrent en jeu comme des alternatives prometteuses
compte tenu de l'augmentation de l'accessibilité des données et de la puissance de calcul
parallèle. Cependant, les approches basées sur les données reposent sur une grande quantité
de données haute fidélité étiquetées, qui peuvent être difficiles à obtenir par le biais d'expériences
ou de simulations. Cela entrave l'application à grande échelle des méthodes basées sur les
données dans la modélisation de la fabrication. Pour exploiter la puissance des approches
basées sur les données, la modélisation basée sur la physique classique et les données
expérimentales, nous préconisons l'utilisation de l'IA mécaniste pour modéliser et découvrir les
mécanismes physiques dans la fabrication.
Il existe deux composants fondamentaux dans une solution d'IA : un modèle d'apprentissage
automatique et les données avec lesquelles former le modèle. Ces deux composants peuvent
être reformés pour transmettre les aspects mécanistes d'un processus de fabrication; par
conséquent, la création d'une approche Mechanistic­AI.
Les informations physiques peuvent être intégrées dans les données de formation en utilisant
une multitude de techniques telles que la sélection de caractéristiques mécanistes et l'exploitation
des invariants de données, comme détaillé dans la section 3.1. Dans le même temps, le modèle
d'apprentissage automatique peut être complété par une connaissance physique des processus
de fabrication par la manière dont la solution est structurée, la formulation du modèle, ainsi que
le processus de formation. Ces progrès sont détaillés dans la section 3.2. Nous discutons
également d'un troisième aspect des approches de modélisation activées par l'IA, connu sous le
nom d'identification de système, qui permet la découverte de lois physiques fondamentales à
partir de données, comme
6
Journal de la technologie de traitement des matériaux. 302 (2022) 117485
expliqué dans la section 3.3.
3.1. Traitement mécaniste des caractéristiques
L'application réussie de tout cadre d'IA dépend en grande partie de la nature et de la
pertinence des fonctionnalités considérées. Les caractéristiques significatives sont particulièrement
utiles pour établir des relations processus­structure­propriété (DebRoy et al., 2018) et pour
concevoir et optimiser les processus de fabrication (Yoshimura, 2007) , car ces tâches nécessitent
une explicabilité et une généralisabilité élevées. Le traitement des données de formation brutes
en fonctionnalités les plus efficaces pour représenter les aspects pertinents d'une tâche de
fabrication peut considérablement améliorer l'adéquation de la solution d'IA à la résolution de
problèmes de fabrication réalistes. Par conséquent, le traitement des caractéristiques mécanistes
peut jouer un rôle important, quel que soit le type de données, c'est­à­dire des données
expérimentales, de simulation ou d'utilisateur. En règle générale, le but du traitement des
fonctionnalités dans l'apprentissage automatique est de sélectionner les fonctionnalités les plus
importantes parmi de nombreuses afin de faciliter ou d'accélérer le processus de formation. Ici,
nous nous référons au traitement des caractéristiques mécanistes en tant que techniques de
sélection et de manipulation de données qui utilisent une vision mécaniste ou physique des
processus de fabrication pour faire de même. En particulier, nous introduisons deux classes de
solutions pour atteindre cet objectif : (1) sélectionner les caractéristiques les plus importantes et
physiquement significatives dans une tâche donnée, et (2) utiliser les invariants existants dans
les données pour transformer ou augmenter les données. Ces deux solutions sont développées
dans les sous­sections suivantes.
3.1.1. Sélection des caractéristiques mécanistes et analyse de l'importance
Une sélection de fonctionnalités inappropriée génère des informations avec un rapport bruit/
signal élevé et une faible corrélation avec la cible, ce qui entrave le processus de formation et
réduit la précision et la généralisabilité des solutions d'IA. Les aspects physiques sous­jacents
d'un processus de fabrication peuvent inspirer une sélection de caractéristiques significatives et
mécanistes dans diverses tâches. La littérature actuelle dans le domaine de la fabrication manque
d'un cadre unificateur pour la sélection des caractéristiques mécanistes ; au contraire, le
processus de sélection est très spécifique à un domaine et s'appuie fortement sur l'expérience
d'experts dans le domaine. Ici, nous mettons en évidence plusieurs exemples inspirants de
caractéristiques mécanistes dans les domaines de la fabrication.
Dans les procédés de fabrication additive, divers mécanismes en interaction affectent les
performances des pièces. Gu et al. (2021) propose le concept de fabrication additive intégrée
matériau­structure­performance (MSPI­AM), qui intègre la conception et la production parallèles
de matériaux multi­matériaux, multifonctionnels et multi­échelles. Les auteurs discutent de
nombreuses caractéristiques mécanistes pertinentes pour la réalisation d'un système de
fabrication hybride avancé. Par exemple, pour produire une pièce multifonctionnelle et multi­
matériaux, la sélection des caractéristiques nécessite l'identification d'une structure de réseau,
d'une orientation cristalline, d'une composition et d'une distribution de gradient de matériau
appropriées.
Les caractéristiques géométriques peuvent jouer un rôle essentiel dans l'analyse des
performances de fabrication. Mycroft et al. (2020) ont utilisé des caractéristiques géométriques
extraites de la CAO telles que la carte de voxel, l'épaisseur, la complexité du maillage et la
courbure pour prédire la mesure d'imprimabilité de Hausdorff pour le processus de fusion sur lit
de poudre. Notez que si dans certains processus de fabrication, tels que le formage, les aspects
globaux de la géométrie affectent de manière significative la répartition des forces, dans d'autres
processus, tels que l'usinage, les effets géométriques sont principalement locaux. Par conséquent,
la compréhension de la région d'influence directe et indirecte de chaque source d'énergie
physique peut aider à sélectionner des caractéristiques importantes dans les tâches de
fabrication. Dans les tâches d'optimisation de la géométrie, c'est­à­dire l'optimisation de la
topologie, des caractéristiques mécanistes telles que la ténacité, les courbes force­déplacement,
la masse et les paramètres géométriques peuvent être utilisées pour optimiser efficacement des
géométries complexes (Gongora et al., 2020) .
Les tâches de conception de matériaux en alliage métallique peuvent bénéficier des
propriétés thermodynamiques et structurelles en tant que caractéristiques mécanistes, car elles
contrôlent la propriété des alliages fabriqués. De telles caractéristiques deviennent essentielles
pour évaluer des phénomènes physiques difficiles à observer expérimentalement comme
l'énergie de surface (Hebert, 2016). Tian et al. (2021)
Machine Translated by Google
M. Mozaffar et al.
ont montré que les caractéristiques de la théorie fonctionnelle de la densité à haut débit (DFT) sont
utiles pour sélectionner une composition d'alliage appropriée pour une performance mécanique
souhaitée. Dans les tâches d'analyse de la microstructure, un nombre important de recherches
suggèrent d'utiliser des mesures statistiques comme descripteurs de matériaux (Huber et al., 2020).
L'idée clé derrière ces travaux est de convertir une image de microstructure à phases multiples en
une fonction de corrélation à n points, où la probabilité de trouver une phase spécifique est représentée
en fonction de la distance relative. D'autres données métallurgiques telles que les caractéristiques de
diffraction par rétrodiffusion d'électrons (EBSD), la taille moyenne des grains et la fraction volumique
d'autres phases sont également utilisées comme caractéristiques dans plusieurs études, telles que
Baturynska et al. (2018) et Herriott et Spear (2020).
Une fois qu'un ensemble de fonctionnalités est sélectionné, l'analyse de l'importance relative
peut révéler des informations physiques supplémentaires. À la suite d'une analyse d'importance, on
peut supprimer les fonctionnalités à faible impact, ce qui simplifie et accélère les processus
d'apprentissage et de prédiction. Les méthodes arborescentes, telles que Random Forest, fournissent
naturellement une analyse de l'importance statistique des caractéristiques d'entrée (Biau et Scornet,
2016). Deux mesures d'importance sont couramment utilisées dans la forêt aléatoire. La première
mesure, c'est­à­dire l'importance basée sur la précision, est basée sur le changement de précision si
la caractéristique est exclue. La deuxième mesure, c'est­à­dire l'importance basée sur Gini, est basée
sur la diminution de l'impureté Gini (ou pureté du nœud) lorsqu'une caractéristique est choisie pour
diviser un nœud. Les deux mesures peuvent être utilisées pour ordonner les caractéristiques
mécanistes et identifier les caractéristiques dominantes dans les processus de fabrication avancés.
Xie et al. (2021) ont identifié des plages de température importantes pour la résistance ultime à la
traction (UTS) à partir des données de température infrarouge dans la fabrication additive. Ils ont
trouvé deux plages de température dominantes dans les historiques thermiques induits par le
processus, et ces plages ont une influence significative sur l'UTS résultant du matériau Inconel 718
imprimé. Les plages dominantes ont été identifiées uniquement à partir de données expérimentales
sans connaissance préalable, mais elles ont étonnamment coïncidé avec les résultats théoriques.
Comme le montre la Fig. 5, la première plage de température, 1212,99–1365,35
C, s'alignent sur les températures de solidus et de liquidus de l'Inconel 718,
et la deuxième plage importante, 654,32–857,47 liée à la température de formation des C, est
précipités γ ' et γ' pendant la transformation à l'état solide. Du et al. (2021) ont évalué l'importance
basée sur Gini des caractéristiques mécanistes sur le défaut de bouletage dans la fabrication additive.
Ils ont conclu que le nombre de Marangoni et le temps de refroidissement par solidification sont les
deux caractéristiques les plus importantes qui décrivent l'effet boule du processus de fabrication
additive.
Alors que les méthodes d'analyse d'importance susmentionnées reposent sur des modèles
basés sur des arbres, l'importance des caractéristiques de permutation a été proposée dans Alt
mann et al. (2010) comme une alternative plus large. L'importance de la caractéristique de permutation
peut être utilisée pour n'importe quel modèle ajusté tel que les réseaux de neurones.
Cette méthode est basée sur une idée simple qui mesure la diminution du score du modèle (par
exemple, le coefficient de détermination R2 ) si les valeurs d'une caractéristique sont mélangées de
manière aléatoire. Cette approche rompt la relation entre chaque caractéristique et la sortie du
modèle, ce qui réduit la
Fig. 5. Importance relative des plages de température dans les historiques thermiques
induits par le traitement pour la résistance à la traction ultime (UTS) (Xie et al., 2021).
7
Journal de la technologie de traitement des matériaux. 302 (2022) 117485
le score du modèle peut indiquer l'importance de la fonctionnalité. Dans l'ensemble, l'analyse de
l'importance des caractéristiques est un outil efficace pour améliorer l'explicabilité dans Mechanistic­
AI. L'identification des caractéristiques mécanistes dominantes bénéficiera à la quantification des
propriétés de la structure des processus et à la conception des matériaux dans la fabrication de
pointe, car elle fournit non seulement un ensemble plus restreint de caractéristiques à prendre en
compte dans le modèle, mais génère également des informations physiques sur les mécanismes des
processus de fabrication.
3.1.2. Utilisation des invariants de données
Une autre approche pour intégrer les aspects physiques d'un processus dans les données
consiste à exploiter les invariants connus des données, c'est­à­dire les aspects des données qui
n'influencent pas la sortie. La connaissance des invariants de données permet le développement de
bases de données qui encouragent le modèle d'IA à être insensible aux corrélations sans importance
dans les données qui pourraient exister en raison de la taille limitée des données ou d'une source
d'informations biaisée. Il existe généralement deux approches pour informer la base de données de
tels invariants : les augmentations de données et la représentation des invariants.
Dans les augmentations de données, à partir d'une base de données, on peut générer plusieurs
copies augmentées des données où les copies sont modifiées dans des dimensions invariantes tout
en gardant la prédiction de sortie similaire à la base de données d'origine. En utilisant cette méthode,
nous augmentons la taille de la base de données et encourageons simultanément le modèle
d'apprentissage automatique à ignorer les caractéristiques et les corrélations non pertinentes lorsqu'il
s'entraîne à prédire avec précision la réponse des échantillons originaux et augmentés. Le summum
de l'augmentation des données se trouve dans le traitement d'images où il est courant d'ajouter des
versions modifiées d'images à la base de données en appliquant plusieurs opérations telles que le
retournement, les rotations, la mise à l'échelle, le cisaillement, le recadrage et différents niveaux de
luminosité et de contraste.
Alternativement, nous pouvons transformer la base de données en une représentation qui est
intrinsèquement invariante aux aspects physiquement non pertinents des données.
En entraînant le modèle d'apprentissage automatique dans l'espace de représentation invariant, nous
nous assurons que les résultats du modèle restent les mêmes en modifiant les caractéristiques non
pertinentes des données. Un exemple scientifiquement significatif d'une telle approche est l'invariance
dimensionnelle, où nous pouvons développer des modèles qui sont insensibles aux unités et aux
échelles en représentant les caractéristiques comme des nombres sans dimension. Un nombre sans
dimension est un monôme de loi de puissance de certaines quantités physiques (Barenblatt, 2003). Il
n'y a pas de dimension physique (telle que la masse, la longueur ou l'énergie) attribuée à un nombre
sans dimension. L'utilisation de nombres sans dimension peut simplifier considérablement les
problèmes en réduisant le nombre de variables décrivant un phénomène ou un processus physique,
réduisant ainsi le nombre d'expériences (ou de simulations) nécessaires pour comprendre et concevoir
le système physique. De plus, les nombres sans dimension sont physiquement interprétables et
fournissent ainsi des informations élégantes sur le comportement de systèmes complexes. De plus,
les nombres sans dimension ne changent pas si le système de mesure des unités est modifié. Cela
permet de révéler une relation invariante à l'échelle à l'aide d'expériences à petite échelle, qui peuvent
inclure de petites échelles de longueur, de petites échelles de temps ou de petites échelles d'énergie.
3.2. Développement de modèles basés sur la physique
Les modèles d'apprentissage automatique sont le deuxième pilier des solutions d'IA. Le processus
de développement et de formation des modèles ML implique divers choix d'ingénierie, qui peuvent
être réglés pour intégrer des informations ou des contraintes physiques dans la solution. Par
conséquent, le développement de modèles fondés sur la physique est un ingrédient clé du cadre d'IA
mécaniste proposé. Ici, nous présentons une catégorisation collectivement exhaustive des approches
pour intégrer les connaissances physiques dans le processus de développement du modèle, y
compris (1) la structuration du problème dans un modèle à plusieurs niveaux où différents modules
sont développés en utilisant une combinaison de modèles basés sur les données et basés sur la
physique. , (2) concevoir des architectures basées sur les données qui intègrent la physique dans leur
formulation, et (3) personnaliser le processus de formation du modèle. Chaque catégorie est
expliquée dans les sous­sections suivantes.
Machine Translated by Google
M. Mozaffar et al.
3.2.1. Modélisation à plusieurs
niveaux Une approche fondamentale pour imposer des connaissances physiques dans
une solution d'IA consiste à structurer la tâche d'origine en sous­modules, où chaque sous­
module est responsable de la prédiction des aspects du modèle global. Les sous­modules
peuvent être structurés en parallèle pour compenser les imprécisions les uns des autres ou
en série pour décomposer la tâche en étapes plus simples et plus traçables physiquement.
L'adoption de cette méthode de modélisation à plusieurs niveaux présente deux avantages
principaux. Premièrement, la structuration de la tâche de modélisation introduit des aspects
de la physique dans le modèle car elle impose la prédiction de paramètres intermédiaires
physiquement significatifs. Cela contraste avec le paradigme de bout en bout axé sur les
données où l'apprentissage flexible s'accompagne du coût de paramètres intermédiaires
qui sont, au mieux, très difficiles à interpréter. Deuxièmement, cette approche de
modélisation à plusieurs niveaux ouvre de nombreuses possibilités pour combiner des
méthodes de modélisation basées sur la physique avec des méthodes basées sur les
données. On peut utiliser une modélisation basée sur la physique là où des solutions
fiables et efficaces existent et les compenser avec des méthodes basées sur les données.
Par conséquent, au lieu de s'appuyer uniquement sur des données expérimentales issues
de mesures et de surveillance in situ et ex situ pour construire des modèles, les approches
de modélisation hybrides basées sur la physique et basées sur les données peuvent tirer
parti des simulations numériques pour fournir des informations supplémentaires qui ne
peuvent pas être facilement capturées par expériences. Par exemple, le maintien d'une
taille de bain de fusion constante dans le processus de FA est important pour obtenir des
propriétés cohérentes des pièces construites (Gockel et al., 2014) ; cependant, il est difficile
de suivre l'évolution du bain de fusion en se basant uniquement sur des données
expérimentales. Au contraire, les modèles basés sur la physique peuvent fournir des
informations détaillées sur les dimensions du bain de fusion, comme déployé par Gawade
et al. (2021) et Zhu et al. (2021).
Un exemple intéressant de méthodologie multi­niveaux est présenté par Ren et al.
(2021), où un modèle basé sur les données à deux niveaux est développé pour prédire la
taille du bain de fusion dans la construction multipistes de la FA par fusion sur lit de poudre
laser. Le modèle de niveau inférieur capture la température initiale de pré­balayage pour
chaque couche et l'utilise comme caractéristique dans le modèle de niveau supérieur pour
prédire la taille du bain de fusion. Leur modèle a atteint une erreur quadratique moyenne
relative inférieure à celle du modèle d'apprentissage automatique pur, sans avoir besoin
Fig. 6. Un modèle à plusieurs niveaux qui combine des méthodes de modélisation basées sur les données et basées sur la physique pour la prédiction de l'usure des outils (Wang et al., 2020).
8
Journal de la technologie de traitement des matériaux. 302 (2022) 117485
pour une grande quantité de données d'entraînement. Wang et al. (2020) ont développé un
modèle à plusieurs niveaux pour la prédiction à long terme de l'usure des outils dans les
processus d'usinage. Leur modèle se compose d'un modèle basé sur la physique et d'un
modèle bidirectionnel GRU basé sur les données. Les sorties des deux modèles sont
passées à travers un régresseur de réseau neuronal dense pour produire la prédiction
finale, comme illustré à la Fig. 6. Du et al. (2021) ont développé un modèle à deux niveaux
basé sur la physique et basé sur les données où six paramètres intermédiaires basés sur
la simulation de la densité d'énergie volumétrique, de la force de tension superficielle, du
nombre de Marangoni, du nombre de Richardson, du rapport d'aspect de la piscine et du
temps de solidification sont initialement calculés utiliser un modèle de fluide thermique ;
plus tard, une modélisation basée sur les données est déployée pour classer les cas de
bouletage ou non dans la fusion laser sur lit de poudre (L­PBF). Dans Du et al. (2020), un
modèle de calcul en régime permanent est utilisé pour calculer la température, la vitesse
de déformation, la force transversale, la contrainte d'écoulement, la contrainte de
cisaillement et le couple dans le soudage par friction­malaxage, les résultats de la simulation
sont ensuite utilisés pour prédire la défaillance de l'outil binaire avec une haute précision de 98%.
Une limitation actuelle de la modélisation à plusieurs niveaux qui combine des
méthodes basées sur la physique et basées sur les données est qu'il faut acquérir des
données et former chaque modèle ML individuellement, ce qui augmente considérablement
le coût de la gestion, du développement et de la maintenance des données. En effet, la
formation des réseaux de neurones nécessite un accès aux gradients alors que la plupart
des modèles conventionnels basés sur la physique ne génèrent pas d'informations sur les
gradients. Pour relever ce défi, une direction de recherche a récemment émergé pour
développer des simulations différentiables, qui permettent une intégration naturelle des
méthodes de simulation basées sur la physique avec les réseaux de neurones. Alpha Fold
(Senior et al., 2020) a présenté une percée dans la résolution du problème de repliement
des protéines en combinant un modèle de réseau neuronal pour calculer une matrice de
distance entre les composants d'acides aminés avec une simulation basée sur la physique
différentiable pour calculer la géométrie de la protéine.
Des études récentes ont étendu les simulations différentiables à la dynamique des fluides
(Holl et al., 2020), aux simulations de vision par ordinateur (Holl et al., 2020) et aux
applications de robotique et de contrôle (Qiao et al., 2020).
Par conséquent, l'extension des simulations différentiables aux applications de fabrication
peut ouvrir de nouvelles voies dans les modèles Mechanistic­AI qui
Machine Translated by Google
M. Mozaffar et al.
intégrer de manière transparente des approches basées sur la physique et basées sur les données.
3.2.2. Conception de l'architecture du modèle
La deuxième approche pour intégrer la physique dans le développement de modèles basés sur
les données consiste à développer des formulations et des architectures personnalisées pour les
modèles d'apprentissage automatique qui, de par leur conception, respectent certains attributs
physiques. Certains des réseaux de neurones les plus populaires (par exemple, CNN, RNN, mécanisme
d'attention) appartiennent à cette classe. Les CNN traitent intrinsèquement les informations voisines
en faisant passer un noyau local à travers l'image.
Les RNN (par exemple, LSTM et GRU) sont conçus pour transmettre des corrélations à long terme
pour un nombre arbitraire de pas de temps sans saturer les informations de gradient via des
mécanismes de déclenchement. On peut dire que l'une des principales raisons de l'adoption explosive
des réseaux de neurones est la flexibilité et l'évolutivité de leur formulation qui permet de créer une
large gamme d'architectures pour différentes applications. L'introduction de nouvelles architectures est
un domaine de recherche extrêmement actif avec chaque année de nombreuses nouvelles
formulations et architectures sont développées inspirées par la biologie (Hasani et al., 2020), la
physique (Owhadi et Yoo, 2019), ou l'heuristique de la tâche à accomplir (Cohen et al., 2019). Par
exemple, inspirés par la biologie, Hasani et al. (2020) ont développé une formulation de réseau
neuronal qui intègre une abstraction des interactions synapses dans les neurones.
Leur modèle est une architecture d'équation différentielle ordinaire neurale (ODE neurale) qui intègre
des formulations de synapse basées sur la conductance.
Les auteurs montrent qu'ils peuvent effectuer des prédictions de séries chronologiques avec une
stabilité et une expressivité supérieures par rapport aux réseaux de neurones récurrents conventionnels.
Dans le domaine manufacturier, Mozaffar et al. (2021) ont présenté un modèle de réponses
thermiques AM tel qu'il se généralise à des géométries complexes invisibles. Pour y parvenir, ils ont
développé une architecture de réseau neuronal personnalisée qui calcule les dépendances au niveau
du maillage inspirées des calculs par éléments finis et agrège les interactions voisines pour capturer
l'évolution à long terme des réponses thermiques compte tenu de la
Fig. 7. Une architecture de réseau neuronal personnalisée qui utilise des caractéristiques élémentaires et nodales au niveau du maillage pour calculer les interactions locales dépendant de la géométrie
pour la modélisation thermique des processus AM. Le réseau reçoit les paramètres du processus de fabrication en tant que caractéristiques locales et prédit l'évolution des réponses thermiques sur un
nombre arbitraire de pas de temps (Mozaffar et al., 2021).
9
Journal de la technologie de traitement des matériaux. 302 (2022) 117485
paramètres de processus de fabrication tels que la puissance laser, le parcours d'outil et les propriétés
des matériaux. L'architecture se compose de réseaux de neurones graphiques pour les calculs basés
sur le maillage et d'un réseau de neurones récurrent pour l'analyse des séries chronologiques, comme
illustré à la Fig. 7. Zhang et al. (2020) ont développé une architecture basée sur un réseau neuronal
récurrent qui est augmentée par un mécanisme d'attention pour prédire la résistance à la traction dans
les processus de modélisation par dépôt de fusion (FDM). Dans leur architecture, ils exploitent la
nature en couches des processus AM et correspondent à chaque couche à une cellule LSTM pour
extraire l'influence relative de chaque couche sur le comportement final de la pièce.
Saha et al. (2021) ont développé une nouvelle architecture, appelée HiDeNN, qui définit les poids et
les biais en fonction des positions nodales et est conçue pour trouver les positions nodales optimales
en minimisant l'énergie potentielle des problèmes mécaniques. Ils ont intégré un réseau de mise à
l'échelle dans un réseau de neurones pour découvrir automatiquement des nombres sans dimension
à partir de données expérimentales, qui sont ensuite transmises à travers une couche de réseau de
neurones dense pour prédire les paramètres finaux d'intérêt (voir l'architecture proposée à la Fig. 8 ) .
Cette méthode est appliquée à un problème de mécanique des fluides et récupère le nombre de
Reynolds Re et la rugosité relative de surface Ra*. Notez que cette méthode est actuellement limitée
à la prédiction de sorties sans dimension et qu'il peut être impossible de déterminer le nombre de
paramètres sans dimension dans de nombreux systèmes complexes, ce qui peut être un sujet
intéressant pour de futures améliorations.
Un autre exemple prometteur est celui des techniques de modélisation basées sur la plasticité
cristalline couplée à l'IA, qui est l'une des méthodes de caractérisation des matériaux virtuels qui ont
été largement utilisées pour faciliter la recherche et le développement de nouveaux matériaux et
méthodes de fabrication. Ali et al. (2019) ont utilisé un modèle de réseau neuronal entièrement
connecté couplé à une formulation de méthode d'éléments finis de plasticité cristalline dépendante de
la vitesse pour prédire l'évolution de la contrainte­déformation et de la texture de AA6063­T6. Le test
de comparaison de temps d'exécution montre que le modèle développé permet d'économiser plus de
99,9 % du temps de calcul par rapport au modèle plastique cristal classique. Ibragimova et al. (2021)
ont conçu un cadre où un
Machine Translated by Google
M. Mozaffar et al.
Fig. 8. Une architecture de réseau neuronal personnalisée qui intègre une contrainte de dimensions physiques de différents paramètres d'entrée dans la conception du réseau
(Saha et al., 2021).
ensemble de réseaux de neurones entièrement connectés sont formés avec l'ensemble de données
généré à partir de simulations de plasticité cristalline pour modéliser l'évolution de la contrainte­
déformation et de la texture pour les cristaux de la famille cubique à faces centrées (FCC) sous un
chemin de déformation non monotone. Chaque réseau neuronal de l'ensemble a été utilisé pour
prédire séparément une composante des variables de sortie et un test de comparaison a été effectué
pour concevoir l'architecture du réseau pour chaque variable. Les résultats montrent que le modèle
prédit la contrainte avec une erreur moyenne inférieure à 10 MPa et l'évaluation de la texture
inférieure à 1A
. de fusion. Leur modèle est validé sur les données de test NIST AM­Benchmark 2018 et révèle le
3.2.3. Formation modèle personnalisée
La troisième approche pour intégrer les connaissances physiques dans la modélisation basée
sur les données consiste à personnaliser leur processus de formation. Une direction de recherche
importante dans cette ligne est introduite par Raissi et al. (2017) dans laquelle une fonction de perte
supplémentaire basée sur les résidus des lois de conservation physique est incorporée dans la perte
régulière du réseau de neurones afin de guider le processus de formation des réseaux de neurones.
Cette méthode de formation personnalisée en augmentant la fonction de perte est appelée réseau
de neurones informé par la physique (PINN) (Raissi et al., 2017). Les PINN présentent deux
avantages principaux : (1) ils peuvent combiner de manière transparente des données expérimentales
avec des modèles basés sur la physique partiellement ou entièrement compris, ce qui signifie que
les prédictions du modèle peuvent s'adapter aux lois physiques et aux expériences en même temps
(2) il suffit de les coordonnées spatiales et temporelles en tant qu'entrées et ne nécessitent pas la
sortie correspondante comme la vitesse, la pression ou le champ de température, car elles optimisent
les paramètres du modèle en minimisant une fonction de perte, y compris les équations gouvernantes.
C'est­à­dire que, contrairement aux approches ML classiques, il n'est pas nécessaire de préparer un
ensemble d'entraînement avant l'entraînement.
Plus précisément, les PINN sont conçus pour trouver le mappage des coordonnées à une
solution d'équations aux dérivées partielles (PDE) à l'aide de réseaux de neurones à anticipation.
Sur la base de la différenciation automatique dans PyTorch ou Tensorflow, nous pouvons facilement
calculer des dérivées avec des termes différents dans les PDE, puis obtenir les résidus des lois de
conservation.
L'erreur de prédiction des données expérimentales peut également être ajoutée dans la fonction de
perte en tant que pénalité douce. Par conséquent, la forme générale de la fonction de perte peut être
écrit comme:
Perte = λ1MSEPDE + λ2MSEdata
où MSEPDE est l'erreur qui encourage les résidus inférieurs des PDE sur les coordonnées
échantillonnées et MSEdata est l'erreur de l'approximation u(x, t) aux points de données connus. λ1
et λ2 déterminent respectivement l'importance des données MSEPDE et MSE . Notez que plusieurs
variantes de PINN sont proposées pour les problèmes statiques, de dynamique continue et de
dynamique en temps discret.
Par exemple, dans un réseau en temps continu, on peut considérer la coordonnée x et le temps t
comme des entrées et les échantillonner uniformément dans le domaine temporel et spatial, tandis
que pour un réseau en temps discret, on peut considérer la coordonnée x comme l'entrée et le
solution déroulée de ui (i = 1, 2, . . , n) comme sortie.
Les PINN ont obtenu des résultats prometteurs en mécanique des fluides (par exemple, Jin et
al., 2021 ; Cai et al., 2021), en biologie (par exemple, Yin et al., 2021 ; Arzani et al.,
Journal de la technologie de traitement des matériaux. 302 (2022) 117485
2021) et étude environnementale (par exemple, He et al., 2019). Cependant, seules quelques études
ont tenté de déployer des PINN dans des applications de fabrication. Zhu et al. (2021) ont appliqué
les PINN dans la modélisation tridimensionnelle des processus de fabrication additive (AM) pour
prédire le champ de température et la dynamique du bain de fusion avec un nombre modéré de
points de données. Ils ont imposé les conditions aux limites de Dirichlet en utilisant une fonction
Heaviside au lieu d'une pénalité douce dans la fonction de perte pour accélérer le processus
d'apprentissage. L'entrée du réseau comprend les paramètres AM, les propriétés des matériaux et
la localisation des intérêts, et les sorties sont la température correspondante et les vitesses du bain
potentiel des PINN dans la fabrication de pointe.
Outre la modification de la fonction de perte, on peut développer un programme personnalisé
pour le processus de formation dans un schéma d'apprentissage par transfert.
Les chercheurs ont étudié des méthodes pour pré­entraîner un modèle de substitution avec une
grande quantité de données simulées, puis affiner le modèle avec un plus petit
nombre de données expérimentales (par exemple, Jha et al., 2019 ; Moges et al., 2021).
La motivation derrière cette méthode est de tirer parti à la fois des données expérimentales et des
données simulées tout en évitant les inconvénients de chaque type de données, c'est­à­dire une
précision limitée des données de simulation et une disponibilité limitée des expériences. Jha et al.
(2019) ont développé une approche d'apprentissage par transfert en profondeur pour obtenir une
prédiction robuste des propriétés des matériaux, comme illustré à la Fig. 9. Ils ont d'abord pré­formé
un modèle basé sur les données avec un grand ensemble de données de calcul (environ 341 000
échantillons) et ont ensuite formé le modèle. avec un petit ensemble de données expérimentales. Ils
ont montré que par rapport à la formation d'un modèle à partir de zéro, l'apprentissage par transfert
permet d'obtenir une erreur de prédiction plus faible.
Moges et al. (2021) ont développé un cadre de modélisation hybride qui intègre des données
basées sur la physique avec des données de mesure pour prédire la largeur du bain de fusion dans
les processus de fusion laser sur lit de poudre. Ils ont généré un ensemble de données de bain de
fusion avec différentes conditions de processus à l'aide d'un modèle CFD haute fidélité et ont
collecté des données expérimentales à partir d'images optiques de bain de fusion ex­situ avec des
paramètres de processus similaires. Pour construire un modèle hybride, ils ont d'abord formé un
modèle de substitution basé sur des données de simulation à l'aide d'une régression polynomiale.
Ils forment ensuite leur modèle pour minimiser l'erreur résiduelle dans les résultats des expériences
en utilisant un échantillonnage adaptatif non biaisé entre la simulation et les données expérimentales,
ce qui a conduit à un modèle plus précis par rapport aux simulations basées sur la physique. Le
(1)
schéma de leur approche de modélisation hybride est illustré à la Fig. 10.
Fait intéressant, Kapusuzoglu et Mahadevan (2020) ont étudié trois variantes d'approches de
développement de modèles informées par la physique mentionnées dans cette section pour les
processus de fabrication de filaments fondus (FFF).
Leurs données simulées provenaient d'un modèle multiphysique séquentiel (modèle thermique et
modèle de frittage de polymères) qui peut générer un ensemble de données sur la porosité et la
qualité de la liaison dans différentes conditions de procédé. Ils ont inclus un petit nombre de
données expérimentales et ont étudié huit méthodes de modélisation hybrides distinctes en trois
catégories. Leurs résultats montrent que l'incorporation de contraintes physiques dans la fonction
de perte permet au modèle de produire les résultats les plus cohérents physiquement, tandis que la
modélisation à plusieurs niveaux et les méthodes d'entraînement hybrides conduisent à des résultats
sous­optimaux.
dix
Machine Translated by Google

M. Mozaffar et al. Journal de la technologie de traitement des matériaux. 302 (2022) 117485

Fig. 9. Apprentissage par transfert en profondeur de la prédiction des propriétés des matériaux en s'entraînant à partir de grands ensembles de données informatiques (tels que la base de données Open Quantum
Materials Database (OQMD)) et en affinant le modèle avec un petit nombre de données de mesure ( Jha et al., 2019).

3.3. Découverte basée sur les données dans le secteur manufacturier

La plupart des procédés de fabrication avancés ont une nature multiphysique et

multiéchelle, dans laquelle nous connaissons une partie de la physique tout en manquant
des informations sur les conditions aux limites et les équations gouvernantes (Karniadakis
et al., 2021). Par exemple, dans la fabrication à base de laser, un faisceau laser à haute
énergie interagit avec un matériau de substrat, ce qui pourrait entraîner une vaporisation
intensive du matériau fondu (Gan et al., 2021).
Nous ne comprenons toujours pas entièrement les interactions complexes entre le laser,
le matériau liquide, le panache de vapeur et un éventuel plasma induit par laser.
Malgré les progrès réalisés dans le développement de modèles pour quantifier les
processus de fabrication complexes et faire correspondre les mesures expérimentales,
ce processus de développement peut être fastidieux et prendre du temps, impliquant de
proposer une hypothèse, d'examiner les hypothèses du modèle, de sélectionner les
équations et les conditions aux limites appropriées et de développer méthodes numériques
pour résoudre les problèmes. De plus, des techniques d'étalonnage sophistiquées sont
nécessaires pour régler les paramètres inconnus dans les modèles.

Les progrès récents de l'apprentissage automatique et de l'IA ont introduit une

méthodologie alternative, appelée découverte basée sur les données, qui promet de
découvrir les équations gouvernantes et les propriétés sous­jacentes d'un système
directement à partir des données collectées. Cette nouvelle méthodologie peut
considérablement accélérer la quantification des mécanismes physiques cachés et des
interactions sous­jacentes au processus de fabrication. Les équations ou lois compactes
identifiées pourraient permettre une conception efficace des processus et des matériaux
dans la fabrication de pointe. Dans cette section, nous passons en revue plusieurs
méthodes en évolution rapide pour découvrir (1) des équations différentielles et (2) des
lois d'échelle sans dimension à partir de données. De plus, nous discutons de la manière
d'appliquer ces méthodes mathématiques aux domaines de la fabrication de pointe.

3.3.1. Découverte guidée par les données des équations

différentielles Une étape importante dans le domaine de la découverte guidée par les
données des équations différentielles est l'identification parcimonieuse de la dynamique

Fig. 10. Flux de travail pour l'approche de modélisation hybride pour prédire la largeur du bain de fusion non linéaire (SINDy) proposée par Brunton et al. (2016). Il s'inspire d'un travail antérieur
dans les processus de fusion laser sur lit de poudre (Moges et al., 2021). (Schmidt et Lipson, 2009) sur l'extraction d'équations cachées d'un système dynamique
non linéaire à partir de données en utilisant la régression symbolique (Koza, 1992). SINDy

Enfin, malgré les progrès et les avantages des méthodes de développement de est un algorithme d'apprentissage automatique qui extrait des systèmes dynamiques,

modélisation personnalisées, telles que les PINN, il existe actuellement des limites décrits par des équations différentielles ordinaires (ODE) ou des équations aux dérivées

importantes à ces approches : (1) de nombreux systèmes complexes n'ont pas de forme partielles (PDE), à partir de données collectées. Les données de séries chronologiques

fermée de gouvernance Eq. (2) les données expérimentales sont généralement effrayantes peuvent être utilisées pour découvrir les ODE, comme exprimé dans l'équation. (2), où x

et bruyantes et la question de savoir comment combiner basse fidélité et haute fidélité est les variables d'état évoluant dans le temps t nécessaires pour décrire le système et

reste une question ouverte ; et (3) l'optimisation et la conception du réseau nécessitent f( ) est une fonction inconnue à identifier à partir des données. Des données spatio­

des essais et des erreurs avec de nombreux hyperparamètres. temporelles sont nécessaires pour découvrir les PDE telles qu'exprimées dans l'équation.
(3), où u est un champ spatio­temporel évoluant dans l'espace et dans le temps.

11
Machine Translated by Google
M. Mozaffar et al.
dx = f(x) dt (2)
∂ u = N(u) ∂t (3)
Étant donné un ensemble de données de séries chronologiques ou de données de
terrain spatio­temporelles, SINDy vise à découvrir un ensemble clairsemé d'équations
gouvernantes à partir d'un pool prédéfini de formes mathématiques possibles qui
pourraient décrire les données. SINDy peut identifier les équations ODE ou PDE qui
sont creuses et ont le moins de degrés de liberté possible, similaires aux équations de
Lorenz ou aux équations de Navier Stokes (NS). Cela contraste avec la plupart des
auteurs ont publié une bibliothèque Python open source des algorithmes, Pysindy (de
méthodes modernes d'apprentissage automatique surparamétrées, telles que les réseaux de neurones.
Un schéma de l'algorithme SINDy est illustré sur la figure 11 en utilisant un exemple
simple d'un système de Lorentz. En supposant que nous n'avons accès qu'aux données
observées du système de Lorentz (c'est­à­dire les mesures de l'état x, y et z dans le
temps). On peut organiser ces données dans une matrice X, où chaque ligne de X est
une mesure dans le temps. Nous pouvons également calculer les dérivées d'état x˙, y˙
˙
et z à l'aide de méthodes numériques (par exemple, les différences finies ou Total
Variational Derivative Chartrand, 2011), et les disposer de la même manière dans une
˙
matrice X. Dans la méthode SINDy, nous créons une
bibliothèque matricielle composée de tous les termes possibles décrivant la dynamique
du système, en commençant par les termes linéaires et en étendant progressivement
aux expressions non linéaires. Par exemple, la matrice de bibliothèque Θ(X) peut être
constituée de x, y et z, ainsi que de termes non linéairesx2 , xy, xz, y2 et jusqu'aux
polynômes du cinquième ordre. Idéalement, nous voulons que notre bibliothèque Θ(X)
inclue tous les termes dominants nécessaires pour décrire les dérivés de gauche x˙, y˙
et z˙. Il convient de noter que les termes de la bibliothèque (colonnes grises sur la figure
11) Θ(X) peuvent être calculés à partir des données mesurées x, y et z. Maintenant, le
problème est réduit à un problème d'optimisation parcimonieux avec l'objectif de trouver
le moins de termes dans cette bibliothèque de dynamiques candidates Θ(X) qui
décrivent le mieux les dérivées temporelles X. ˙ Plusieurs
algorithmes d'optimisation parcimonieux peuvent être déployés pour trouver la matrice
de coefficients parcimonieux Ξ. Des exemples d'algorithmes d'optimisation parcimonieux
comprennent le lasso (Tibshirani, 1996) (c'est­à­dire la régression linéaire avec
régularisation de la norme L­1) et les moindres carrés à seuil séquentiel (STLS) (Brunton et al., 2016).
Enfin, on peut utiliser les termes sélectionnés dans Θ(X) et les coefficients correspondants
dans Ξ pour reconstruire un modèle minimaliste du système dynamique. Dans ce cas,
les auteurs ont montré qu'ils pouvaient retrouver la forme complète des équations de
Lorentz.
Par rapport aux méthodes traditionnelles, telles que la recherche par force brute
Fig. 11. Schéma de l'algorithme SINDy utilisant un exemple des équations de Lorenz (Brunton et al., 2016). Il comprend trois parties : (I) le vrai système de Lorenz utilisé pour la génération
de données, (II) la régression parcimonieuse pour résoudre les termes actifs dans la dynamique, et (III) le système identifié.
12
Journal de la technologie de traitement des matériaux. 302 (2022) 117485
(Korf, 1999) et la méthode de programmation génétique (Schmidt et Lipson, 2009),
l'algorithme SINDy est plus efficace et évolutif (Kaheman et al., 2020). Bien que les
équations dynamiques soient supposées être des combinaisons linéaires de termes
candidats non linéaires dans la bibliothèque, cette hypothèse est raisonnablement
valable pour de nombreux systèmes dynamiques d'ingénierie. De nombreuses
améliorations et extensions sont proposées à l'algorithme SINDy pour découvrir les EDP
(Rudy et al., 2017), identifier les systèmes de coordonnées dominants (Champion et al.,
2019) et gérer avec des coefficients variant dans le temps (Li et al., 2019a) . Il est
important de noter que l'identification de modèles multi­échelles pour les réponses
matérielles anisotropes est étudiée dans Brunton et Kutz (2019).
Heureusement, ces méthodes sont largement disponibles pour les chercheurs car les
Silva et al., 2020), et Steven Brunton, le premier auteur de l'article SINDy, a réalisé une
série de vidéos didactiques bien faites sur YouTube (Brunton, 2021).
Récemment, l'algorithme SINDy et ses variantes ont été appliqués dans plusieurs
domaines des sciences et de l'ingénierie, notamment la mécanique des fluides (Brunton
et al., 2020b), la biologie (Mangan et al., 2016), le contrôle des systèmes (Kaiser et al.,
2018) , la chimie des matériaux (Bartel et al., 2018), le génie aérospatial (Brunton et al.,
2020a) et la magnétohydrodynamique (Kaptanoglu et al., 2020). Cependant, très peu de
personnes appliquent avec succès le SINDy ou d'autres méthodes de découverte axées
sur les données aux domaines de la fabrication de pointe et relèvent les défis uniques
de cette recherche interdisciplinaire. Notez que la précision des équations et expressions
identifiées dépend fortement de la qualité des données. Les données de mesure in situ,
à grande vitesse et à haute résolution sont inestimables pour la fabrication de découvertes
axées sur les données découvrir des systèmes dynamiques validés expérimentalement
de
(c. , séries de température processus.
dans le temps) ou des données de champsPour
spatio­temporels
(par exemple, champs de déformation dans l'espace et le temps) sont nécessaires. Des
exemples de mesures in situ qui peuvent être analysées à l'aide de l'algorithme SINDy
comprennent la photographie à grande vitesse (Chen et al., 2013), la thermographie
infrarouge (Yang et al., 2017), l'imagerie par rayons X synchrotron (Zhao et al., 2017),
tomodensitométrie (TDM) à rayons X (Thompson et al., 2016), diffraction des rayons X
in situ (XRD)
(Oh et al., 2021), la vélocimétrie par images de particules (PIV) (Ho et al., 2020) et la
corrélation d'images numériques (DIC) (Xie et al., 2019).
Machine Translated by Google
M. Mozaffar et al.
3.3.2. Découverte basée sur les données des lois d'échelle sans dimension
Les nombres sans dimension et les relations entre eux, c'est­à­dire les lois d'échelle sans
dimension, jouent un rôle critique dans les domaines scientifiques. Plus de 1200 nombres sans
dimension ont été découverts dans un très large éventail de domaines, y compris la physique
et la chimie, la mécanique des fluides et des solides, la thermodynamique, l'électromagnétisme,
la géophysique et l'écologie, et diverses disciplines d'ingénierie (Kunes, 2012) . Dans la
fabrication de pointe, beaucoup d'efforts ont été déployés pour identifier les nombres sans
dimension et les lois d'échelle liés aux processus et aux matériaux afin de simplifier les
processus de fabrication hautement multivariables avec de multiples phénomènes physiques
en interaction. Certaines des lois d'échelle sans dimension sont prétendues "universelles", qui
s'appliquent largement et restent précises pour différents matériaux, conditions de traitement,
voire procédés de fabrication. Par exemple, une étude récente a identifié une loi d'échelle
universelle sans dimension pour la morphologie de la dépression de vapeur induite par laser
(c'est­à­dire le rapport d'aspect en trou de serrure) (Gan et al., 2021) , comme le montre la Fig.
12.
De nombreuses lois d'échelle sont fournies dans le domaine de la fabrication avancée et
ont été validées par des données expérimentales. Les variables de fabrication prédites
comprennent la densité relative des pièces fabriquées (Rankouhi et al., 2021), l'absence de
porosité de fusion (Gan et al., 2021), les géométries de bain de fusion induites par laser (Yang
et al., 2021), le laser capacité d'absorption (Ye et al., 2019), géométries en trou de serrure
(Wang et Liu, 2019), porosité en trou de serrure (Gan et al., 2021), sensibilité à la déchirure à
chaud (Monroe et Beckermann, 2014), vitesse de refroidissement sans dimension (Bontha et
al. ., 2006) et le paramètre de déformation thermique sans dimension (Knapp et al., 2017).
La plupart des nombres sans dimension et des lois d'échelle mentionnés sont identifiés à l'aide
d'une analyse dimensionnelle (Tan, 2011), qui examine soigneusement les unités des systèmes
physiques pour identifier un ensemble de nombres sans dimension qui constituent les relations
physiques essentielles et invariantes à l'échelle (Jofre et al., 2020). Cependant, l'analyse
dimensionnelle classique basée sur le théorème π de Buckingham (Buckingham, 1914) a deux
limites bien connues : (1) les nombres sans dimension dérivés ne sont pas uniques, et (2) la
relation entre les nombres sans dimension (c'est­à­dire la loi d'échelle) reste inconnue pour les
cas généraux, et il est donc impossible de mesurer l'importance relative des nombres sans
dimension ou d'identifier un ensemble dominant de nombres sans dimension. Par conséquent,
l'approche conventionnelle peut prendre du temps car elle nécessite plusieurs itérations d'essais
et d'erreurs.
L'analyse dimensionnelle classique peut être complétée par la science des données
avancée et l'IA, c'est­à­dire l'analyse dimensionnelle basée sur les données (Constantine et al.,
2017). Cette méthodologie fournit un moyen systématique d'intégrer la science des données et
l'analyse dimensionnelle et de surmonter les limites de l'analyse dimensionnelle classique et de
découvrir des lois d'échelle sans dimension universelles de haute qualité à partir des données.
Mendez et Ordonez (2005) ont proposé un algorithme appelé SLAW (c'est­à­dire, Scaling
LAWs) pour identifier la forme d'une loi de puissance à partir de données expérimentales (ou
Fig. 12. Une loi d'échelle pour le rapport d'aspect en trou de serrure contrôlé par le nombre Keyhole, un nombre sans dimension combinant sept paramètres de processus et les propriétés
des matériaux (Gan et al., 2021).
13
Journal de la technologie de traitement des matériaux. 302 (2022) 117485
données de simulation). Le SLAW proposé combine une analyse dimensionnelle avec des
régressions linéaires multivariées. Cette approche a été appliquée à certains domaines
d'ingénierie, tels que l'assemblage céramique­métal (Mendez et Ordonez, 2005) et le
confinement du plasma dans les Tokamaks (Murari et al., 2015). Cet algorithme suppose que
la relation entre les nombres sans dimension obéit à une loi de puissance, qui est invalide
dans de nombreuses applications. Par exemple, la relation entre le facteur de frottement et le
nombre de Reynolds dans le régime turbulent de la dynamique de l'écoulement du tuyau n'est
pas une loi de puissance. Constantin et al. (2016) ont proposé un cadre mathématique rigoureux
pour estimer des groupes sans dimension uniques et pertinents. Les méthodes de sous­
espace actif sont liées à l'analyse dimensionnelle, qui révèle que toutes les lois physiques sont
des fonctions de crête (Constantine et al., 2016). Ils ont démontré leurs algorithmes en utilisant
des exemples d'écoulements visqueux laminaires et turbulents. Leur méthode est applicable
aux systèmes physiques idéalisés, ce qui signifie que (1) les expériences peuvent être menées
pour des valeurs arbitraires des variables d'entrée indépendantes (ou des variables d'entrée
dépendantes avec une fonction de densité de probabilité connue), et (2) des bruits ou des
erreurs dans l'entrée et les sorties sont négligeables. Saha et al. (2021) ont proposé un réseau
de neurones d'apprentissage en profondeur hiérarchique (HiDeNN) pour combiner
l'apprentissage en profondeur et l'analyse dimensionnelle afin de découvrir des nombres sans
dimension à partir de données expérimentales. Cette méthode s'est récemment généralisée en
tant que méthodologie, appelée apprentissage sans dimension (Xie et al., 2021), dans laquelle
le principe d'invariance dimensionnelle est intégré à l'apprentissage automatique pour découvrir
automatiquement les nombres sans dimension dominants et les lois d'échelle à partir des
données. L'approche proposée a été démontrée à l'aide de données expérimentales bruitées
recueillies à partir d'un large éventail de problèmes, notamment la convection turbulente de
Rayleigh­Benard, la dynamique de dépression de vapeur et la formation de porosité dans la
fabrication additive.
L'analyse dimensionnelle basée sur les données est toujours un domaine actif. Beaucoup
d'efforts sont nécessaires pour améliorer l'efficacité, l'interprétabilité, la prédictivité et la
robustesse des algorithmes. En utilisant les algorithmes développés pour explorer des données
de fabrication de haute qualité, de nombreux nombres universels sans dimension et lois
d'échelle devraient être découverts, ce qui peut fournir des informations élégantes pour
l'optimisation des processus de fabrication, l'élimination des défauts, le développement de
nouveaux matériaux et l'amélioration des performances mécaniques.
4. L'IA dans la conception de fabrication
Dans les tâches de conception, nous essayons d'identifier le processus de construction
d'une pièce qui répond à un ensemble d'exigences. La conception dans la fabrication a
traditionnellement été étudiée en deux étapes distinctes : (1) la conception conceptuelle et (2)
la conception des processus. L'étape de conception conceptuelle fait référence à la visualisation
des pièces géométriques et des matériaux. En pratique, l'étape de conceptualisation est un
processus principalement déterministe qui est effectué à l'aide d'un ordinateur.
Machine Translated by Google

M. Mozaffar et al. Journal de la technologie de traitement des matériaux. 302 (2022) 117485

logiciel de conception assistée (CAO). L'étape de conception de processus, d'autre part, réalise un
réglage de fabrication pour réaliser la conception conceptuelle développée. La conception de processus
implique plusieurs étapes, notamment la sélection du processus de fabrication, l'optimisation des
paramètres de processus et l'optimisation au niveau du système en fonction de la disponibilité de la
machine, de la chaîne d'approvisionnement et de la maintenance ­ souvent développées à l'aide d'outils
de fabrication assistée par ordinateur (FAO) et de planification de processus assistée par ordinateur
(CAPP) . L'optimalité de la conception implique de multiples facteurs concurrents tels que la qualité de la
pièce sous diverses mesures de performance (par exemple, la résistance, la précision géométrique, le
comportement thermique), le coût, le taux de production et la robustesse de la solution aux défauts et
aux perturbations.
intégrant plusieurs tâches, comme le montre la Fig. 13.
Nous catégorisons les publications sur l'IA dans la conception de fabrication en deux classes de (1)
mappage direct des exigences fonctionnelles aux paramètres de conception et (2) optimisation de la
conception inverse. Les développements remarquables et les exemples réussis dans chaque catégorie
sont développés dans les sous­sections suivantes en mettant l'accent sur les méthodes d'incorporation
des mécanismes physiques et des contraintes des processus de fabrication dans les formulations d'IA.
Notez que bien que les méthodes de modélisation puissent grandement faciliter les tâches de conception,
comme nous avons discuté des avancées de la modélisation dans la section 3, nous excluons ici ces
contributions.

La conception est restée l'une des principales activités d'ingénierie et scientifiques en raison de
4.1. Cartographie directe pour la conception
plusieurs aspects difficiles du processus. Les informations impliquées dans le processus de conception
sont souvent non structurées, de grande dimension, bruyantes et clairsemées ; rendant ainsi la
Comme le but ultime de la conception est de trouver des paramètres de conception optimaux compte
correspondance entre les exigences et la conception difficile à découvrir. La fabrication implique de
tenu des exigences fonctionnelles, une approche naturelle consiste à mapper directement les exigences
nombreux choix discrets et des contraintes non linéaires, ce qui génère des paramètres d'optimisation
aux paramètres. Il s'agit notamment d'un concept compatible avec les méthodes modernes d'apprentissage
conditionnés médiocres. De plus, il existe un niveau d'incertitude non négligeable dans le processus de
en profondeur puisqu'elles sont connues pour extraire des corrélations complexes et insoupçonnées entre
conception (par exemple, en raison du comportement spécifique à la machine, des écarts dans les outils
diverses structures de données.
de modélisation et des caractéristiques de matériau inconnues) qui rend le processus stochastique. Par
Par conséquent, plusieurs domaines de recherche convaincants ont récemment émergé et entrent dans
conséquent, le processus de conception nécessite des années d'expérience pour produire efficacement
cette catégorie de conception. Une approche populaire pour analyser les systèmes de fabrication et de
des pièces fiables et implique des séries d'essais et d'erreurs fastidieuses et coûteuses.
matériaux consiste à modéliser hiérarchiquement les relations entre les paramètres du processus de
fabrication, la structure, les propriétés et les performances des matériaux (PSPP) (Olson, 1997). Par
conséquent, l'IA peut être utilisée pour modéliser n'importe laquelle de ces relations causales dans le
Traditionnellement, les concepteurs utilisent les directives de conception pour la fabrication (DFM)
sens inverse, produisant un outil de conception.
pour réduire la complexité du processus de conception. Ces directives sont basées sur des caractéristiques
approximatives des composants géométriques de conception et manquent de complexité pour analyser
Jiang et al. (2020) ont adopté une approche d'apprentissage supervisé pour mapper directement la
de manière adéquate des conceptions complexes. De plus, le DFM existant n'offre pas un ensemble
courbe de réponse déformation­contrainte aux paramètres de conception des géométries de structures
unificateur de principes pour les processus de fabrication ; au contraire, les règles sont très différentes
unitaires dans un processus de jet de polymère. Ils ont utilisé les données extraites de 300 pièces pour
pour chaque processus. Par exemple, plusieurs études ont élaboré des lignes directrices qui ne
former un réseau de neurones entièrement connecté qui prédit la conception souhaitée des structures
s'appliquent qu'à des types spécifiques de procédés de fabrication additive à base de métaux (par
unitaires dans une conception personnalisée d'orthèse de cheville. Leur cadre de conception avec des
exemple, Kranz et al., 2015 ; Walton et Moztarzadeh, 2017).
connexions PSPP inversées est illustré à la Fig. 14. Hashimoto et Nakamoto (2021) ont utilisé
l'apprentissage automatique pour concevoir le plan de processus pour les processus d'usinage. Les
Par conséquent, un ingénieur de conception doit prendre des décisions critiques concernant le processus
auteurs ont développé une architecture U­net effectuant une segmentation par voxel sur 243 géométries
de fabrication dès la conceptualisation afin d'utiliser ces outils DFM, ce qui rend diverses tâches de
3D, qui est étiquetée en fonction des processus d'usinage passés effectués par des experts qualifiés. Les
conception conceptuelle et de conception de processus étroitement liées. D'autres tentatives
entrées et les sorties du réseau sont codées à chaud et incluent la géométrie du voxel, les mesures de
conventionnelles d'automatisation du processus de conception reposent sur des systèmes de détection
précision (avec deux états pour les exigences de précision faible et élevée), le type d'outil de coupe (avec
avec des caractéristiques géométriques conçues manuellement (par exemple, Han et al., 2000 ; Kazhdan
deux états pour les fraises sphériques et plates) et le modèle de parcours d'outil ( avec trois états pour la
et al., 2004) ou des ontologies de fabrication sophistiquées (par exemple, Jang et al., 2008 ; Dinar et
ligne de contour, la ligne de balayage et les motifs le long de la surface). Dans un processus de prise de
Rosen, 2017), qui sont tous deux difficiles à adapter et à adapter à de nouveaux processus car ils
décision hiérarchique, tout d'abord, le type d'outil de coupe par voxel est prédit en fonction de la géométrie
reposent fortement sur des connaissances d'experts. Dans cette section, nous préconisons de nouvelles
et de la précision requise. Plus tard, le type d'outil de coupe est utilisé avec d'autres entrées pour décider
solutions d'IA pour les problèmes de conception de fabrication, car l'IA offre une capacité unique d'explorer
du modèle de parcours d'outil. Les prédictions par voxel sont agrégées à l'aide d'une méthode de vote
des espaces de conception massifs et des interactions complexes courantes dans les processus de
majoritaire pour produire la décision finale pour chaque surface d'usinage majeure. Zhao et al. (2020) ont
fabrication. Nous recherchons des méthodes de conception offrant de meilleures performances que les
proposé une
approches conventionnelles ou réduisant le nombre d'étapes dans le processus de conception en

Fig. 13. La conception dans la conception conventionnelle comprend plusieurs étapes déconnectées de la conception conceptuelle et de la conception des processus (en haut). Méthodes de conception basées sur l'IA qui
visent à optimiser de manière autonome le processus de conception et à intégrer plusieurs tâches de conception (en bas).

14
Machine Translated by Google
M. Mozaffar et al.
Fig. 14. La modélisation conventionnelle processus­structure­propriété (PSP) établit un lien causal entre la fabrication et les paramètres des matériaux. À l'aide de ML, chaque lien au sein
des relations PSP peut être modélisé dans le sens inverse pour produire un outil de conception. Par exemple, les propriétés mécaniques souhaitées peuvent être liées aux descripteurs de
microstructure requis (Jiang et al., 2020).
méthode basée sur les données pour sélectionner un processus de fabrication entre le fraisage,
le tournage et le moulage en fonction de la forme, de la qualité et des propriétés du matériau.
Ils calculent un histogramme basé sur divers attributs de la géométrie CAO, y compris la
distribution des courbures, la symétrie de rotation et les distances des points de surface par
paires. Les descripteurs géométriques ainsi que les propriétés des matériaux (par exemple, la
limite d'élasticité, le module de Young, la conductivité thermique) et les attributs de qualité
(rugosité de surface globale et tolérance) sont introduits dans des classificateurs d'arbre de
décision et formés pour atteindre une précision de 88 % sur des géométries complexes pendant
la formation. sur 81 parties.
Comme autre application intrigante de l'apprentissage supervisé dans la conception, des
études récentes ont exploré la capacité de l'apprentissage automatique à mieux extraire des
directives automatisées pour les processus de fabrication. Williams et al. (2019) ont développé
un modèle d'apprentissage en profondeur pour évaluer la fabricabilité des pièces fabriquées de
manière additive. Leur modèle, formé sur plus de 72 000 échantillons synthétiques, reçoit des
géométries CAO voxélisées et génère des métriques de fabrication telles que la masse de support
et le temps de construction.
Guo et al. (2021) ont évalué la fabricabilité des structures cellulaires métalliques dans le processus
de frittage laser direct du métal, où les pièces présentant un gauchissement important en raison
de la contrainte résiduelle, de la fissuration et du délaminage sont classées comme non
imprimables. Cette recherche forme un codeur automatique hiérarchique pour extraire les
caractéristiques denses des géométries voxélisées. De plus, pour former efficacement un
classificateur de réseau neuronal convolutif basé sur des données expérimentales limitées, ils ont
proposé une méthode semi­supervisée, dans laquelle un réseau contradictoire génératif est formé
pour différencier les données expérimentales étiquetées, les données expérimentales non
étiquetées et les données synthétisées ; par conséquent, forçant le réseau à utiliser au maximum
des données expérimentales précieuses. Zhang et al. (2018) ont formé un réseau avec des
couches convolutionnelles 3D pour reconnaître les caractéristiques d'usinage dans l'espace
voxélisé. Le modèle est formé sur 144 000 géométries à l'aide d'une approche d'apprentissage
incrémental et atteint une précision de 97 %. Pour faciliter le processus de conception conceptuelle,
Kwon et al. (2021) ont développé une recherche multimodale pour récupérer des exemples de
conception 3D inspirants basés sur des mots­clés textuels, l'apparence géométrique et des
similitudes fonctionnelles.
À l'aide d'une architecture basée sur un réseau de neurones et d'un apprentissage contrastif, ils
extraient des intégrations de requêtes textuelles et visuelles, dans lesquelles des parties avec
des attributs similaires sont mappées pour fermer des intégrations dans l'espace latent de conception.
Pour les nouvelles requêtes de recherche, les nouvelles valeurs d'intégration sont extraites et
l'échantillon de base de données le plus proche d'elles dans l'espace d'intégration est récupéré.
Les méthodes de conception supervisées existantes présentent un inconvénient majeur. Les
processus de fabrication impliquent généralement de nombreuses contraintes qui limitent l'espace
réalisable des paramètres de conception, des performances, ainsi que le chemin pour les
atteindre. Les méthodes de cartographie directe corrélationnelle dans la littérature ne tiennent
pas compte de ces contraintes et, par conséquent, peuvent facilement conduire à des solutions
irréalisables. Cela est particulièrement difficile car bon nombre de ces contraintes sont complexes
et ne peuvent pas être facilement formalisées. Renforcement
15
Journal de la technologie de traitement des matériaux. 302 (2022) 117485
L'apprentissage (RL) offre une solution plausible à ce problème. Dans RL, un agent peut
apprendre à optimiser une fonction de récompense arbitraire en explorant l'espace de conception.
En façonnant les récompenses de manière à pénaliser les violations de contraintes, l'agent peut
implicitement en apprendre davantage sur les contraintes de l'espace de conception et éviter les
solutions irréalisables. Les méthodes RL sont bien adaptées aux applications à caractère
décisionnel séquentiel car elles exploitent les aspects temporels des interactions des agents et
identifient l'influence des actions individuelles sur la performance finale (connu sous le nom de
problème d'attribution de crédit). Dornheim et al. (2021) ont développé un agent RL qui trouve
des voies de traitement en plusieurs étapes pour atteindre la microstructure souhaitée dans les
processus de formage des métaux (voir Fig. 15). La représentation d'état est définie comme une
transformation de distribution d'orientation
(ODF) utilisant des harmoniques sphériques généralisés. Cette transformation considère les
conditions de symétrie dans les microstructures et permet ainsi une représentation plus
condensée. Pour éviter la rareté dans la structure de récompense, ils introduisent une fonction de
récompense dense basée sur le potentiel basée sur la distance entre les modèles microstructurels
actuels et cibles. Ils déploient un agent sans modèle, basé sur la formulation du réseau Q
profond (DQN), pour ajuster dynamiquement le déplacement de la matrice dans le processus
dans le but de trouver un chemin d'une structure initiale à l'une des structures cibles équivalentes.
Fait intéressant, le cadre RL proposé apprend la structure cible la plus réalisable par l'agent ainsi
que le chemin de processus pour l'atteindre.
Mozaffar et al. (2020) ont utilisé le cadre RL pour la tâche de conception de trajectoire d'outil
dans la fabrication additive. Ils s'appuient sur trois algorithmes RL prédominants, à savoir DQN,
PPO et SAC, pour concevoir des trajectoires d'outil pour des géométries de section arbitraires
dans un espace pixelisé et ont montré que les méthodes RL peuvent surpasser les performances
des stratégies de trajectoire d'outil en zig­zag courantes dans les pratiques industrielles lorsque
définir une structure de récompense dense est possible. Cependant, ils soulignent que les
algorithmes RL sans modèle ont du mal dans les scénarios avec des récompenses rares. Lee et
al. (2019) ont étudié les performances d'une variante de la méthode DQN, le double réseau Q
profond, dans la conception technique de dispositifs microfluidiques. Dans leurs articles, l'agent
RL conçoit l'emplacement de plusieurs micro­piliers pour obtenir un modèle de flux souhaité
arbitraire dans l'espace des pixels. Ils déploient une stratégie de mise en forme des récompenses
qui fournit de petites récompenses encourageant l'agent à se rapprocher de l'objectif et une
grande récompense pour trouver des solutions acceptables. De plus, ils démontrent que l'agent
formé peut être adapté à des problèmes extérieurs à la formation (par exemple, différents nombres
de micro­piliers) avec une formation de raffinement minimale.
4.2. Optimisation de la conception inverse
Une autre approche de la conception dans la fabrication consiste à suivre le lien de causalité
qui produit la performance et à la formuler comme un
Machine Translated by Google
M. Mozaffar et al.
Fig. 15. L'agent d'apprentissage par renforcement trouve un chemin de fabrication dans l'espace de la microstructure pour atteindre une structure cible équivalente (A). Évolution des
microstructures conçues au cours du processus de formation (B) (Dornheim et al., 2021).
problème d'optimisation où l'on modifie itérativement les paramètres de conception
pour minimiser une fonction objectif liée à la performance de la pièce. Beaucoup ont
adopté et appliqué le PSPP comme cadre pour modéliser l'évolution des matériaux
dans les processus de fabrication. Cependant, comme les formules pour lier les
comportements des pièces sont rarement différenciables, les outils d'optimisation
basés sur le gradient ne sont pas facilement applicables. De plus, les méthodes sans
gradient peuvent être coûteuses en calcul car elles s'adaptent mal aux problèmes de
grande dimension. Une pratique bien établie consiste à développer des modèles de
substitution en plus des outils de simulation basés sur la physique pour fournir un accès
peu coûteux aux gradients et effectuer l'optimisation dans l'espace de substitution.
Shahan et Seepersad (2012) ont développé un tel modèle de substitution en utilisant
un classificateur de réseau bayésien pour améliorer la conception des véhicules aériens
sans pilote. Une méthode similaire est utilisée dans Mat thews et al. (2016) pour
optimiser la rigidité des métamatériaux. Pacheco et al. (2003) ont proposé un substitut
bayésien à plusieurs étapes dans un problème de conception thermique.
Récemment, la même philosophie est combinée avec des méthodes modernes
d'apprentissage et d'optimisation de la machine. Tang et al. (2021) ont développé une
méthode pour concevoir une semelle de chaussure construite par AM avec des points
de pression minimaux tout en ajustant simultanément la géométrie globale et la
structure poreuse. Ils divisent la pièce en sous­régions pour permettre d'appliquer
différents modèles dans les zones sensibles. Une régression de processus gaussien
est formée pour prédire le comportement du réseau paramétré à l'aide de 40
échantillons de simulation, et un optimiseur de programmation linéaire séquentielle
est déployé pour trouver des paramètres conduisant à une diminution du niveau de
points de pression. Enfin, ils compilent la conception proposée en connectant les structures endetreillis
Mohamed et al. (2021) ont optimisé la précision dimensionnelle des pièces cylindriques
dans les processus de modélisation par dépôt fondu. Ils ont utilisé une méthode de
conception de criblage définitive de second ordre pour générer une conception de
l'espace d'expérimentation, capturant 99 % de la variation de la réponse avec un petit
nombre d'échantillons, former un réseau de neurones entièrement connecté et optimiser
le processus sur le modèle de substitution développé. .
Bien que l'on puisse dire qu'il s'agit d'une approche moins populaire depuis l'essor
des réseaux de neurones, les méthodes d'optimisation basées sur l'évolution ont
également été étudiées pour les tâches de conception de fabrication dans la littérature.
Ghosh et Martinsen (2020) ont déployé et comparé diverses méthodes d'optimisation
évolutive, notamment l'algorithme génétique de tri non dominé (NSGA­III) et l'algorithme
évolutif multi­objectif basé sur la décomposition (MOEA/D) pour la conception de
processus dans la fabrication. Ils ont démontré qu'en utilisant un modèle de substitution
de régression à noyau gaussien, ils peuvent optimiser 11 tâches de conception de
fabrication différentes dans la littérature impliquant le tournage, le meulage, le tube
d'échangeur de chaleur, le fraisage, l'usinage par jet d'eau abrasif, le tournage à sec,
le perçage, le soudage et les processus d'émulsification. Un concept similaire est
démontré dans d'autres tâches de conception de fabrication par Abbas et al. (2020) et
Vukelic et al. (2021).
L'approche différentielle basée sur la physique (Hu et al., 2019), comme discuté
dans la section 3.2.1, est une alternative à la modélisation de substitution. Dans les
simulations différentiables, les gradients d'un chemin de calcul arbitraire peuvent être
16
Journal de la technologie de traitement des matériaux. 302 (2022) 117485
efficacement calculé en utilisant la formule de différenciation automatique (DA). Cela
permet une optimisation basée sur le gradient de haute dimension sans avoir besoin
d'une modélisation de substitution et fournit une intégration naturelle avec les réseaux
de neurones qui peuvent être particulièrement utiles dans les tâches de conception. Un
exemple de cette approche dans la fabrication est présenté par Mozaffar et Cao (2021)
où une simulation différentiable pour l'analyse thermique de la fabrication additive et a
démontré que la simulation basée sur la physique combinée à des réseaux de neurones
peut concevoir une puissance laser en série chronologique pour atteindre la puissance
thermique et thermique souhaitée. comportement du bain de fonte.
Au lieu d'optimiser vers une conception unique, de nombreuses applications de
conception peuvent bénéficier de méthodes qui génèrent plusieurs candidats
prometteurs. Paul et al. (2019) ont développé une méthode qui conçoit un spectre de
microstructures avec une dilatation thermique, un coefficient de rigidité et une limite
d'élasticité optimisés. Dans leur approche, une base de données de microstructures de
haute qualité, représentée par ODF, est initialement générée à l'aide d'heuristiques
d'ingénierie. Les performances des microstructures dans la base de données sont
évaluées et un modèle de forêt aléatoire est formé pour prédire les performances sur
la base d'échantillons dans les 10 % supérieurs et les 10 % inférieurs des tranches de
performances de la base de données. L'analyse du modèle de forêt aléatoire formé
permet de générer automatiquement des informations sur les directions d'exploration
les plus prometteuses et de repeupler la base de données avec des échantillons très
performants. En répétant le processus de manière itérative, ils accumulent des
échantillons de conception de haute qualité au fil du temps. Tamura et al. (2021) ont
mis en œuvre une méthode basée sur l'échantillonnage pour optimiser les paramètres
processus
des sous­régions.
dans la fabrication de poudre (procédé d'atomisation de gaz) pour la
poudre de superalliage à base de Ni­Co dans les applications de disque de turbine. Ils
ont utilisé un processus itératif dans lequel un modèle bayésien est formé, des
directions prometteuses potentielles sont détectées et utilisées pour générer de
nouvelles données. Leur méthode a entraîné une augmentation du rendement de
77,85 % de 10 % à 30 % dans les méthodes traditionnelles et une réduction des coûts
de 72 %. Plus généralement, l'approche d'apprentissage actif, c'est­à­dire l'utilisation
de modèles formés pour adapter et augmenter dynamiquement la base de données de
formation, a été explorée pour compléter à la fois la modélisation de substitution et les
méthodes basées sur l'échantillonnage, comme l'ont démontré Lookman et al . (2019) et Tran et al. (
Les avancées récentes dans les modèles génératifs tels que les codeurs
automatiques variationnels (VAE) (Kingma et Welling, 2013) et les réseaux antagonistes
génératifs (GAN) (Goodfellow et al., 2014) ont ouvert de nouvelles voies dans la
conception de la fabrication. Les VAE forment simultanément un encodeur et un
décodeur de réseaux neuronaux pour reconstruire l'entrée pendant que les informations
traversent un goulot d'étranglement informatique. Les GAN, d'autre part, forment deux
réseaux concurrents où un générateur tente de produire des échantillons qui ne
peuvent être distingués des données réelles tandis qu'un discriminateur apprend les
écarts entre les données de synthèse du générateur et les données d'origine dans la
base de données. Les VAE et les GAN produisent tous deux trois atouts précieux pour
la conception technique : (1) un espace latent qui condense les restrictions et les
corrélations implicites de l'espace de conception, (2) un réseau de neurones générateur/
décodeur qui peut cartographier l'espace latent dans l'espace
Machine Translated by Google
M. Mozaffar et al.
espace de conception original et (3) un régresseur qui peut être utilisé dans diverses tâches
d'extraction de caractéristiques, de réduction de dimensionnalité et de classification.
Alors que les VAE et les GAN offrent des capacités similaires, les VAE sont plus connus pour
extraire des espaces latents significatifs et interprétables, tandis que les GAN fonctionnent
généralement mieux pour générer des échantillons réalistes.
Les modèles génératifs peuvent être traités comme une source de nouvelles conceptions.
Pour améliorer les performances fonctionnelles des modèles génératifs, on peut mettre à jour
itérativement la base de données par filtrage des performances. Shu et al. (2020) ont développé
une approche d'auto­mise à jour où, à partir d'une base de données composée de conceptions
géométriques, un modèle GAN est formé pour générer de nouveaux échantillons. Les nouveaux
échantillons sont évalués à l'aide d'une simulation basée sur la physique et les échantillons les
plus performants remplacent des parties de la base de données d'origine. En répétant ce
processus, la base de données de conception serait peuplée d'exemples de meilleure qualité, ce
qui conduirait ensuite à un modèle GAN axé sur les performances. Ah et al. (2019) optimisé à la
fois pour les performances d'ingénierie et l'esthétique en combinant l'optimisation de la topologie
et la modélisation générative dans un cas de conception de roue 2D. Dans leur cadre proposé, ils
appliquent de manière itérative l'optimisation de la topologie sur la sortie des GAN et la base de
données d'origine pour créer des conceptions de haute qualité et former les GAN à générer des
échantillons à haute nouveauté. Ce processus est répété jusqu'à ce qu'une quantité substantielle
de conceptions nouvelles et acceptables soit générée.
Une autre approche passionnante pour introduire des connaissances physiques dans des
modèles génératifs consiste à augmenter les réseaux de neurones et le processus de formation
avec des termes supplémentaires représentant leurs performances. Chen et Ahmed (2021) ont
développé un modèle GAN qui maximise simultanément la diversité, la nouveauté et les
performances des échantillons générés. Ils ont augmenté la fonction de perte GAN standard avec
des termes supplémentaires en utilisant la formulation du processus ponctuel déterminant (DPP)
qui encourage le réseau génératif à produire des échantillons de haute qualité tout en réduisant
la similarité dans un lot d'échantillons. Ils démontrent leur méthode pour la conception conceptuelle
de la section transversale du profil aérodynamique. Nobari et al. (2021) ont modifié la formulation
de perte GAN pour imposer des contraintes de plage sur les géométries 3D et ont démontré leur
méthode de production de nouveaux avions avec une plage arbitraire de valeurs et de rapport
d'aspect. Dans Wang et al. (2020), les auteurs ont formé un VAE pour encoder des informations
microstructurales dans un espace latent de faible dimension. Ils ont augmenté le réseau VAE qui
reconstruit un RVE pixelisé avec un régresseur qui prédit sa matrice de rigidité et ont montré que
la représentation latente fournit une interpolation significative des propriétés topologiques et
mécaniques.
Comme le montre la figure 16, cette méthode permet de produire des conceptions fonctionnellement
graduées dans des systèmes multi­échelles.
Fig. 16. Le réseau d'auto­encodeur variationnel est formé pour identifier un espace latent dense pour la géométrie et les propriétés de la microstructure qui permet une conception de
microstructure à plusieurs échelles (Wang et al., 2020).
17
Journal de la technologie de traitement des matériaux. 302 (2022) 117485
5. L'IA dans le contrôle et la surveillance des processus de fabrication
5.1. L'IA dans le contrôle des processus de fabrication
Le contrôle des processus est une étape essentielle de la fabrication pour assurer la qualité
et l'efficacité d'un processus de fabrication. En raison de la force des méthodes d'IA dans
l'extraction automatique et efficace d'informations à partir de données volumineuses, les méthodes
d'IA peuvent être appliquées au contrôle des processus de fabrication de deux manières
principales : (1) méthodes de modélisation axées sur les données et (2) prise de décision
autonome. approches.
Un modèle orienté contrôle est un modèle qui décrit le comportement du système et convient
également aux contrôleurs basés sur un modèle (Landers et al., 2020). Comme nous l'avons déjà
mentionné précédemment, les modèles analytiques basés sur la physique ne sont souvent pas
assez complets pour décrire avec précision les systèmes de fabrication en raison de leur
complexité due à de multiples variables de processus et à l'incertitude des environnements. La
méthodologie basée sur les données peut fournir une alternative intéressante car elle peut
estimer avec précision les états complexes du système dynamique. De plus, l'utilisation de
modèles basés sur les données peut être plus efficace que la résolution de modèles physiques à
grande échelle, ce qui est un critère impératif dans les tâches de contrôle.
Plusieurs premiers travaux ont utilisé des réseaux de neurones pour développer des
modèles basés sur les données pour les processus de fabrication, où la relation entre les
paramètres de processus d'entrée et les variables de sortie est décrite comme un modèle statique,
par exemple, la force de coupe (Tandon et El­Mounayri, 2001) et la surface . finition (Ozel et al.,
¨
2007) dans l'usinage, retour élastique dans le formage des métaux (Viswanathan et al., 2003).
Bien que ces modèles statiques fournissent une compréhension de base du processus et puissent
être utilisés pour optimiser les paramètres du processus (Landers et al., 2020), ils ne conviennent
pas à la conception de contrôleurs avancés basés sur des modèles, par exemple, le modèle de
contrôle prédictif (MPC), qui nécessite un modèle dynamique du processus. Le modèle dynamique
d'un processus peut s'écrire :
yk+1 = f(yk , uk ) (4)
où yk et uk sont l'état de sortie et le signal de commande à l'étape k. Une fois que le modèle
dynamique est connu, l'état futur de la sortie peut être prédit. MPC détermine le signal de
commande à chaque pas de temps en optimisant la trajectoire sur un horizon fixe H :
min L(yk , st Royaume­Uni
, yk+1, uk+1, ...yk+H , uk+H )
(5)
(yk , Royaume­Uni
, yk+1, uk+1, ...yk+H , uk+H ) ≤ 0
où L est la fonction de coût et représente les contraintes.
Des modèles pilotés par les données peuvent être appliqués pour identifier la dynamique des
processus de fabrication pour les applications de contrôle basées sur des modèles. Un stan
Machine Translated by Google

M. Mozaffar et al. Journal de la technologie de traitement des matériaux. 302 (2022) 117485

Le modèle linéaire le plus utilisé dans le contrôle des processus de fabrication est le modèle auto­ Algorithme d'optimisation (PPO) pour contrôler la vitesse de balayage et la puissance du laser
régressif avec entrées exogènes (ARX). Un modèle ARX général pourrait être exprimé comme dans un environnement simulé et a démontré un contrôle réussi du bain de fusion avec deux
suit : stratégies de trajectoire d'outil différentes. Alors que les deux études ci­dessus ont exécuté un
contrôle basé sur RL uniquement en simulation, Masinelli et al. (2020) ont mis en œuvre un

yk+1 = ∑na aiyk+1− i +∑nb biuk+1− je (6) système de contrôle de rétroaction basé sur RL pour utiliser le processus dans un cadre
je=1 je=1
expérimental, comme le montre la figure 17. Un réseau de neurones conventionnel profond est
utilisé pour extraire les caractéristiques de faible dimension.
où ai, bi sont les coefficients à apprendre. La régression des moindres carrés est généralement
à partir des signaux acoustiques et optiques surveillés, et de classer les signaux pour former les
utilisée pour identifier les coefficients relatifs en minimisant l'erreur de prédiction dans l'ensemble
récompenses en les comparant à un signal de référence.
de données d'apprentissage. Un exemple de cette application est présenté dans (Xia et al., 2020)
Les algorithmes Q­learning et Policy Gradient sont testés dans des expériences et les résultats
où ils ont développé un système de contrôle de rétroaction pour contrôler la largeur du bain de
montrent que le Q­learning nécessite moins de temps de formation et d'épisodes pour atteindre
fusion pour le processus de fabrication additive à l'arc filaire. Le modèle ARX est utilisé pour
une performance acceptable.
modéliser la relation dynamique entre la vitesse d'alimentation du fil et la largeur du bain de
fusion et un contrôleur MPC est conçu pour contrôler la largeur du bain de fusion.
5.2. Surveillance des processus de fabrication basée sur l'IA

L'utilisation d'un modèle linéaire comme ARX peut conduire à des résultats satisfaisants si
La surveillance des processus est une source importante d'informations pour la détection
la dynamique est simple et de faible dimension. Cependant, la plupart des systèmes de fabrication
des défauts, le pronostic des processus et le contrôle dans les systèmes de fabrication.
sont relativement complexes avec des effets non linéaires. Potoˇcnik et Grabec (2002) ont utilisé
Généralement, la surveillance des processus de fabrication peut être résumée en deux niveaux :
la MPC non linéaire pour contrôler le processus de découpe. Un réseau de neurones est formé
(1) surveillance observable (2) surveillance non observable. Le premier niveau est la surveillance
pour modéliser la dynamique du processus et l'algorithme génétique est utilisé pour résoudre le
des variables du processus de fabrication qui peuvent être directement mesurées par des
problème d'optimisation non linéaire. Le MPC non linéaire basé sur NN est démontré dans un
dispositifs de détection ou facilement calculées à partir des signaux de détection, telles que la
processus de coupe simulé pour améliorer la qualité de surface en empêchant les oscillations de
force de coupe dans l'usinage et le champ de température dans la fabrication additive. Le
l'outil.
deuxième niveau comprend la surveillance du processus ou des conditions de la pièce qui ne
Dans le domaine du contrôle, les chercheurs ont étudié des modèles avancés basés sur les
sont pas directement détectées mais qui pourraient être déduites des informations mesurées,
données tels que les processus gaussiens (GP) (Kocijan et al., 2004), Koop man Operator
telles que l'état de l'outil et la détection des défauts. Traditionnellement, la surveillance non
(Mamakoukas et al., 2020), SINDy (Fasel et al., 2021) , et les réseaux de neurones profonds
observable est difficile à réaliser car elle repose fortement sur l'interprétation humaine telle que
(Lenz et al., 2015) pour l'identification des systèmes dynamiques. Bien que la plupart de ces
les données d'image. Dans certains cas, les caractéristiques intégrées aux données ne sont
approches aient été conçues pour le contrôle de robots, nombre d'entre elles peuvent être des
même pas évidentes pour les experts humains. Avec le développement rapide de l'IA et des
méthodes prometteuses dans les applications de fabrication en raison de la force de la précision
techniques de vision par ordinateur qui ont la force naturelle d'extraire automatiquement les
ou de l'efficacité de l'échantillon d'apprentissage. Lenz et al. (2015) ont proposé une structure de
caractéristiques des images, les systèmes de surveillance activés par l'IA sont devenus
réseau neuronal profond pour apprendre la dynamique du processus de découpe des aliments.
largement utilisés dans une gamme de processus de fabrication.

Une structure récurrente appelée Transforming Recurrent Units (TRU) est conçue pour former
Récemment, la surveillance activée par l'IA a été appliquée à diverses applications de
les caractéristiques latentes à long terme. En incorporant les caractéristiques des informations à
fabrication telles que la surveillance de l'état des outils (par exemple, Hesser et Markert, 2019 ;
long terme, de la réponse dynamique à court terme et des entrées de commande de courant, la
Li et al., 2019b) et la détection des vibrations (par exemple, Tran et al., 2020 ; Rahimi et al. .,
relation dynamique est modélisée. Une méthode de pré­apprentissage en plusieurs étapes est
2021). La surveillance de la qualité des pièces dans les processus de fabrication additive est un
proposée dans laquelle un auto­encodeur est utilisé pour initialiser les paramètres non récurrents
exemple de surveillance basée sur l'IA qui a attiré beaucoup d'attention. Scime et Beuth (2018)
dans TRU et un modèle d'alors est pré­entraîné pour la prédiction en une seule étape avant le
ont développé une méthode de détection et de classification des défauts basée sur l'image de
processus d'apprentissage proprement dit. Les résultats expérimentaux montrent que le modèle
processus pour le processus de fusion sur lit de poudre à l'aide d'un algorithme d'IA appelé bag­
proposé a amélioré la précision de 46 % par rapport au réseau neuronal récurrent standard dans
of­keypoints. L'image après prétraitement pour éliminer l'influence des conditions lumineuses est
la modélisation des relations dynamiques dans le processus de coupe des aliments. Kaiser et al.
d'abord divisée en petits patchs. 37 filtres différents sont sélectionnés et appliqués à chaque
(2018) ont proposé le cadre SINDy­MPC où SINDy est utilisé pour identifier la dynamique de
patch d'image pour l'extraction de caractéristiques et le vecteur de réponse de filtre de chaque
l'application MPC. Les résultats montrent que par rapport aux réseaux de neurones classiques,
pixel est regroupé en différents groupes à l'aide de l'algorithme K­means. Un histogramme du
SINDy a la force de nécessiter une quantité de données relativement faible. Il est également plus
pourcentage de chaque groupe est créé pour le patch d'image et enfin, le patch d'image est
robuste sur les données avec du bruit et prend moins de temps d'exécution. Edwards et al. (2021)
classé en catégories, y compris sans anomalie, saut de recouvrement, stries de recouvrement,
ont développé un progiciel nommé AutoMPC. Les modèles ARX, GPs, Koopman Operator, SINDy
débris, super­élévation, défaillance de pièce, étalement incomplet en comparant l'histogramme
et de réseau neuronal sont implémentés dans le package et une méthode de réglage automatique
avec la base de données.
est développée. La méthode d'auto­réglage développée peut aider à sélectionner automatiquement
les hyperparamètres de chaque modèle et à comparer les performances de différents modèles
d'identification de système.
Baumgartl et al. (2020) ont utilisé un CNN profond pour la détection des défauts dans le
processus de fusion sur lit de poudre. Ils ont utilisé des images thermiques au lieu d'images
régulières comme entrée et formé un modèle pour détecter le défaut avec une précision de 96,8
%. Scimé et al. (2020) ont développé un modèle de segmentation sémantique par pixel, appelé
La deuxième façon dont l'IA peut bénéficier du contrôle des processus de fabrication est
Dynamic Segmentation CNN (DSCNN), pour la détection d'anomalies dans le processus de
d'apprendre directement la stratégie de contrôle. RL est un outil émergent pour effectuer le
fusion sur lit de poudre. Leur modèle DSCNN proposé prend différentes échelles de l'image et
contrôle. Dornheim et al. (2020) ont utilisé l'apprentissage Q sans modèle pour améliorer le
les coordonnées des pixels comme entrée pour classer chaque pixel de l'image. En effet, le pixel
contrôle optimal de la force du serre­flan dans les processus d'emboutissage profond. Dans leur
n'est pas seulement influencé par les pixels environnants, mais également par l'état global de
approche proposée, l'état du processus est défini comme l'historique complet de l'information en
l'image. Un schéma de l'architecture proposée est illustré à la Fig. 18, où quatre réseaux parallèles
concaténant l'historique des actions et l'historique observable, où la dimension du vecteur d'état
sont utilisés pour extraire des caractéristiques à différentes échelles et toutes les caractéristiques
dépend du temps, et un ensemble de réseaux de neurones est utilisé pour approximer le Q
sont concaténées pour la tâche de segmentation finale.
­fonction à chaque pas de temps. L'algorithme RL est entraîné et évalué dans la simulation FEM
et les résultats montrent qu'après 200 épisodes, il donne de meilleures performances qu'une
ligne de base issue d'une recherche exhaustive. Ogoke et Farimani (2021) ont développé un
L'apprentissage supervisé nécessite beaucoup de données étiquetées pour la formation, et
cadre RL pour le contrôle de la profondeur du bain de fusion dans le processus de fusion laser
dans les tâches de surveillance, une grande partie des données doit être étiquetée manuellement.
sur lit de poudre. Ils ont déployé la politique proximale
Gobert et al. (2018) ont utilisé les données CT 3D haute résolution post­construction des pièces
fabriquées par FA pour générer la vérité au sol pour la formation

18
Machine Translated by Google

M. Mozaffar et al. Journal de la technologie de traitement des matériaux. 302 (2022) 117485

Fig. 17. Système de contrôle de rétroaction basé sur RL (Masinelli et al., 2020).

Fig. 18. Structure de segmentation dynamique CNN (Scime et al., 2020).

données. Les défauts sont définis comme la discontinuité des données de voxel approche la fonction de perte est conçue sur la base de quatre principes : (1)
numérisées et sont automatiquement calculés et mis en correspondance avec les classification correcte des variantes d'image bruitées et floues à partir de l'augmentation
images in situ comme étiquette. Westphal et Seitz (2021) ont utilisé l'apprentissage par des données (2) cohérence des caractéristiques extraites des patchs d'image non
transfert pour entraîner le CNN profond à la détection des défauts. Un modèle VGG16/ étiquetés et de leurs variantes (3) cohérence des caractéristiques extraites à partir de
Xception pré­formé avec le jeu de données ImageNET est utilisé pour l'extraction des différents patchs d'une même image (4) diversité des caractéristiques extraites de patchs
caractéristiques et les couches de classification finales ne sont modifiées que pour la tâche de surveillance.
d'image d'images différentes. Le résultat montre que l'approche proposée peut classer
Dans la première étape de la formation, tous les poids pré­formés sont fixés et seuls les les conditions de sur­fusion, de sous­fusion et de bonne soudure avec une bonne
poids des couches de classification sont formés. Plus tard, tous les poids sont réglés précision en utilisant 1720 patchs d'image à partir de 40 images avec des étiquettes.
pour s'entraîner simultanément afin d'affiner le modèle. De plus, le sous­échantillonnage
et le suréchantillonnage sont utilisés pour résoudre le problème des données
déséquilibrées entre les échantillons normaux et défectueux et atteindre une précision 6. Orientations futures
de plus de 95 % lors de l'entraînement sur 4000 images. Li et al. (2020) ont proposé une
approche basée sur la cohérence d'identification, comme le montre la figure 19 pour la Avec la popularité croissante des solutions d'IA, plusieurs questions de recherche
détection de défauts basée sur l'apprentissage semi­supervisé afin d'atténuer le besoin se posent pour combler les lacunes des techniques d'IA de pointe dans la fabrication,
de grandes quantités de données étiquetées de haute qualité. Dans ce telles que le manque d'interprétabilité, les exigences en matière de données volumineuses,

19
Machine Translated by Google
M. Mozaffar et al.
Fig. 19. Présentation de l'approche basée sur la cohérence d'identification (Li
et al., 2020).
signification physique, stabilité et généralisabilité limitées aux distributions en dehors des
données de formation. Notre examen indique que les approches d'IA mécaniste sont des
étapes efficaces pour résoudre ces problèmes en intégrant notre connaissance des données
et de la physique du processus dans des solutions d'apprentissage automatique. Dans cette
section, nous avons résumé les tendances dominantes trouvées dans cette étude et discuté
des futures orientations de recherche prometteuses.
6.1. Bases de données, benchmarks et sécurité des données de fabrication
6.1.1. Besoin de données expérimentales et de simulation de haute qualité
La fabrication implique un large éventail de données expérimentales, de simulation et
d'utilisateurs. Comme les outils d'IA sont connus pour être gourmands en données, des
mesures à grande échelle de haute qualité et haute résolution et des simulations haute fidélité
sont nécessaires pour développer, former et déployer efficacement des modèles d'IA. Malgré
les progrès significatifs dans la qualité et la quantité des données de fabrication disponibles,
plusieurs aspects des données de fabrication restent difficiles. Les bases de données
expérimentales sont souvent déséquilibrées et sujettes aux erreurs humaines et sensorielles
et nécessitent donc des investissements massifs dans le post­traitement et la conservation
(par exemple, Freitas et Curry, 2016 ; Zhang et Gao, 2021). Dans le même temps, les données
de simulation souffrent d'une physique inconnue, d'un coût de calcul élevé en raison de la
malédiction de la dimensionnalité et d'une grande variance dans leur fidélité.
6.1.2. Fusion de données hétérogènes dans le deep learning
Certains des défis proviennent de la nature hétérogène et non structurée des données
de fabrication où les fichiers CAO, les données de simulation et diverses informations
sensorielles doivent être fusionnés. Si elles sont correctement fusionnées, ces sources de
données peuvent se compléter par leur rareté, leur précision et leur incertitude et créer une
base de données multimodale élargie.
Bien que la combinaison de sources de données dans le secteur manufacturier ait fait l'objet
de plusieurs études (par exemple, Lu et al., 2015 ; Guo et al., 2019), la fabrication
20
Journal de la technologie de traitement des matériaux. 302 (2022) 117485
la fusion de données dans le contexte des formulations et des méthodologies d'IA reste une
question ouverte. Fournir les connexions entre différentes sources de données afin qu'elles
maintiennent la structure spatiale et temporelle des données et évitent les fuites d'informations,
la dilution et le rapport bruit/signal élevé est un sujet de recherche sous­étudié. De plus, les
méthodes d'intégration des données expérimentales et de simulation sont essentielles dans
de nombreuses applications de fabrication, non seulement parce que la collecte de données
expérimentales peut être extrêmement coûteuse, mais aussi parce que le vaste corpus de
méthodes de calcul disponibles fournit des informations uniques qui ne sont pas mesurables
expérimentalement.
6.1.3. Reproductibilité et références établies La reproductibilité
est une préoccupation majeure dans les publications traitant de l'IA dans le secteur
manufacturier. De nombreuses publications ne partagent pas leurs données, ce qui rend
essentiellement l'étude non reproductible. De plus, de nombreuses solutions d'IA impliquent
des détails de mise en œuvre non triviaux, ce qui affecte considérablement le produit final et
la manière dont il peut être utilisé dans la pratique. La qualité des données, le pipeline de
traitement des caractéristiques et la gestion des cas aberrants peuvent entraîner des variations
tangibles des performances de l'IA. Les détails du modèle (par exemple, RNN avec ou sans
état, schéma de normalisation par lots, initialisation, sélection de modèle pour équilibrer
précision et rappel) et les savoir­faire d'optimisation (par exemple, processus de traitement
par lots, écrêtage de gradient, taux d'apprentissage cyclique) peuvent faire la différence entre
une solution d'IA fonctionnelle et non fonctionnelle. Ce problème est particulièrement prononcé
dans le cadre RL où l'on traite des données dynamiques. Comme ces détails manquent
souvent dans les pseudocodes publiés dans les articles, nous encourageons fortement la
communauté manufacturière à publier leurs implémentations et leurs ensembles de données
avec leurs articles. Alors que nous observons une augmentation de la disponibilité des bases
de données publiques liées aux tâches de fabrication, elles sont principalement axées sur
l'analyse géométrique et le comportement de fabrication additive.
Même dans ces applications, le domaine manque de pratiques établies pour comparer les
méthodologies nouvellement proposées avec des références claires. Dans l'état actuel des
choses, la plupart des articles dans le domaine sont testés sur des bases de données
individuelles, qui ne peuvent être comparées de manière significative à d'autres travaux
connexes. Bien que certains auteurs comparent leurs nouvelles approches avec leur mise en
œuvre de méthodes antérieures, on peut craindre qu'une approche proposée ne puisse
surpasser les travaux antérieurs uniquement en raison d'une meilleure mise en œuvre ou
d'une optimisation plus poussée des hyperparamètres. Avoir établi des repères dans les
principales applications de fabrication peut largement atténuer ces
préoccupations.
6.1.4. Biais dans les données de fabrication
Les biais peuvent avoir des conséquences néfastes à diverses étapes du cycle de vie de
l'IA, dont beaucoup découlent de la collecte et de la conservation des données. Trois sources
de biais lors de la préparation des données sont identifiées dans Suresh et Guttag (2019)
comme les biais de représentation, de mesure et d'agrégation.
Le biais de représentation se produit lorsque la base de données développée ne représente
pas suffisamment l'environnement auquel la solution d'IA est confrontée pendant la production.
Un exemple de cette source de biais est une solution d'IA qui est entraînée sur les données
générées par une machine de fabrication (ou un petit sous­ensemble de machines) et qui ne
parvient pas à se généraliser à de plus grandes installations de production.
Un biais de mesure peut se produire en raison non seulement de capteurs défectueux, mais
également d'erreurs lors du prétraitement et de la sélection des fonctionnalités, et empêcher
les données traitées d'estimer correctement les qualités d'intérêt. Par exemple, divers types
de techniques de mesure avec des résolutions et des erreurs différentes peuvent être utilisés
pour mesurer la même quantité et introduire un biais de mesure dans la base de données. Le
biais d'agrégation se produit lorsque les données d'un contexte plus large sont utilisées dans
une application particulière sans ajuster les données pour capturer les nuances de
l'environnement de déploiement. Par exemple, une IA entraînée sur des géométries 3D
génériques conçues pour des tâches de vision par ordinateur peut extraire des caractéristiques
axées sur les caractéristiques visuelles de l'objet et négliger les aspects de fabricabilité et de
performance de l'analyse. Par conséquent, un modèle qui est formé, voire pré­formé dans un
mode d'apprentissage par transfert, sur des tâches de vision peut introduire des biais
d'agrégation dans les applications de fabrication. Par conséquent, d'autres études sont
nécessaires pour faire progresser notre compréhension de l'influence
Machine Translated by Google
M. Mozaffar et al.
de ces biais dans les composants de fabrication critiques et des méthodes efficaces pour les atténuer.
6.1.5. Fabrication et sécurité dans le cloud La fabrication
dans le cloud est une plate­forme innovante qui génère et maintient une base de données volumineuse
et de haute qualité grâce à la coopération de nombreuses entreprises et particuliers. La fabrication en nuage
basée sur la blockchain a récemment tendance à décentraliser le réseau et à maintenir la sécurité.
Cependant, même la technique de la blockchain ne peut empêcher une violation de données (c. La violation
de données peut entraîner une grave perte ou falsification de données, entraînant une énorme perte
économique. Pour prévenir et se préparer aux violations de données, (Esposito et al., 2016) ont proposé
deux étapes cruciales. Tout d'abord, un système de gestion des clés approprié doit être développé au sein
d'une entreprise.
Le système enregistre qui détient la clé et révoque les clés si elles ne sont pas utilisées.
Deuxièmement, les entreprises devraient être en mesure de détecter une violation de données, d'informer le
personnel concerné et de les enregistrer de manière médico­légale pour se préparer à une action en justice.
Étant donné qu'un petit nombre d'études ont été signalées dans le domaine de la prévention des violations
de données dans le secteur manufacturier, d'autres études devraient être menées dans ce domaine.
zone.
6.2. Modélisation et découverte basées sur les données dans le secteur manufacturier
6.2.1. Cadres pour la sélection de caractéristiques mécanistes L'extraction
de caractéristiques mécanistes répond toujours aux expériences de domaine. La sélection de
caractéristiques mécanistes appropriées pour des problèmes complexes peut être très difficile. Le
développement d'approches systématiques basées sur les données, capables d'identifier automatiquement
les caractéristiques mécanistes dominantes à partir de différentes sources de données de fabrication, est
un sujet intéressant.
De plus, les caractéristiques mécanistes extraites peuvent avoir différentes dimensions physiques (ou unités).
L'analyse dimensionnelle (Barenblatt, 2003) peut être un principe très utile pour garantir l'homogénéité
dimensionnelle (Rudolph et al., 1996) des relations découvertes.
6.2.2. Modélisation mécaniste­IA à grande échelle dans le secteur manufacturier
Les méthodes d'IA mécaniste ont le potentiel de capturer des relations complexes processus­structure­
propriétés dans la fabrication de pointe.
Ils peuvent résoudre les problèmes de conditions aux limites et de lois matérielles manquantes/bruyantes,
qui sont actuellement impossibles ou extrêmement coûteux à résoudre par les méthodes traditionnelles.
Cependant, l'intégration de mécanismes physiques, chimiques et matériels dans les systèmes d'IA reste
une tâche non expérimentale. Les chercheurs ont proposé plusieurs approches, telles que l'extraction de
caractéristiques mécanistes, l'architecture de réseau spécialisée et la régularisation des fonctions de perte.
Beaucoup d'efforts doivent être consacrés à l'amélioration des méthodes développées pour résoudre les
problèmes de fabrication réels avec une incertitude et une variabilité élevées au cours des processus.
6.2.3. Extension des PINN aux applications de fabrication Le réseau neuronal
informé par la physique a été appliqué avec succès à la fabrication additive. Il peut être étendu à des
techniques de fabrication plus larges, telles que le formage des métaux, le soudage et la micro­fabrication.
Un défi consiste à améliorer les capacités de généralisation de PINN (Raissi et al., 2019), en particulier pour
les problèmes de géométrie complexe et de condition aux limites transitoires.
6.2.4. Faire progresser l'apprentissage par transfert à l'aide de modèles hautement généralisables
L'apprentissage par transfert est une autre direction future intéressante. Transférer des modèles formés
et des connaissances identifiées d'un matériau à un autre ou d'une technique de fabrication à une autre est
actuellement extrêmement difficile. Les relations invariantes d'échelle sans dimension jouent un rôle important
dans le transfert correct des connaissances car elles offrent une meilleure capacité de généralisation par
rapport aux équations empiriques de transition.
21
Journal de la technologie de traitement des matériaux. 302 (2022) 117485
6.2.5. Découverte de la physique basée sur les données
La découverte basée sur les données, telle que la méthode SINDy (Brunton et al., 2016), est une
approche très prometteuse pour découvrir de nouveaux mécanismes physiques, chimiques et matériels sous­
jacents à partir de données de fabrication bruyantes.
La génération de plus de données expérimentales in situ de haute qualité et de données de simulation haute
fidélité est cruciale dans un avenir proche. L'analyse dimensionnelle basée sur les données est un autre
domaine important qui nécessite des améliorations significatives à l'avenir. Les algorithmes développés
peuvent être utilisés pour découvrir des nombres sans dimension et des lois d'échelle plus universels à partir
des données de traitement de fabrication, ce qui fournit un ensemble plus petit de paramètres pour décrire
les processus de fabrication hautement multivariables. Il est à noter que décrire ou prédire la plus large
gamme de phénomènes avec un minimum de variables est toujours l'objectif central en science et en
physique (Kunes, 2012).
6.3. Méthodes de conception basées sur les données dans la fabrication
6.3.1. Apprentissage supervisé et satisfaction des contraintes pour la conception
La conception dans la fabrication est un défi en raison des espaces de grande dimension et des choix
discrets impliqués ainsi que de la complexité des mécanismes physiques au cours des processus de
fabrication. Les méthodes mécanistes d'IA ont le potentiel de résoudre efficacement les problèmes inverses
avec la physique cachée pour la conception de processus. Plusieurs articles ont exploré le potentiel des
méthodes d'IA pour résoudre les problèmes de conception de fabrication en (1) établissant une
correspondance directe entre les exigences fonctionnelles et les paramètres de conception, ou (2) en
formulant un problème d'optimisation pour explorer l'espace de conception. L'apprentissage supervisé s'est
avéré être un outil efficace pour extraire les relations corrélationnelles entre les exigences et les paramètres
de conception.
Cependant, les pratiques de pointe n'intègrent pas les contraintes physiques du problème dans la méthode
d'apprentissage. Par conséquent, ces méthodes ne sont fiables que pour des problèmes avec des contraintes
simples ou dans une gamme limitée de paramètres. À titre d'exemple, considérons le problème de la
conception de trajectoires d'outil pour obtenir un comportement favorable du matériau. Nous pouvons générer
une base de données de trajectoires d'outils et leurs propriétés matérielles résultantes et former un modèle
pour produire une trajectoire d'outil compte tenu des propriétés. Naturellement, la méthode d'apprentissage
supervisé interpole entre les points de la base de données, ce qui peut facilement conduire à des parcours
d'outils physiquement irréalisables ou qui se chevauchent.
Par conséquent, l'étude des représentations dans lesquelles une telle interpolation est valide ou des
approches pour appliquer des contraintes physiques est une étape cruciale pour élargir les applications de
l'apprentissage supervisé en conception. Diverses idées dans les techniques de modélisation basées sur la
physique (telles que revues à la section 3.2) peuvent être déployées dans des applications de conception
pour imposer des contraintes souples ou strictes.
6.3.2. Apprentissage par renforcement en conception
L'apprentissage par renforcement offre une alternative à l'apprentissage supervisé lorsque la
conception implique un processus décisionnel séquentiel. Des contraintes peuvent être implicitement
introduites dans la solution en pénalisant les violations de contraintes. Cependant, les méthodes RL sont
connues pour leur faible efficacité d'échantillonnage.
De plus, comme les méthodes RL explorent de nombreux espaces de conception irréalisables et
potentiellement dangereux, elles peuvent rarement être formées sur des configurations de fabrication
expérimentales. Pour relever ces défis, des recherches futures sont nécessaires pour étendre les capacités
des méthodes RL hors politique afin de permettre la formation sur les données historiques et permettre la
réutilisation des données. De plus, des investigations supplémentaires doivent combler le fossé entre les
méthodes RL formées sur des environnements de simulation et des configurations réelles. Alors que
plusieurs exemples de RL dans la fabrication ont été présentés dans la section 4.1, la performance des
agents RL dépend fortement de la qualité de la fonction de récompense pour décomposer la complexité de
l'objectif global. Comme de nombreux processus décisionnels de fabrication impliquent des signaux
clairsemés où les objectifs ne peuvent pas être trivialement divisés en sous­tâches, les progrès dans
l'attribution de crédits clairsemés sont essentiels à l'avenir. La RL basée sur un modèle a le potentiel de
relever certains de ces défis. Comme alternative aux méthodes purement exploratoires, le RL basé sur un
modèle peut utiliser son modèle sous­jacent pour effectuer une planification et une recherche anticipées (par
exemple, Monte Carlo Tree Search) et donc offrir une meilleure efficacité de l'échantillon et une meilleure
compatibilité avec la récompense.
Machine Translated by Google
M. Mozaffar et al.
parcimonie.
6.3.3. Exploration de conception basée sur les processus à l'aide de modèles génératifs
Les avancées récentes dans les modèles génératifs, tels que les GAN, ont ouvert de
nouvelles possibilités pour découvrir des espaces de conception latents condensés. Alors que
des études récentes ont élargi la capacité des GAN et des VAE à générer des conceptions de
haute qualité en incorporant des mesures de performance, une grande partie de l'attention a été
consacrée aux caractéristiques esthétiques et géométriques.
L'extension des méthodes génératives aux aspects physiques complexes des processus de
fabrication est restée sans solution. Par conséquent, une direction future prometteuse est celle
des modèles génératifs informés par la physique qui tirent parti du PINN dans la formation des
GAN pour faciliter l'extraction de corrélations généralisables et physiquement valides.
6.3.4. Quantification de l'incertitude dans le deep learning scientifique
Malgré des progrès considérables dans la modélisation et la conception des processus de
fabrication à l'aide de l'IA, la plupart de ces études manquent d'analyse ou de quantification des
incertitudes dans leur cadre d'apprentissage en profondeur. Cependant, dans le secteur
manufacturier, il est souvent essentiel et attendu d'évaluer la fiabilité des modèles d'apprentissage
en profondeur avant leur déploiement (Jiang et al., 2018).
L'analyse d'incertitude dans les méthodes d'apprentissage profond a attiré plusieurs idées de
recherche en vision par ordinateur (Michelmore et al., 2018), en analyse d'images médicales
(Kwon et al., 2020) et en traitement du langage naturel (Xiao et Wang, 2019) avec approximation
bayésienne ( Gal et Ghah ramani, 2016) et les techniques d'apprentissage d'ensemble
(Lakshminarayanan et al., 2016) comme les deux méthodes de quantification de l'incertitude les
plus utilisées. Plusieurs tendances de pointe en matière de quantification de l'incertitude
d'apprentissage en profondeur sont examinées par Abdar et al. (2021). Par conséquent, nous
pensons qu'une analyse rigoureuse des incertitudes dans le contexte des solutions d'IA dans le
secteur manufacturier est un sujet vital pour la recherche future qui peut accélérer considérablement
l'adoption industrielle du domaine.
6.3.5. Absence d'étapes de conception intégrées
De nombreuses méthodes ont émergé pour fournir une conception intégrée plutôt qu'une
tâche de conception individuelle (par exemple, conception conceptuelle, planification de
processus, optimisation des paramètres de processus). Cependant, nous constatons que les
efforts de recherche sont insuffisants pour intégrer plusieurs étapes de conception. L'inter
connectivité des tâches de conception de fabrication est l'une des principales raisons de sa
complexité. Les méthodes d'IA ont entraîné un changement fondamental des solutions avec de
nombreuses sous­tâches vers des systèmes globaux de bout en bout. Nous pensons que les
recherches futures sur les méthodes de conception de bout en bout qui relient les tâches de
conception de fabrication entrelacées peuvent avoir une profonde influence dans le domaine.
6.4. Contrôle et surveillance basés sur les données dans la fabrication
6.4.1. Adoption de l'IA mécanistique avancée dans le contrôle Il est
communément admis que le contrôle des processus est un élément crucial des processus
de fabrication qui peut améliorer la qualité et la stabilité d'un processus de fabrication. Les
techniques d'IA ont été et seront de plus en plus appliquées au contrôle des processus de
fabrication en raison de leur capacité à gérer et à apprendre des informations à partir de
mégadonnées. La plupart de la littérature actuelle sur le contrôle des processus de fabrication
basé sur un modèle utilise des modèles linéaires ou des modèles basés sur des données
relativement simples, tels que le modèle ARX, pour modéliser la dynamique du système. Il a été
démontré que les techniques d'IA telles que SINDy et les réseaux de neurones profonds peuvent
être utilisées efficacement pour modéliser la dynamique des systèmes et ont été appliquées au
contrôle de robots et de véhicules autonomes. Nous nous attendons à ce que les recherches
futures sur le contrôle des processus de fabrication adoptent ces techniques pour contrôler la
modélisation de la fabrication orientée afin d'obtenir une meilleure précision et efficacité. De plus,
comme la littérature actuelle déploie uniquement des modèles basés sur la physique ou basés
sur les données, nous pensons que les modèles hybrides mécanistes­IA peuvent faire progresser
les capacités de contrôle actuelles sur le terrain.
6.4.2. Apprentissage par renforcement efficace pour le contrôle
Alors que les méthodes RL peuvent être utilisées dans le contrôle des processus de fabrication
22
Journal de la technologie de traitement des matériaux. 302 (2022) 117485
sans connaître le modèle du système, il existe actuellement une application limitée dans le
processus de fabrication réel en raison du coût élevé de formation du modèle. Des recherches
antérieures ont mis en œuvre un contrôle de processus basé sur RL en plus de simulations avec
des centaines d'épisodes et cela coûtera extrêmement cher dans le monde réel. Comment former
un modèle RL avec une bonne précision en utilisant une grande quantité de données de
simulation et une quantité relativement petite de données expérimentales sera un domaine
important à explorer.
6.4.3. Étiquetage automatique et apprentissage efficace dans la surveillance des processus
Pour la surveillance du processus, de nombreux travaux actuels utilisent l'apprentissage
supervisé pour former un modèle capable d'identifier l'état du processus à partir d'images, où un
grand nombre d'images étiquetées sont nécessaires pour la formation. Ainsi, des questions telles
que comment obtenir efficacement suffisamment de données étiquetées pour la formation et
comment former un modèle avec moins de données étiquetées doivent être étudiées plus avant.
6.4.4. Robustesse dans la surveillance des processus
par IA Dans la plupart des études sur la surveillance des processus par l'IA, le modèle est
formé et testé sur l'ensemble de données préparé, et n'a pas été validé et appliqué à des
configurations expérimentales ou industrielles. L'une des raisons de cet écart entre la recherche
et l'industrie est que souvent le modèle entraîné est sensible aux conditions environnementales.
Par conséquent, lorsque les conditions environnementales sont modifiées ou qu'une machine
différente est utilisée pour le même processus, le modèle n'est plus précis. Au cours des dernières
années, des méthodes telles que l'apprentissage de la stabilité (Zheng et al., 2016) et les réseaux
de Parseval (Cisse et al., 2017) ont tenté de relever ces défis avec un succès limité. Nous
pensons que l'amélioration de la robustesse des techniques de surveillance des processus basées
sur l'IA pour les rendre plus applicables dans des environnements industriels réels sera une
orientation future importante.
Déclaration de l'auteur du CRediT
Mojtaba Mozaffar : Conceptualisation, Recherche, Méthodologie, Rédaction – version
originale, Administration du projet.
Shuheng Liao : Enquête, Méthodologie, Rédaction – projet original.
Xiaoyu Xie : Enquête, Méthodologie, Rédaction – projet original.
Sourav Saha : Enquête, Méthodologie, Rédaction – projet original.
Chanwook Park : Enquête, Méthodologie, Rédaction – brouillon original.
Jian Cao : Rédaction – Révision & Édition, Supervision, Acquisition de financement.
Wing Kam Liu : Supervision, Acquisition de financement.
Zhengtao Gan : Conceptualisation, Enquête, Méthodologie,
Rédaction – brouillon original, administration du projet.
Conflit d'intérêt
Les auteurs déclarent qu'ils n'ont pas d'intérêts financiers concurrents ou de relations
personnelles connus qui auraient pu sembler influencer le travail rapporté dans cet article.
Déclaration d'intérêts concurrents
Les auteurs ne rapportent aucune déclaration d'intérêt.
Remerciements
Ce travail a été soutenu par le Vannevar Bush Faculty Fellowship N00014­19­1­2642,
National Institute of Standards and Technology (NIST) ­ Center for Hierarchical Material Design
(CHiMaD) sous la subvention No.70NANB14H012, et la National Science Foundation (NSF) dans
le cadre des subventions No.CPS/CMMI­1646592 et CMMI­1934367.
Machine Translated by Google

M. Mozaffar et al. Journal de la technologie de traitement des matériaux. 302 (2022) 117485

Les références Cox, ME, Schwalbach, EJ, Blaiszik, BJ, Groeber, MA, 2021. Additif Afrl
série de défis de modélisation de fabrication : aperçu. Intégr. Mater. Fabrique. Innov. 1–4.

Abbas, AT, Abubakr, M., Elkaseer, A., El Rayes, MM, Mohammed, ML, Hegab, H., 2020. Vers une conception
de Silva, B., Champion, K., Quade, M., Loiseau, J.­C., Kutz, J., Brunton, S., 2020. Pysindy : un package python pour
adaptative de la qualité, de la productivité et des aspects économiques lors de l'usinage de l'acier aisi 4340
l'identification parcimonieuse de systèmes dynamiques non linéaires données. J. Logiciel Open Source. 5 (49),
avec des plaquettes racleurs. Accès IEEE. 8, 159206–159219.
2104. https://doi.org/10.21105/joss.02104.
Abdar, M., Pourpanah, F., Hussain, S., Rezazadegan, D., Liu, L., Ghavamzadeh, M.,
DebRoy, T., Wei, H., Zuback, J., Mukherjee, T., Elmer, J., Milewski, J., Beese, AM, Wilson­Heid, A., De, A., Zhang,
Fieguth, P., Cao, X., Khosravi, A., Acharya, UR, et al., 2021. Un examen de la quantification de l'incertitude dans
W. , 2018. Fabrication additive de composants métalliques ­ procédé, structure et propriétés. Programme.
l'apprentissage en profondeur : techniques, applications et défis. Info.
La fusion. Mater. Sci. 92, 112–224.
Dinar, M., Rosen, DW, 2017. Une conception pour l'ontologie de la fabrication additive. J. Comput.
Aghamohammadzadeh, E., Fatahi Valilai, O., 2020. Une nouvelle plate­forme de composition de services de fabrication
Info. Sci. Ing. 17 (2).
en nuage activée par la technologie blockchain. Int. J. Prod. Rés. 58 (17), 5280–5298.
Dornheim, J., Link, N., Gumbsch, P., 2020. Contrôle optimal adaptatif sans modèle de
processus de fabrication épisodiques à horizon fixe utilisant l'apprentissage par renforcement. Int. J
Ali, U., Muhammad, W., Brahme, A., Skiba, O., Inal, K., 2019. Application des réseaux de neurones artificiels en
Contrôle automatique. Sys. 18 (6), 1593–1604.
micromécanique pour les métaux polycristallins. Int. J.Plast. 120, 205–219.
Dornheim, J., Morand, L., Zeitvogel, S., Iraki, T., Link, N., Helm, D., 2021.
méthodes d'apprentissage par renforcement pour l'optimisation de chemin de traitement guidé par la structure.
Altmann, A., Tolos¸i, L., Sander, O., Lengauer, T., 2010. Importance de la permutation : une mesure corrigée de
J.Intel. Fabrique. 1–20.
l'importance des caractéristiques. Bioinformatique 26 (10), 1340–1347.
Drost, B., Ulrich, M., Bergmann, P., Hartinger, P., Steger, C., 2017. Présentation de mvtec itodd­un ensemble de
Arinez, JF, Chang, Q., Gao, RX, Xu, C., Zhang, J., 2020. Intelligence artificielle dans
données pour la reconnaissance d'objets 3D dans l'industrie. Procéder. IEEE Int. Conf.
fabrication de pointe : situation actuelle et perspectives d'avenir. J. Manufact. Sci. Ing. 142 (11), 110804.
Calcul. Ateliers sur la vision 2200–2208.
Du, Y., Mukherjee, T., DebRoy, T., 2021. Apprentissage automatique basé sur la physique et
Arzani, A., Wang, JX, D'Souza, RM, 2021. Découverte de la circulation sanguine près du mur à partir de données
modélisation mécaniste de la fabrication additive pour réduire les défauts. Appl. Mater.
rares avec des réseaux de neurones informés par la physique. prétirage arXiv arXiv : 2104.08249.
Aujourd'hui 24, 101123.
Du, Y., Mukherjee, T., Mitra, P., DebRoy, T., 2020. Hiérarchie basée sur l'apprentissage automatique des variables
Barenblatt, GI, 2003. Mise à l'échelle, vol. 34. Presse universitaire de Cambridge.
causales pour la défaillance de l'outil dans le soudage par friction­malaxage. Acta Mater. 192, 67–77.
Barenji, RV, 2021. Un système de confiance basé sur la technologie blockchain pour le cloud
Edwards, W., Tang, G., Mamakoukas, G., Murphey, T., Hauser, K., 2021. Réglage automatique pour le contrôle
fabrication. J.Intel. Fabrique. 1–15.
prédictif du modèle basé sur les données. Dans : Conférence internationale sur la robotique et l'automatisation.
Bartel, CJ, Millican, SL, Deml, AM, Rumptz, JR, Tumas, W., Weimer, AW, Lany, S., Stevanovi´c, V., Musgrave, CB,
ICRA.
Holder, AM, 2018. Descripteur physique pour l' énergie de Gibbs des solides cristallins inorganiques et la chimie
Esposito, C., Castiglione, A., Martini, B., Choo, K.­KR, 2016. Fabrication en nuage : sécurité, confidentialité et
des matériaux dépendant de la température. Nature Commun. 9 (1), 1–10.
problèmes médico­légaux. Informatique en nuage IEEE. 3 (4), 16–22.
Fasel, U., Kaiser, E., Kutz, JN, Brunton, BW, Brunton, SL, 2021. Sindy avec contrôle : A
Baturynska, I., Semeniuta, O., Martinsen, K., 2018. Optimisation des paramètres de processus pour la fabrication
Didacticiel. arXiv:2108.13404.
additive par fusion sur lit de poudre par combinaison de l'apprentissage automatique et de la méthode des
François, MM, Sun, A., King, WE, Henson, NJ, Tourret, D., Bronkhorst, CA,
éléments finis : un cadre conceptuel. Proc. Cirp 67, 227–232.
Carlson, NN, Newman, CK, Haut, T., Bakosi, J., et al., 2017. Modélisation des procédés de fabrication additive
Baumgartl, H., Tomas, J., Buettner, R., Merkel, M., 2020. Un modèle basé sur l'apprentissage en profondeur pour la
pour les métaux : défis et opportunités. Courant. Avis. Matériau à l'état solide . Sci. 21 (4), 198–206.
détection des défauts dans la fusion laser sur lit de poudre à l'aide d'une surveillance thermographique
in situ . Programme. Fabrication d'additifs. 1–9.
Freitas, A., Curry, E., 2016. Conservation des mégadonnées. De nouveaux horizons pour une économie axée sur les données.
Berman, A., Quek, F., 2020. Thingipano : un ensemble de données à grande échelle de métadonnées d'impression
Springer, Cham, p. 87–118.
3D, d'images et de rendus panoramiques pour explorer la réutilisation de la conception. Dans : 2020 IEEE Sixth
Gal, Y., Ghahramani, Z., 2016. Abandon en tant qu'approximation bayésienne : représentation de l'incertitude du
International Conference on Multimedia Big Data (BigMM). IEEE, p. 18–27.
modèle dans l'apprentissage en profondeur. Dans : Conférence internationale sur l'apprentissage automatique.
Berman, A., Thakare, K., Howell, J., Quek, F., Kim, J., 2021. Howdiy : vers des outils de méta­conception pour
PMLR, p. 1050–1059.
aider n'importe qui à imprimer en 3D n'importe où. 26e Int. Conf. Intel. Interfaces utilisateur 491–503.
Gan, Z., Kafka, OL, Parab, N., Zhao, C., Fang, L., Heinonen, O., Sun, T., Liu, WK, 2021.
Lois d'échelle universelles de la stabilité et de la porosité des trous de serrure dans l'impression 3D des métaux.
Biau, G., Scornet, E., 2016. Une visite guidée aléatoire en forêt. Essai 25 (2), 197–227.
Nature Commun. 12 (1), 1–8.
Bontha, S., Klingbeil, NW, Kobryn, PA, Fraser, HL, 2006. Cartes de processus thermiques pour prédire la microstructure
Gao, RX, Wang, L., Helu, M., Teti, R., 2020. Big data analytics pour les usines intelligentes du futur. Annales du CIRP.
de solidification dans la fabrication au laser de structures à parois minces.
69 (2), 668–692.
J. Mater. Processus. Technol. 178 (1­3), 135–142.
Gawade, V., Singh, V., et al., 2021. Tirer parti des informations simulées et empiriques basées sur les données
Bouzary, H., Chen, FF, 2018. Sélection et composition optimales des services dans le cloud
pour l'apprentissage supervisé pour la prédiction de la porosité dans le dépôt de métal par laser.
fabrication: une enquête complète. Int. J. Adv. Fabrique. Technol. 97 (1), 795–808.
J. Manufact. Sys.
Ghosh, T., Martinsen, K., 2020. Approche généralisée pour l'usinage multi­réponse
Brunton, S., 2021. Eigensteve. , consulté le : 2021­08­31. https://www.youtube.com/c/Eige nsteve/featured.
optimisation des processus à l'aide d'algorithmes d'apprentissage automatique et d'évolution. Ing. Sci.
Technol. Int. J. 23 (3), 650–663.
Brunton, SL, Kutz, JN, 2019. Méthodes de découverte de modèles multi­échelles basés sur les données pour les
Gobert, C., Reutzel, EW, Petrich, J., Nassar, AR, Phoha, S., 2018. Application de
matériaux. J.Phys. Mater. 2 (4), 044002.
apprentissage automatique supervisé pour la détection de défauts lors de la fabrication additive par fusion sur lit
Brunton, SL, Kutz, JN, Manohar, K., Aravkin, AY, Morgansen, K., Klemisch, J.,
de poudre métallique à l'aide d'une imagerie haute résolution. Fabrication d'additifs. 21, 517–528.
Goebel, N., Buttrick, J., Poskin, J., Blom­Schieber, A., et al., 2020a. Ingénierie aérospatiale basée sur les
données : recadrer l'industrie avec l'apprentissage automatique. arXiv­2008.
Gockel, J., Beuth, J., Taminger, K., 2014. Contrôle intégré de la solidification
Brunton, SL, Noack, BR, Koumoutsakos, P., 2020b. Apprentissage automatique pour la mécanique des
microstructure et dimensions du bain de fusion dans la fabrication additive par alimentation en fil par
fluides. Annu. Rév. Fluid Mech. 52, 477–508.
faisceau d'électrons de ti­6al­4v. Fabrication d'additifs. 1, 119–126.
Brunton, SL, Proctor, JL, Kutz, JN, 2016. Découverte des équations gouvernantes à partir des données par identification
Gongora, AE, Xu, B., Perry, W., Okoye, C., Riley, P., Reyes, KG, Morgan, EF,
clairsemée de systèmes dynamiques non linéaires. Procéder. Nat. Acad. Sci. 113 (15), 3932–3937.
Brown, KA, 2020. Un chercheur autonome expérimental bayésien pour la conception mécanique. Sci. Adv. 6 (15),
1708.
Buckingham, E., 1914. Sur des systèmes physiquement similaires ; illustrations de l'utilisation d' équations
Goodfellow, I., Pouget­Abadie, J., Mirza, M., Xu, B., Warde­Farley, D., Ozair, S.,
dimensionnelles. Phys. Rév. 4 (4), 345.
Courville, A., Bengio, Y., 2014. Réseaux antagonistes génératifs. Adv. Neur. Info. Processus.
Cai, S., Wang, Z., Wang, S., Perdikaris, P., Karniadakis, GE, 2021. Réseaux de neurones informés par la physique
Sys. 27.
pour les problèmes de transfert de chaleur. J. Transfert de chaleur 143 (6), 060801.
Gu, D., Shi, X., Poprawe, R., Bourell, DL, Setchi, R., Zhu, J., 2021. Fabrication additive laser­métal intégrée aux
Champion, K., Lusch, B., Kutz, JN, Brunton, SL, 2019. Découverte basée sur les données des coordonnées et
performances matériau­structure. Sciences 372 (6545).
des équations gouvernantes. Procéder. Nat. Acad. Sci. 116 (45),
Gunasegaram, DR, Steinbach, I., 2021. Modélisation de la formation de microstructures dans la fabrication additive
22445–22451.
métallique : progrès récents, lacunes de la recherche et perspectives.
Chartrand, R., 2011. Différenciation numérique de données bruitées et non lisses. Int. Sch. Rés.
Avis. Guo, W., Jin, J., Jack Hu, S., 2019. Surveillance du profil et diagnostic des défauts via la fusion de
capteurs pour le soudage par ultrasons. J. Manufact. Sci. Ing. 141 (8), 081001.
Chen, M., Wang, Y., Yu, G., Lan, D., Zheng, Z., 2013. Observations optiques in situ de la dynamique
Guo, Y., Lu, WF, Fuh, JYH, 2021. Cadre basé sur l'apprentissage profond semi­supervisé pour évaluer la
des trous de serrure lors du forage au laser. Appl. Phys. Lett. 103 (19), 194102.
fabricabilité des structures cellulaires dans le processus de frittage laser direct de métal. J.Intel.
Chen, W., Ahmed, F., 2021. Padgan : apprendre à générer de nouveaux designs de haute qualité.
Fabrique. 32 (2), 347–359.
J. Mech. Dés. 143 (3), 031703.
Han, J., Pratt, M., Regli, WC, 2000. Reconnaissance des caractéristiques de fabrication à partir de
Cisse, M., Bojanowski, P., Grave, E., Dauphin, Y., Usunier, N., 2017. Réseaux Parseval : améliorer la
modèles solides : un rapport d'état. IEEE Trans. Robot. Auto. 16 (6), 782–796.
robustesse aux exemples contradictoires. Int. Conf. Mach. Apprendre. PMLR 854–863.
Hasan, M., Ogan, K., Starly, B., 2021. Architecture de blockchain hybride pour le cloud
plates­formes de fabrication en tant que service (cmaas) avec un stockage de données et une
Cohen, T., Weiler, M., Kicanaoglu, B., Welling, M., 2019. Équivariant de jauge
réseaux convolutifs et le cnn icosaédrique. Int. Conf. Mach. Apprendre. PMLR 1321–1330. efficacité des transactions améliorés. Proc. Fabrique. 53, 594–605.
Hasani, R., Lechner, M., Amini, A., Rus, D., Grosu, R., 2020. Constante de temps liquide
Réseaux. arXiv:2006.04439.
Constantine, PG, del Rosario, Z., Iaccarino, G., 2016. De nombreuses lois physiques sont des fonctions de crête.
arXiv­1605. Hashimoto, M., Nakamoto, K., 2021. Planification de processus pour l'usinage de matrices et de moules basée sur la
reconnaissance de formes et l'apprentissage en profondeur, revue de conception mécanique avancée.
Constantine, PG, del Rosario, Z., Iaccarino, G., 2017. Analyse dimensionnelle basée sur les données : algorithmes
Sys. Fabrique. 15 (2). JAMDSM0015­ JAMDSM0015.
pour des groupes sans dimension uniques et pertinents. arXiv:1708.04303.

23
Machine Translated by Google
M. Mozaffar et al.
He, Q., Tartakovsky, G., Barajas­Solano, DA, Tartakovsky, AM, 2019. Physique
réseaux de neurones profonds informés pour l'assimilation de données multiphysiques dans les problèmes
de transport souterrain. Réunion d'automne de l'AGU Abstr. Vol. 2019, pH34B–02.
Hebert, RJ, 2016. Aspects métallurgiques de la fabrication additive métallique sur lit de poudre.
J. Mater. Sci. 51 (3), 1165­1175.
Herriott, C., Spear, AD, 2020. Prédire la mécanique dépendante de la microstructure
propriétés des métaux fabriqués de manière additive avec des méthodes d'apprentissage automatique
et en profondeur . Calcul. Tapis. Sci. 175, 109599.
Hesser, DF, Markert, B., 2019. Surveillance de l'usure des outils d'une fraiseuse cnc modernisée à l'aide de
réseaux de neurones artificiels. Fabrique. Lett. 19, 1–4.
Ho, W., Tshimanga, I., Ngoepe, M., Jermy, M., Geoghegan, P., 2020. Évaluation d' un fantôme de flux rigide à
index de réfraction imprimé en 3D pour les mesures piv sur les anévrismes cérébraux. Ing.
Cardiovasculaire Technol. 11 (1), 14–23.
ˇ Levine, L., Lane, B., Heigel, J., Migler, K., Stoudt, M., Phan, T., Ricker, R., Strantza, M., Hill, M., Zhang, F. , et al.,
Hodan, T., Haluza, P., Obdrˇz´ alek, S., Matas, J., Lourakis, M., Zabulis, X., 2017.
ensemble de données rgb­d pour l'estimation de pose 6d d'objets sans texture. Dans : Conférence d'hiver
2017 de l'IEEE sur les applications de la vision par ordinateur (WACV). IEEE, pages 880–888.
Holl, P., Koltun, V., Um, K., LTCI, TP, Paris, I., Thuerey, N., 2020. phiflow : un
cadre de résolution de pde différentiable pour l'apprentissage en profondeur via des simulations physiques.
Atelier NeurIPS.
Hu, Y., Anderson, L., Li, T.­M., Sun, Q., Carr, N., Ragan­Kelley, J., Durand, F., 2019.
Difftaichi : programmation différentiable pour la simulation physique. arXiv:1910.00935.
Huber, N., Kalidindi, SR, Klusemann, B., Cyron, CJ, 2020. Apprentissage automatique et données
exploitation minière en science des matériaux. Devant. Mater. 7, 51.
Ibragimova, O., Brahme, A., Muhammad, W., L´evesque, J., Inal, K., 2021. Une nouvelle ann
modèle de plasticité cristalline basé sur les matériaux fcc et son application aux chemins de déformation non
monotones . Int. J.Plast. 144, 103059.
Jang, J., Jeong, B., Kulvatunyou, B., Chang, J., Cho, H., 2008. Découvrir et intégrer des services de
fabrication distribués avec des profils de capacité de fabrication sémantique. Int. J. Comput. Intégr.
Fabrique. 21 (6), 631–646.
Jha, D., Choudhary, K., Tavazza, F., Liao, W.­k., Choudhary, A., Campbell, C., Agrawal, A., 2019.
Améliorer la prédiction des propriétés des matériaux en tirant parti des données informatiques et
expérimentales en utilisant l'apprentissage par transfert profond. Nature Commun. 10 (1), 1–12.
Jiang, H., Kim, B., Guan, MY, Gupta, M., 2018. Faire confiance ou ne pas faire confiance à un classificateur.
arXiv:1805.11783.
Jiang, J., Xiong, Y., Zhang, Z., Rosen, DW, 2020. Conception intégrée d'apprentissage automatique pour
la fabrication additive. J.Intel. Fabrique. 1–14.
Jin, X., Cai, S., Li, H., Karniadakis, GE, 2021. Nsfnets (navier­stokes flow nets) : réseaux de neurones informés par
la physique pour les équations incompressibles de navier­stokes. J. Comput.
Phys. 426, 109951.
Jofre, L., del Rosario, ZR, Iaccarino, G., 2020. Analyse dimensionnelle basée sur les données du transfert de chaleur
dans un écoulement turbulent chargé de particules irradiées. Int. J. Flux multiphase 125, 103198.
Kaheman, K., Kutz, JN, Brunton, SL, 2020. Sindy­pi : un algorithme robuste pour l'identification creuse implicite
parallèle de la dynamique non linéaire. Procéder. Société Royale A 476 (2242), 20200279.
Kaiser, E., Kutz, JN, Brunton, SL, 2018. Identification clairsemée de la dynamique non linéaire pour le contrôle
prédictif du modèle dans la limite inférieure des données. Procéder. Société Royale Un 474 (2219),
20180335.
Kaptanoglu, A., Morgan, K., Hansen, C., Brunton, S., 2020. Physique­contraint, faible
modèles dimensionnels pour mhd : premiers principes et approches basées sur les données. Bulletin Am.
Phys. Soc. 65.
Kapusuzoglu, B., Mahadevan, S., 2020. Apprentissage automatique basé sur la physique et hybride dans la
fabrication additive : application à la fabrication de filaments fusionnés. Jom 72 (12), 4695–4705.
Karniadakis, GE, Kevrekidis, IG, Lu, L., Perdikaris, P., Wang, S., Yang, L., 2021.
Apprentissage automatique basé sur la physique. Nature Rev. Phys. 3 (6), 422–440.
Kazhdan, M., Funkhouser, T., Rusinkiewicz, S., 2004. Descripteurs de symétrie et 3d
correspondance de forme. Actes du symposium Eurographics / ACM SIGGRAPH 2004 sur le traitement de la
géométrie 115–123.
Kingma, DP, Welling, M., 2013. Auto­Encoding Variational Bayes. arXiv:1312.6114.
Knapp, G., Mukherjee, T., Zuback, J., Wei, H., Palmer, T., De, A., DebRoy, T., 2017.
Éléments constitutifs d'un jumeau numérique de la fabrication additive. Acta Mater. 135, 390–399.
Ko, H., Witherell, P., Lu, Y., Kim, S., Rosen, DW, 2021. Apprentissage automatique et
construction de règles de conception basées sur des graphes de connaissances pour la fabrication additive.
Fabrication d'additifs. 37, 101620.
Koch, S., Matveev, A., Jiang, Z., Williams, F., Artemov, A., Burnaev, E., Alexa, M., Zorin, D., Panozzo, D.,
2019. Abc : un grand ensemble de données de modèles CAO pour l'apprentissage en profondeur
géométrique. Procéder. IEEE/CVF Conf. Calcul. Patt Vision. Reconn. 9601–9611.
Kocijan, J., Murray­Smith, R., Rasmussen, CE, Girard, A., 2004. Contrôle prédictif basé sur un modèle de processus
gaussien. Procéder. Am 2004. Contrôle Conf. IEEE Vol. 3, 2214­2219.
Korf, RE, 1999. Algorithmes de recherche d'intelligence artificielle.
Koza, JR, 1992. Programmation génétique : sur la programmation des ordinateurs au moyen de la sélection
naturelle., Vol. 1. Appuyez sur MIT.
Kranz, J., Herzog, D., Emmelmann, C., 2015. Directives de conception pour l'additif laser
fabrication de structures légères en tial6v4. J. Laser Appl. 27 (S1), S14001.
Kunes, J., 2012. Quantités physiques sans dimension en science et ingénierie. Elsevier.
Kwon, E., Huang, F., Goucher­Lambert, K., 2021. Recherche multimodale d'inspiration
Exemples en conception.
Kwon, Y., Won, J.­H., Kim, BJ, Paik, MC, 2020. Quantification de l'incertitude à l'aide de réseaux de
neurones bayésiens dans la classification : application à la segmentation d'images
biomédicales. Calcul. Statistique Analyse des données. 142, 106816.
Lakshminarayanan, B., Pritzel, A., Blundell, C., 2016. Estimation de l'incertitude prédictive simple et évolutive à
l'aide d'ensembles profonds, p. 01474. arXiv :1612.01474.
24
Journal de la technologie de traitement des matériaux. 302 (2022) 117485
Landers, R., Barton, K., Devasia, S., Kurfess, T., Pagilla, P., Tomizuka, M., 2020. Un examen du contrôle des
processus de fabrication. J. Manufact. Sci. Ing. 142, 1–62.
Lane, B., Yeung, H., 2019. Ensemble de données de surveillance des processus du banc d'essai de métrologie de
la fabrication additive (ammt) : stratégies d'analyse tridimensionnelle. J. Rés. Nat. Inst. Rester.
Technol. 124, 1–14.
Lee, J., Bagheri, B., Kao, H.­A., 2015. Une architecture de systèmes cyber­physiques pour les systèmes de
fabrication basés sur l'industrie 4.0. Fabrique. Lett. 3, 18–23.
Lee, XY, Balu, A., Stoecklein, D., Ganapathysubramanian, B., Sarkar, S., 2019. Une étude de cas sur l'apprentissage
par renforcement profond pour la conception technique : application aux dispositifs microfluidiques
pour la sculpture de flux. J. Mech. Dés. 141 (11), 111401.
Lenz, I., Knepper, RA, Saxena, A., 2015. Deepmpc : apprentissage des caractéristiques latentes profondes pour
le contrôle prédictif des modèles. Dans : Robotique : Science et systèmes. Rome, Italie.
2020. Résultats et conclusions des mesures am­bench de 2018, des problèmes de défi, des soumissions de
modélisation et de la conférence. Intégr.
Mater. Fabrique. Innov. 9 (1), 1–15.
Li, B.­H., Hou, B.­C., Yu, W.­T., Lu, X.­B., Yang, C.­W., 2017. Applications de l'intelligence artificielle dans la
fabrication intelligente : une critique. Devant. Info. Technol. Électron.
Ing. 18 (1), 86–96.
Li, B.­H., Zhang, L., Wang, S.­L., Tao, F., Cao, J., Jiang, X., Song, X., Chai, X., 2010. Fabrication en nuage : un
nouveau modèle de fabrication en réseau orienté services. Calcul.
Intégr. Fabrique. Sys. 16 (1), 1–7.
Li, S., Kaiser, E., Laima, S., Li, H., Brunton, SL, Kutz, JN, 2019a. Découverte de l'aérodynamique variant dans le
temps d'un prototype de pont par identification parcimonieuse de systèmes dynamiques non linéaires. Phys.
Rév. E 100 (2), 022220.
Li, X., Jia, X., Yang, Q., Lee, J., 2020. Analyse de la qualité dans la fabrication additive métallique
avec un apprentissage en profondeur. J.Intel. Fabrique. 31 (8), 2003–2017.
Li, Z., Liu, R., Wu, D., 2019b. Fabrication intelligente basée sur les données : surveillance de l'usure des outils avec
signaux audio et apprentissage automatique. J. Manufact. Processus. 48, 66–76.
Lookman, T., Balachandran, PV, Xue, D., Yuan, R., 2019. Apprentissage actif en science des matériaux en mettant
l'accent sur l'échantillonnage adaptatif utilisant les incertitudes pour une conception ciblée. npj Comput. Mater.
5 (1), 1–17.
Lu, Y., Choi, S., Witherell, P., 2015. Vers une conception de schéma de données intégré pour
fabrication additive : modélisation conceptuelle. Dans : American Society of Mechanical EngineersInternational
Design Engineering Technical Conferences and Computers and Information in Engineering Conference.,
Vol. 57045. V01AT02A032.
Lu, Y., Yang, Z., Eddy, D., Krishnamurty, S., 2018. Additif auto­améliorant
gestion des connaissances de fabrication. Dans : American Society of Mechanical EngineersInternational
Design Engineering Technical Conferences and Computers and Information in Engineering Conference.,
Vol. 51739. V01BT02A016.
Mamakoukas, G., Abraham, I., Murphey, TD, 2020. Apprendre des modèles stables pour
prédiction et contrôle. Robot trans IEEE.
Mangan, NM, Brunton, SL, Proctor, JL, Kutz, JN, 2016. Inférence biologique
réseaux par identification parcimonieuse de dynamiques non linéaires. IEEE Trans. Mol. Biol.
Commun multi­échelles. 2 (1), 52–63.
Masinelli, G., Le­Quang, T., Zanoli, S., Wasmer, K., Shevchik, SA, 2020. Contrôle adaptatif du soudage au laser :
une approche d'apprentissage par renforcement. Accès IEEE. 8, 103803–103814.
Matthews, J., Klatt, T., Morris, C., Seepersad, CC, Haberman, M., Shahan, D., 2016.
Conception hiérarchique de métamatériaux à rigidité négative à l'aide d'un classificateur de réseau bayésien.
J. Mech. Dés. 138 (4), 041404.
Mendez, PF, Ordonez, F., 2005. Lois d'échelle à partir de données statistiques et dimensionnelles
analyse. J. Appl. Méca. 72 (5), 648–657.
Michelmore, R., Kwiatkowska, M., Gal, Y., 2018. Évaluation de la quantification de l'incertitude
dans le contrôle de conduite autonome de bout en bout. arXiv:1811.06817.
Moges, T., Yang, Z., Jones, K., Feng, S., Witherell, P., Lu, Y., 2021. Approche de modélisation hybride pour la
prédiction du bain de fusion dans la fabrication additive par fusion sur lit de poudre laser. J.
Comput. Info. Sci. Ing. 21 (5), 050902.
Mohamed, OA, Masood, SH, Bhowmik, JL, 2021. Modélisation, analyse et
optimisation de la précision dimensionnelle des pièces fabriquées par fdm à l'aide d' une conception de
criblage définitive et d'un réseau de neurones artificiels à apprentissage approfondi. Adv.
Fabrique. 9 (1), 115–129.
Monroe, C., Beckermann, C., 2014. Prédiction de la déchirure à chaud à l'aide d'un
critère de niyama. Jom 66 (8), 1439–1445.
Mozaffar, M., Cao, J., 2021. Conception de processus de fabrication additive avec différentiabilité
Simulateurs. arXiv:2107.10919.
Mozaffar, M., Ebrahimi, A., Cao, J., 2020. Conception de parcours d'outils pour la fabrication additive
en utilisant l'apprentissage par renforcement profond. arXiv:2009.14365.
Mozaffar, M., Liao, S., Lin, H., Ehmann, K., Cao, J., 2021. Modélisation thermique basée sur les données
indépendante de la géométrie des processus de fabrication additive à l'aide de réseaux de neurones graphiques.
Fabrication d'additifs. 48, 102449.
Muhammad, W., Brahme, AP, Ibragimova, O., Kang, J., Inal, K., 2021. Une machine
cadre d'apprentissage pour prédire la distribution des déformations locales et l'évolution de l'anisotropie
plastique et de la fracture dans les alliages fabriqués de manière additive. Int. J.Plast. 136, 102867.
Murari, A., Peluso, E., Gelfusa, M., Lupelli, I., Gaudio, P., 2015. Une nouvelle approche de la formulation et
de la validation des expressions d'échelle pour le confinement du plasma dans les tokamaks.
Nucl. Fusion 55 (7), 073009.
Murphy, SV, Atala, A., 2014. Bioprinting 3d des tissus et des organes. Nat. Biotechnol. 32
(8), 773–785.
Mycroft, W., Katzman, M., Tammas­Williams, S., Hernandez­Nava, E., Panoutsos, G., Todd, I.,
Kadirkamanathan, V., 2020. Une approche basée sur les données pour prédire l'imprimabilité
dans procédés de fabrication additive métallique. J.Intel. Fabrique. 31 (7),
1769–1781.
Nobari, AH, Chen, W., Ahmed, F., 2021. Range­gan : Réseau antagoniste génératif à portée limitée pour la
synthèse de conception conditionnée. arXiv:2103.06230.
Ogoke, F., Farimani, AB, 2021. Contrôle thermique de la fusion laser sur lit de poudre à l'aide de
l'apprentissage par renforcement profond. Fabrication d'additifs. 102033.
Machine Translated by Google
M. Mozaffar et al.
Oh, S., Jung, Y., Kim, S., Lee, I., Kang, N., 2019. Conception générative profonde : intégration de l'optimisation de
la topologie et des modèles génératifs. J. Mech. Dés. 141 (11).
Oh, SA, Lim, RE, Aroh, JW, Chuang, AC, Gould, BJ, Amin­Ahmadi, B., Bernier, J.
V., Sun, T., Pistorius, PC, Suter, RM, et al., 2021. Les expériences de diffraction des rayons X synchrotron
à grande vitesse résolvent la microstructure et la transformation de phase dans le ti­6al­4v traité au laser.
Mater. Rés. Lett. 9 (10), 429–436.
Olson, GB, 1997. Conception informatique de matériaux structurés hiérarchiquement. Sciences 277 (5330), 1237–
1242.
Owhadi, H., Yoo, GR, 2019. Flux de noyau : des noyaux d'apprentissage des données vers l' abîme. J.
¨ Comput. Phys. 389, 22–47.
Ozel, T., Karpat, Y., Figueira, L., Davim, JP, 2007. Modélisation de l'état de surface et de l'usure des flancs d'outils
en tournage d'acier aisi d2 avec plaquettes de planage en céramique. J. Mater. Processus.
Technol. 189 (1­3), 192–198.
Pacheco, JE, Amon, CH, Finger, S., 2003. Substituts bayésiens appliqués aux étapes conceptuelles du processus
de conception technique. J. Mech. Dés. 125 (4), 664–672.
Paul, A., Acar, P., Liao, W.­k., Choudhary, A., Sundararaghavan, V., Agrawal, A., 2019.
Optimisation de la microstructure avec des objectifs de conception contraints à l'aide d' une génération
de données basée sur l'apprentissage automatique. Calcul. Tapis. Sci. 160, 334–351.
Potoˇcnik, P., Grabec, I., 2002. Contrôle prédictif d'un modèle non linéaire d'un processus de coupe.
Neuroinformatique 43 (1­4), 107–126.
PwC, 2021. Étude mondiale sur l'intelligence artificielle de Pwc : dimensionner le prix. https://www.pwc.com/gx/en/
issues/data­and­analytics/publications/artificial­intelligence­study.ht _ ml.
Qiao, Y.­L., Liang, J., Koltun, V., Lin, MC, 2020. Physique différentielle évolutive pour
Apprentissage et contrôle. arXiv:2007.02168.
Rahimi, MH, Huynh, HN, Altintas, Y., 2021. Détection de bavardage en ligne dans le fraisage avec apprentissage
automatique hybride et modèle basé sur la physique. CIRP J. Manufact. Sci. Technol. 35, 25–40.
Raissi, M., Perdikaris, P., Karniadakis, GE, 2017. Apprentissage en profondeur éclairé par la physique (Partie I) :
solutions basées sur les données d'équations aux dérivées partielles non linéaires. arXiv :
1711.10561.
Raissi, M., Perdikaris, P., Karniadakis, GE, 2019. Réseaux de neurones informés par la physique : un cadre
d'apprentissage en profondeur pour résoudre des problèmes directs et inverses impliquant des
équations aux dérivées partielles non linéaires. J. Comput. Phys. 378, 686–707.
Rankouhi, B., Agrawal, AK, Pfefferkorn, FE, Thoma, DJ, 2021. Un
nombre pour prédire les limites des paramètres de traitement universels dans la fabrication additive sur lit
de poudre métallique. Fabrique. Lett. 27, 13–17.
Regenwetter, L., Curry, B., Ahmed, F., 2021. Biked : un ensemble de données et des repères d'apprentissage
automatique pour la conception de vélos basée sur les données. arXiv:2103.05844.
Ren, Y., Wang, Q., Michaleris, PP, 2021. Un modèle d'apprentissage automatique à deux niveaux basé sur la
physique pour prédire la taille du bain de fusion dans la fusion laser sur lit de poudre. J. Dyn. Sys. Mes.
Contrôle.
Rudolph, IS, et al., 1996. Sur un concept de connaissance dimensionnellement homogène
traitement dans la conception technique. Dans : Actes de la deuxième conférence mondiale sur la
conception intégrée et la technologie des processus. Austin, Texas. Citeseer, p. 202–209.
Rudy, SH, Brunton, SL, Proctor, JL, Kutz, JN, 2017. Découverte basée sur les données de
équations différentielles. Sci. Adv. 3 (4), e1602614.
Saha, S., Gan, Z., Cheng, L., Gao, J., Kafka, OL, Xie, X., Li, H., Tajdari, M., Kim, HA, Liu, WK, 2021. Hiérarchique
réseau de neurones d'apprentissage en profondeur (hidenn): un cadre d'intelligence artificielle (ai) pour la
science et l'ingénierie computationnelles. Calcul.
Méthodes Appl. Méca. Ing. 373, 113452.
Schmidt, M., Lipson, H., 2009. Distiller des lois naturelles de forme libre à partir de données expérimentales.
Sciences 324 (5923), 81–85.
Scime, L., Beuth, J., 2018. Détection et classification des anomalies dans un processus de fabrication additive
sur lit de poudre laser à l'aide d'un algorithme de vision par ordinateur formé. Fabrication d'additifs . 19, 114–
126.
Scime, L., Paquit, V., Joslin, C., Richardson, D., Goldsby, D., Lowe, L., 2021. Ensemble de données d'imagerie
par couche des processus de fabrication additive sur lit de poudre pour les applications d'apprentissage
automatique (peregrine v2021 ­03).
Scime, L., Siddel, D., Baird, S., Paquit, V., 2020. Détection d'anomalies par couche et
classification pour les processus de fabrication additive sur lit de poudre : un algorithme indépendant de la
machine pour la segmentation sémantique pixel par pixel en temps réel. Fabrication d'additifs. 36, 101453.
ˇ mécanistes des propriétés mécaniques telles que construites dans la fabrication additive métallique. npj
Senior, AW, Evans, R., Jumper, J., Kirkpatrick, J., Sifre, L., Green, T., Qin, C., Zídek, A., Nelson, AW, Bridgland,
A., et al ., 2020. Prédiction améliorée de la structure des protéines à l'aide des potentiels de l'apprentissage
en profondeur. Nature 577 (7792), 706–710.
Shahan, DW, Seepersad, CC, 2012. Classificateurs de réseaux bayésiens pour la conception collaborative
basée sur des ensembles.
Sharp, M., Ak, R., Hedberg Jr., T., 2018. Une enquête sur l'utilisation et le développement avancés de
l'apprentissage automatique dans la fabrication intelligente. J. Manufact. Sys. 48, 170–179.
Shu, D., Cunningham, J., Stump, G., Miller, SW, Yukish, MA, Simpson, TW,
Tucker, CS, 2020. Conception 3D utilisant des réseaux antagonistes génératifs et une validation basée
sur la physique. J. Mech. Dés. 142 (7), 071701.
Siderska, J., Jadaan, KS, 2018. Cloud manufacturing : une fabrication orientée services
paradigme. un document de révision. Ing. Gérer. Prod. Ser. 10 (1).
Sundar, S., Sundararaghavan, V., 2020. Développement de bases de données et exploration de
relations processus­microstructure à l'aide d'auto­encodeurs variationnels. Mater. Aujourd'hui Commun. 25,
101201.
Suresh, H., Guttag, JV, 2019. Un cadre pour comprendre les sources de préjudice tout au long du cycle
de vie de l'apprentissage automatique., p. 10002. arXiv :1901.10002.
Tamura, R., Osada, T., Minagawa, K., Kohata, T., Hirosawa, M., Tsuda, K., Kawagishi, K., 2021. Optimisation
basée sur l'apprentissage automatique dans la fabrication de poudres à base de ni­co superalliage. Mater.
Dés. 198, 109290.
Tan, Q.­M., 2011. Analyse dimensionnelle : avec études de cas en mécanique. Springer
Médias scientifiques et commerciaux.
25
Journal de la technologie de traitement des matériaux. 302 (2022) 117485
Tandon, V., El­Mounayri, H., 2001. Un nouveau modèle de force de réseaux de neurones artificiels pour la fin
fraisage. Int. J. Adv. Fabrique. Technol. 18 (10), 693–700.
Tang, Y., Dong, G., Xiong, Y., Wang, Q., 2021. Conception basée sur les données d'une semelle en treillis poreux
personnalisée fabriquée par fabrication additive. Proc. Fabrique. 53, 318–326.
Thingiverse, C., 2021. Conceptions numériques pour objets physiques. https://www.thingiverse.
com/.
Thompson, A., Maskery, I., Leach, RK, 2016. Tomographie informatisée à rayons X pour la fabrication additive :
une revue. Mes. Sci. Technol. 27 (7), 072001.
Tian, C., Li, T., Bustillos, J., Bhattacharya, S., Turnham, T., Yeo, J., Moridi, A., 2021.
Approches basées sur les données pour une fabrication additive plus intelligente. Adv. Intel. Sys.
2100014.
Tibshirani, R., 1996. Retrait de régression et sélection via le lasso. J. Royal Stat. Soc. : Ser. B (Méthodol.) 58 (1),
267–288.
Tran, A., Mitchell, JA, Swiler, LP, Wildey, T., 2020a. Un apprentissage actif élevé
cadre d'étalonnage de microstructure de débit pour résoudre les problèmes de processus de structure
inverse dans l'informatique des matériaux. Acta Mater. 194, 80–92.
Tran, M.­Q., Liu, M.­K., Tran, Q.­V., 2020b. Détection de bavardage de fraisage à l'aide d'un scalogramme et
d'un réseau de neurones à convolution profonde. Int. J. Adv. Fabrique. Technol. 107 (3), 1505­1516.
Viswanathan, V., Kinsey, B., Cao, J., 2003. Mise en œuvre expérimentale de neurones
contrôle du retour élastique du réseau pour le formage de la tôle. J.Eng. Mater. Technol. 125 (2), 141–147.
Vukelic, D., Simunovic, K., Kanovic, Z., Saric, T., Tadic, B., Simunovic, G., 2021. Optimisation multi­objectifs du
tournage à sec de l'acier aisi 1040 à l'aide d'un algorithme génétique. Neur.
Calcul. Appl. 1–31.
Walton, D., Moztarzadeh, H., 2017. Conception et développement d'un additif
composant fabriqué par optimisation topologique. Proc. Cirp 60, 205–210.
Wang, J., Ma, Y., Zhang, L., Gao, RX, Wu, D., 2018. Apprentissage en profondeur pour la fabrication
intelligente : méthodes et applications. J. Manufact. Sys. 48, 144–156.
Wang, J., Li, Y., Zhao, R., Gao, RX, 2020a. Réseau de neurones guidé par la physique pour la prédiction de
l'usure des outils d'usinage. J. Manufact. Sys. 57, 298–310.
Wang, L., Chan, Y.­C., Ahmed, F., Liu, Z., Zhu, P., Chen, W., 2020b. Modélisation générative profonde pour
l'apprentissage mécaniste et la conception de systèmes de métamatériaux.
Calcul. Méthodes Appl. Méca. Ing. 372, 113377.
Wang, B., Wang, P., Tu, Y., 2021. Correspondance du service de satisfaction client et fabrication de cloud
blockchain basée sur la qualité du service. Int. J. Prod. Écon. 240, 108220.
Wang, Z., Liu, M., 2019. Analyse sans dimension sur la fusion laser sélective pour prédire la porosité et suivre
la morphologie. J. Mater. Processus. Technol. 273, 116238.
Waterman, P., 2017. Optimisez votre savoir­faire en fabrication additive. https://www. digitalengineering247.com/
article/optimize­your­additive­manufacturing­know­how .
Wei, H., Mukherjee, T., Zhang, W., Zuback, J., Knapp, G., De, A., DebRoy, T., 2021.
Modèles mécanistes pour la fabrication additive de composants métalliques. Programme. Mater.
Sci. 116, 100703.
West, DM, Lansang, C., 2018. Tableau de bord de la fabrication mondiale : comment les États­Unis se comparent
à 18 autres pays. Brooking dix.
Westphal, E., Seitz, H., 2021. Une méthode d'apprentissage automatique pour la détection des défauts et
visualisation en frittage laser sélectif basé sur des réseaux de neurones convolutifs.
Fabrication d'additifs. 41, 101965.
Williams, G., Meisel, NA, Simpson, TW, McComb, C., 2019. Efficacité du référentiel de conception pour
les réseaux de neurones convolutifs 3D : application à la fabrication additive. J. Mech. Dés. 141
(11).
Xia, C., Pan, Z., Zhang, S., Polden, J., Wang, L., Li, H., Xu, Y., Chen, S., 2020. Modèle de contrôle prédictif de
la largeur de couche dans le fil fabrication additive à l'arc. J. Manufact.
Processus. 58, 179–186.
Xiao, Y., Wang, WY, 2019. Quantification des incertitudes dans les tâches de traitement du langage naturel.
Actes de la conférence AAAI sur l'intelligence artificielle Vol. 33, 7322–7329.
Xie, R., Chen, G., Zhao, Y., Zhang, S., Yan, W., Lin, X., Shi, Q., 2019. Observation in situ et simulation numérique
sur la déformation et la distorsion transitoires prédiction lors de la fabrication additive. J. Manufact.
Processus. 38, 494–501.
Xie, X., Bennett, J., Saha, S., Lu, Y., Cao, J., Liu, WK, Gan, Z., 2021a. Prédiction basée sur les données
Comput. Mater. 7 (1), 1–12.
Xie, X., Liu, WK, Gan, Z., 2021b. Découverte guidée par les données des nombres sans dimension et des lois
d'échelle à partir de mesures expérimentales, p. 03583. arXiv:2111.03583.
Yang, D., Wang, G., Zhang, G., 2017. Analyse thermique pour la fabrication additive multicouche à base de gmaw
en un seul passage utilisant la thermographie infrarouge. J. Mater. Processus.
Technol. 244, 215–224.
Yang, Y., Großmann, A., Kühn, P., Molleney, ¨ J., Kropholler, L., Mittelstedt, C., Xu, B.­X., 2021. Loi d'échelle sans
dimension validée pour la largeur du bain de fusion dans fusion laser sur lit de poudre . J. Mater. Processus.
Technol. 117316.
Ye, J., Khairallah, SA, Rubenchik, AM, Crumb, MF, Guss, G., Belak, J., Matthews, M.
J., 2019. Mécanismes de couplage énergétique et comportement de mise à l'échelle associés à la
fabrication additive par fusion sur lit de poudre laser. Adv. Ing. Mater. 21 (7), 1900185.
Yin, M., Zheng, X., Humphrey, JD, Karniadakis, GE, 2021. Inférence non invasive des propriétés matérielles du
thrombus avec des réseaux de neurones informés par la physique. Calcul.
Méthodes Appl. Méca. Ing. 375, 113603.
Yoshimura, M., 2007. Optimisation de la conception du système pour la fabrication de produits. D'accord.
Ing. 15 (4), 329–343.
Yu, C., Zhang, L., Zhao, W., Zhang, S., 2020. Une architecture de composition de services basée sur la
blockchain dans la fabrication en nuage. Int. J. Comput. Intégr. Fabrique. 33 (7),
701–715.
Zhang, J., Gao, RX, 2021. Curation de données et interprétation de modèles axées sur l'apprentissage profond
pour la fabrication intelligente. Chinois J. Mech. Ing. 34 (1), 1–21.
Machine Translated by Google
M. Mozaffar et al.
Zhang, Z., Jaiswal, P., Rai, R., 2018. Featurenet : reconnaissance de caractéristiques d'usinage basée sur un
réseau de neurones à convolution 3D. Conception assistée par ordinateur. 101, 12–22.
Zhang, J., Wang, P., Gao, RX, 2020. Apprentissage en profondeur intégré au mécanisme de l'attention pour la
prédiction de la qualité d'une partie. Proc. CIRP 93, 96–101.
Zhang, D., Mishra, S., Brynjolfsson, E., Etchemendy, J., Ganguli, D., Grosz, B., Lyons, T., Manyika, J., Niebles,
JC, Sellitto, M., et al., 2021a. Le rapport annuel 2021 de l'indice Ai. arXiv:2103.06312.
Zhang, Y., Zhang, L., Liu, Y., Luo, X., 2021b. Puissance de preuve de service : une blockchain
consensus pour la fabrication en nuage. Journal des systèmes de fabrication 59, 1–11.
Zhao, C., Fezzaa, K., Cunningham, RW, Wen, H., De Carlo, F., Chen, L., Rollett, AD, Sun, T., 2017. Surveillance
en temps réel de la fusion laser sur lit de poudre processus utilisant l'imagerie par rayons X à grande
vitesse et la diffraction. Sci. Rep. 7 (1), 1–11.
Zhao, R., Yan, R., Chen, Z., Mao, K., Wang, P., Gao, RX, 2019. Apprentissage en profondeur et ses
applications à la surveillance de la santé des machines. Méca. Sys. Processus de signalisation. 115, 213–237.
26
Journal de la technologie de traitement des matériaux. 302 (2022) 117485
Zhao, C., Dinar, M., Melkote, SN, 2020. Classification automatisée de la fabrication
capacité de processus utilisant la forme de la pièce, le matériau et les attributs de qualité. J. Comput.
Info. Sci. Ing. 20 (2), 021011.
Zheng, S., Song, Y., Leung, T., Goodfellow, I., 2016. Améliorer la robustesse des réseaux de neurones
profonds via l'entraînement à la stabilité. Actes de la conférence ieee sur la vision par ordinateur
et la reconnaissance des formes 4480–4488.
Zhou, Q., Jacobson, A., 2016. Thingi10k : un ensemble de données de 10 000 modèles d'impression 3D. arXiv :
1605.04797.
Zhu, Q., Liu, Z., Yan, J., 2021. Apprentissage automatique pour la fabrication additive métallique :
prédire la température et la dynamique des fluides des bains de fusion à l'aide de réseaux de neurones
informés par la physique. Calcul. Méca. 67 (2), 619–635.
Zhu, X., Shi, J., Huang, S., Zhang, B., 2020. Fabrication en nuage axée sur le consensus
basée sur la technologie blockchain : une étude exploratoire. Foule omniprésente. Calcul. 62,
101113.