Académique Documents
Professionnel Documents
Culture Documents
La fabrication additive
page d'accueil de la revue : www.elsevier.com/locate/addma
Département de génie mécanique et énergétique, Université des sciences et technologies du Sud, Shenzhen 518055, Chine
F
Centre de fabrication et de conception numériques (DManD), Université de technologie et de conception de Singapour, 8 Somapah Road, 487372,
Singapour g The GW Woodruff School of Mechanical Engineering, Georgia Institute of Technology, Atlanta, GA 30332, ÉtatsUnis
Mots clés: Dans la fabrication additive (FA), les technologies intelligentes s'avèrent être un outil puissant pour faciliter une prise de
La fabrication additive décision économique, efficiente et efficace dans le cadre du développement de produits et de services. De telles capacités
Fabrication intelligente sont très prometteuses pour améliorer considérablement la productibilité, la répétabilité et la reproductibilité du processus
Système cyberphysique de fabrication additive et libérer sa liberté de conception complète pour l'innovation de produits. Cet article définit le concept
Conception et fabrication intégrées
de fabrication et de conception additives intelligentes (IAMD) tout en fournissant un modèle à trois couches à titre de
référence. Des détails sur ces trois couches, c'estàdire la couche de fil numérique, la couche cyberphysique et la couche
de service intelligente, sont présentés. De plus, les défis scientifiques et techniques soulevés lors des études et des
implémentations de l'IAMD sont discutés ainsi que les solutions potentielles. Le document décrit également la perspective
future de l'IAMD vers les directions de la conception et de la fabrication intégrées, de la FA cyberphysique, de l'intelligence
artificielle avancée pour la FA, des matériaux et produits numériques, ainsi que de la conception pour la chaîne de processus de la FA.
1. Introduction permet de développer des structures aux propriétés sur mesure, par exemple des
matériaux fonctionnellement gradués et hétérogènes. De plus, la FA ouvre également
La fabrication additive (FA) est une technologie émergente qui crée des pièces la voie au développement de dispositifs toutenun avec une intelligence intégrée, par
tridimensionnelles (3D) complexes grâce à un ajout de matière par couche. Contrairement exemple, la détection, le contrôle et l'actionnement, et avec des fonctionnalités intégrées
aux pratiques actuelles de fabrication soustractive et de formage, la fabrication additive [5], par exemple, des fonctions mécaniques, électriques et thermiques. Plus important
ne nécessite pas de gabarits, de montages ou d'outils spécifiques et a donc un flux de encore, la FA sert également de base au développement d'autres technologies
travail plus simple et une plus grande flexibilité. En raison de sa capacité exceptionnelle perturbatrices, telles que les couleurs structurelles [6,7] et les métamatériaux [8].
à créer des pièces avec des conceptions complexes, multimatériaux et des fonctions Cependant, la prise de décision pour la FA et sa conception n'est pas triviale en
intégrées, la FA a été progressivement adoptée pour des applications dans les industries raison d'informations limitées, de grandes incertitudes et d'espaces de conception de
automobile, aérospatiale et biomédicale [1]. Avec moins de contraintes de fabrication, grande dimension. Ces défis sont inhérents à la FA et limitent l'adoption plus large de
la FA permet la réalisation de structures avancées qui seraient autrement inaccessibles. la FA pour les applications industrielles. Premièrement, en raison de la nature en
Des exemples de ces structures comprennent les structures topologiques [2], cellulaires couches de la FA, les mécanismes sousjacents à divers phénomènes dans la FA,
[3] et en cotte de mailles [4] , qui sont légères, solides et concevables. L'optimisation traversant plusieurs échelles et impliquant plusieurs physiques, ne sont toujours pas
structurelle basée sur des méthodes de calcul est considérablement avancée pour tirer bien compris et caractérisés. Ces relations hautement couplées et non linéaires font
parti de la liberté de conception apportée par la FA pour améliorer les performances de qu'il est extrêmement difficile pour les ingénieurs de prendre des décisions optimales
ces structures. Parallèlement, l'avènement de la FA multimatériaux résultant en des constructions imprimées avec une géométrie et des propriétés précises.
De plus, le processus AM actuel est toujours remis en question par
* Auteur correspondant.
** Auteur correspondant au : Département de génie mécanique et aérospatial, Université Monash, Melbourne 3168, Australie.
Adresses email : xiongy3@sustech.edu.cn (Y. Xiong), yunlong.tang1@monash.edu (Y. Tang).
https://doi.org/10.1016/j.addma.2022.103139 Reçu
le 11 mai 2022 ; Reçu sous forme révisée le 18 août 2022 ; Accepté le 7 septembre 2022 Disponible en
ligne le 9 septembre 2022 22148604/© 2022 Elsevier BV Tous droits réservés.
Machine Translated by Google
diverses incertitudes [9–11], par exemple la fluctuation des conditions aux limites direction de l'IAMD, telles que la conception de la chaîne de processus de FA, qui ont le
thermiques pendant l'impression. Ces incertitudes élevées entravent considérablement potentiel d'ouvrir une nouvelle voie pour une exploration plus approfondie.
l'utilisation de la FA dans des applications hautes performances, par exemple l'ingénierie aérospatiale.Comme le montre la figure 1, l'intégration de technologies intelligentes avancées dans
Pendant ce temps, explorer et exploiter un tel espace de conception de grande dimension le flux de travail de la conception au produit de la FA se heurte à des défis scientifiques et
avec la FA est très difficile, même pour les concepteurs expérimentés [12, 13]. Le retard techniques à chaque phase. Le reste de cet article est structuré comme suit. La définition
des méthodes et des outils de conception par rapport à l'avènement de la technologie de de l'IAMD et son modèle de référence à trois couches sont présentés dans la section 2. La
fabrication a compromis la pleine utilisation des capacités uniques de la fabrication additive section 3 identifie les principaux défis et leurs solutions potentielles pour l'IAMD. Les
pour l'innovation et la production de produits. perspectives futures sont décrites dans la section 4. Enfin, des conclusions sont tirées
S'appuyer uniquement sur l'intelligence humaine n'est pas suffisant pour résoudre les dans la section 5.
défis cidessus dans la prise de décision pour la FA. Ainsi, il est fortement souhaité
d'introduire l'intelligence artificielle pour compléter l'intelligence humaine afin de faciliter 2. Système de fabrication et de conception additive intelligent
l'économie, l'efficience et l'efficacité des décisions. Ce changement de paradigme vise à
automatiser et à intégrer les activités de conception et de fabrication, en prenant en charge La fabrication et la conception additives intelligentes peuvent être définies au sens
la conception simultanée de matériaux, de structures et de processus, en renforçant large comme un concept de fabrication dans le but de maximiser la valeur de la FA en
finalement les capacités des processus de FA et en facilitant l'innovation et la production utilisant pleinement sa liberté de conception en termes de matériaux, de structures et de
de produits connexes [14,15] . processus grâce à des interactions avec des systèmes cyberphysiques basés à la fois
sur et l'intelligence artificielle. Avec l'utilisation d'une telle intelligence hybride, les
De plus, la FA est enracinée dans les technologies assistées par ordinateur, c'està technologies AM ont subi un changement radical vers une direction plus automatisée,
dire la conception, l'ingénierie et la fabrication assistées par ordinateur (CAO, CAE et intégrée et orientée services. Cette soussection traite des détails de cette tendance à
FAO), et est définie comme le processus d'assemblage de matériaux pour créer des objets travers un modèle de référence à trois couches pour les systèmes de conception et de FA
à partir de données de modèles 3D. Ainsi, la FA est connue comme un processus de intelligents, comme illustré à la Fig. 2.
fabrication numérique depuis sa création. Contrairement à d'autres technologies de
fabrication, la FA effectue davantage de tâches de conception et de fabrication dans un Le modèle de référence englobe les couches de service numériques, cyberphysiques
environnement numérique. Ces avantages apparents font de la FA un candidat idéal pour et intelligentes. La couche de fil numérique est au cœur du modèle et relie toutes les
réaliser la fabrication intelligente, qui est un concept plus large de fabrication qui vise à étapes de la FA, par exemple la conception, la fabrication, l'exploitation et le service, avec
optimiser la production et les produits en tirant pleinement parti des technologies avancées une dorsale appelée fil numérique. Le fil numérique collecte tous les types de données de
de l'information et de la fabrication [16,17]. la conception au produit. La couche de fil numérique est entourée d'une couche cyber
physique, une intégration qui comprend des actifs dans des espaces physiques et virtuels.
Dans le contexte cidessus, la recherche sur la fabrication et la conception additives Le système cyberphysique (CPS) reflète les relations processusstructurepropriété au
intelligentes (IAMD) a deux tâches principales pour améliorer le processus décisionnel sein du processus de fabrication. Ici, le CPS ne se limite pas à un seul sujet mais peut être
actuel. Le premier objectif est d'améliorer le niveau d'automatisation de la FA et de la n'importe quel équipement, produit et même matériel AM.
conception. Bien que les outils de conception informatique deviennent largement
disponibles, la plupart des variables de conception dans la FA sont toujours déterminées La couche la plus externe du modèle est la couche de service intelligent, qui comprend la
à l'aide de méthodes d'essais et d'erreurs ou de règles empiriques. Pendant ce temps, les conception AM intelligente, l'équipement, le produit et le service. Certains concepts de la
connaissances AM accumulées, en particulier les connaissances de conception, ne boucle externe sont encore en cours de développement. Ainsi, la couche de service AM
peuvent pas être directement et facilement transférées aux ingénieurs novices [18]. Le intelligente est moins mature que les deux autres boucles en ce qui concerne le niveau de
deuxième objectif est d'intégrer les processus de prise de décision pour la conception et préparation technologique tout en représentant les orientations futures de l'IAMD.
la fabrication de FA en une seule étape. L'approche actuelle en deux étapes entraîne une
différence significative entre les attentes de la conception théorique et les performances Les trois couches cidessus fonctionnent ensemble de la manière suivante : les
des piècesréel
telles que performance
fabriquées. Une
est approche
souhaitée.de conception intégrée matériaustructure informations circulent dans chaque boucle et passent entre les différentes boucles via des
interfaces. L'intraboucle peut être considérée comme un flux de travail d'informations de
Ces dernières années ont été témoins d'un regain d'intérêt pour ce domaine de bout en bout entièrement automatisé, qui intègre différents systèmes de conception
recherche émergent allant de la conception AM intelligente, des équipements, des produits logicielle, matériel de fabrication et systèmes d'exécution de fabrication.
et des services. Des efforts considérables ont été déployés pour explorer la faisabilité de Les systèmes cyberphysiques situés dans la couche intermédiaire mettent constamment
l'utilisation des technologies de l'information émergentes, telles que le cloud computing à jour leurs valeurs d'état en lisant les capteurs virtuels et physiques via le fil numérique.
[19], l'analyse de données [20] et l'intelligence artificielle (IA) [21, 22] pour résoudre des Pendant ce temps, la couche externe crée des services de fabrication et de conception
problèmes spécifiques de FA. Pendant ce temps, des initiatives pour la FA intelligente, basés sur les ressources fournies par le CPS pour fournir des produits AM intelligents et
également connue sous le nom de FA intelligente, ont été faites dans les références [2325]. des services associés.
Le développement de ce domaine en évolution rapide nécessite un concept formel d'IAMD,
et il n'existe actuellement aucune feuille de route claire pour guider son développement 2.1. Couche de fil numérique
futur.
Cet article vise à organiser les connaissances connexes entourant l'IAMD, à définir ce La fabrication additive est un processus de fabrication gourmand en données qui
concept émergent avec un modèle de référence à trois couches et à présenter l'état de génère des données considérables tout au long de son cycle de vie sur les géométries
l'art et les perspectives futures aux chercheurs. des pièces, les matériaux, les processus, la caractérisation, la qualification des pièces et
Cependant, il convient de noter que cet article ne traite pas d'applications et d'algorithmes le fonctionnement. Les données contiennent des informations précieuses et sont très
spécifiques en raison de contraintes de longueur. Les lecteurs peuvent se référer à prometteuses pour permettre aux applications basées sur les données d'améliorer le
plusieurs excellentes critiques sur ces sujets pour plus de détails. Contrairement à la processus de fabrication et les performances des produits. Ainsi, le concept d'un fil
littérature existante, l'apport principal de ce travail est triple. numérique spécifique à la FA est proposé pour collecter toutes ces données de la
Premièrement, un modèle de référence à trois couches est proposé pour étendre l'étude conception au produit et créer un écosystème de données qui permet la génération, le
actuelle sur le fil numérique et le système cyberphysique vers des services intelligents, stockage, l'analyse et le partage faciles et sécurisés des données, comme le montre la
facilitant la prise de décision au sein de la FA. Ce modèle sert de colonne vertébrale pour Fig . 3. Plusieurs travaux antérieurs ont étudié le cadre de travail, le modèle de données et
relier les sujets existants et émergents dans l'IAMD. De plus, l'étude examine l'utilisation la mise en œuvre du fil numérique [26–29]. Un tel fil numérique est à la base du système IAMD pour les
conjointe de plusieurs technologies clés pour la mise en œuvre du modèle de référence à Premièrement, le fil numérique relie les étapes de conception et de fabrication, permettant
trois couches. L'optimisation multidisciplinaire de la conception, en tant que technologie aux concepteurs de prendre une décision plus éclairée [30] à des étapes de conception
clé pour lier la conception et la fabrication, est discutée pour la première fois. Enfin, le antérieures avec des informations postconception, par exemple, les incertitudes de
document évoque également l'avenir fabrication, disponibles. De plus, le fil numérique fournit
2
Machine Translated by Google
Fig. 1. Cadre de recherche pour les études sur la fabrication et la conception additives intelligentes.
traçabilité pour faciliter la productibilité, la répétabilité et la reproductibilité des constructions de à observer à très haute fréquence. Un taux d'échantillonnage minimal de 200 000 images par
fabrication additive, ce qui est essentiel pour la qualification des pièces. De plus, l'écosystème seconde est requis pour étudier la température du bain de fusion et les taux de refroidissement
numérique améliore la gérabilité des données, ce qui facilite la gestion et l'analyse des données dans le procédé de fusion sur lit de poudre métallique (PBF).
à tout moment. Pendant ce temps, il peut également être caractérisé par des sources multiples, des dimensions
La normalisation de la représentation des données affecte grandement l'efficacité de multiples et des bruits multiples (3 M), que l'on trouve couramment dans les données de fabrication
l'échange d'informations au sein du fil AM numérique [31]. Les données générées au cours des [21].
différentes phases de la FA sont stockées dans divers formats [32], par exemple, des modèles
CAO 3D pour les géométries de pièces, des sorties de terrain et d'historique pour les simulations
2.2. Couche système cyberphysique
CAE, des tranches 2D pour le prétraitement, des fichiers de construction pour les exécutions
machine et des images pour surveillance en cours de processus. Des chercheurs du NIST
Maximiser efficacement l'utilisation d'une grande quantité de données est l'un des principaux
(l'institut national des normes et de la technologie) ont développé un modèle à six activités [28]
défis du processus de fabrication et de conception de FA intelligente. La technologie cyber
pour classer ces sources de données. L'absence d'une représentation uniforme rend la
physique est un paradigme idéal pour relever ce défi. Ce paradigme d'intégration vise à fournir
communication entre les différentes activités non ambiguë, incohérente et non interopérable. Il
différents services aux parties prenantes des chaînes de valeur de la FA en intégrant différents
est urgent de développer un environnement sémantique [33] et un modèle de données commun
flux de données de la couche unitaire de la FA numérique avec des modèles physiques ou basés
[34] qui incorporent la spécification de conception, la description géométrique, les paramètres de
sur des données. Plus précisément, le modèle virtuel peut être considéré comme une réplique
processus et les propriétés de mesure d'une pièce dans un seul fichier informatique. Motivées par
numérique du processus de fabrication additive, de la machine, des matériaux, des produits
ce besoin, des représentations de données intégrées, notamment AMF étendu [35], AMIDM [36]
conçus et même de l'ensemble du système de fabrication. Selon le type d'échange de données
et STEP/STEP NC [37] pour la FA, ont été proposées pour prendre en charge la collecte, le
entre un objet physique et sa réplique numérique correspondante, le CPS pour AM peut être
stockage et l'utilisation des données sur l'ensemble de la chaîne de valeur de la FA. Des normes
classé en modèle numérique, ombre numérique et jumeau numérique, comme illustré à la Fig. 4 .
internationales, telles que ASTM F3490–21, ont également été développées pour construire un
pedigree de données indépendant du processus et indépendant de la technologie.
3
Machine Translated by Google
Fig. 2. Un modèle à trois couches pour les systèmes de conception et de fabrication additive intelligents.
les propriétés des matériaux et la déformation des pièces de référence imprimées sont utilisées. Le processus de FA peut également être réinjecté dans les étapes de conception et prendre en charge une
La sortie de ce modèle vise à prédire la déformation des pièces avec différentes orientations d'impression et meilleure optimisation de la conception [41,43].
paramètres de processus. Même s'il ne peut pas contrôler directement l'orientation des pièces imprimées dans
le processus d'impression, qu'il tente de représenter numériquement, les informations qu'il fournit peuvent 2.2.2. Ombre numérique L'ombre
aider les ingénieurs de fabrication à prendre la bonne décision avant l'impression. Outre la planification des numérique est une autre catégorie de CPS qui est construite sur la base des données en temps réel
processus [39,40], les modèles numériques peuvent également être utilisés pour la prédiction des performances collectées à partir de ses objets ou processus physiques correspondants. Semblable au modèle numérique,
des pièces fabriquées AM [41] ou des propriétés des matériaux [42], ainsi que pour la modélisation de la les ombres numériques ne sont pas non plus utilisées pour contrôler directement leurs objets ou processus
fabricabilité du processus AM [43]. Les informations issues de la maquette numérique de physiques correspondants.
Habituellement, il fournit un service qui aide les parties prenantes à améliorer en permanence les performances
4
Machine Translated by Google
Fig. 4. Différents modèles de systèmes cyberphysiques pour la fabrication et la conception additives intelligentes.
processus. Le service le plus courant dans le domaine de la FA sur lequel travaille Digital planifier différentes ressources de fabrication AM. À l'avenir, le jumeau numérique d'un
Shadow est la surveillance des processus et la qualification des pièces. Par exemple, produit pourra être construit, prenant même en charge l'optimisation et la conception
Scime et al. [44] a proposé un cadre de relais d'intelligence augmentée pour construire automatisées de pièces basées sur des machines de fabrication sélectionnées sans
une ombre numérique pour la qualification des pièces fabriquées par le procédé PBF ; intervention humaine. Même si le modèle de jumeau numérique présente des
dans ce modèle, les données d'image de processus surveillées en temps réel sont fonctionnalités prometteuses et un haut niveau d'automatisation, il implique généralement
utilisées pour la surveillance ou la qualification du processus. des coûts de mise en œuvre élevés. Ainsi, les parties prenantes sont toujours invitées à
Les données en temps réel collectées à partir de différents types de capteurs peuvent sélectionner les types de modèles de jumeaux numériques appropriés pour le service
être intégrées à plusieurs modèles d'IA pour prédire les propriétés de traction localisées, dont elles ont besoin.
qui peuvent être utilisées pour la qualification des pièces fabriquées.
Par rapport au modèle numérique, l'ombre numérique est généralement utilisée pour les 2.3. Couche de service AM intelligente
services qui sont plus sensibles aux données en temps réel lors de la fabrication ou de
la conception. Ainsi, outre la surveillance des processus ou la qualification des pièces Comme indiqué, l'objectif principal du développement du système AM cyber
[45], l'ombre numérique de la FA peut également être directement utilisée pour la physique basé sur le jumeau numérique cidessus est de mieux soutenir l'intelligence
détection des pannes [46] et la maintenance prédictive des machines. hommemachine dans la prise de décisions qui créent des produits et des services
associés qui répondent aux besoins spécifiques des clients. Dans un sens plus large, la
2.2.3. Jumeau partie prenante au sein de l'écosystème AM peut être traitée soit comme un fournisseur
numérique Par rapport au modèle numérique et à l'ombre numérique, la particularité de services, soit comme un consommateur. Ici, la FA, comme d'autres technologies de
du jumeau numérique est que ce type de modèle jumeau permet l'interaction directe fabrication, subit une transformation naturelle de la fabrication en tant que service (MaaS)
entre les objets physiques et numériques sans intervention humaine. Comparé à ses [47–51] pour stimuler les capacités de conception et de production.
deux frères et sœurs, le service auquel le jumeau numérique a joué a généralement un Cette soussection traite brièvement de l'impact d'un tel changement de paradigme du
niveau d'automatisation plus élevé. Il peut être considéré comme un système nerveux point de vue de l'IAMD.
ajouté aux objets ou processus physiques existants. Le service le plus connu impliqué Comme le montre la Fig. 5, les services du flux de travail AM comprennent a) les
par le modèle de jumeau numérique est le contrôle de processus adaptatif du processus services IAMD et b) les produits et services AM intelligents. Le premier groupe de services
AM. Ce type de jumeau numérique est généralement construit sur la base de données peut être considéré comme des ressources utilisées pour créer le deuxième groupe de
historiques, tandis que des données en temps réel seront utilisées comme entrée. Le produits et services. Les deux types de services sont contrôlés par l'intelligence humaine
modèle jumeau effectue l'action correcte pour le futur processus de fabrication en fonction machine. Un tel modèle de service de l'IAMD présente plusieurs caractéristiques uniques.
des conditions de processus en temps réel. En général, la planification de processus Premièrement, une intelligence hybride est utilisée dans la prise de décision pour
adaptative est similaire à la commande de boucle de rétroaction conventionnelle dans le combiner l'intelligence humaine et machine pour obtenir de meilleurs résultats que de se
système de commande de mouvement. Cependant, le modèle de jumeau numérique fier uniquement à chaque intelligence. De plus, plus de transparence et d'accessibilité
offre plus de flexibilité au contrôleur, qui peut même impliquer l'ensemble du système de sur la conception et la fabrication sont fournies au décideur, y compris aux clients, pour
fabrication. Par exemple, le modèle de jumeau numérique peut être utilisé pour la mise encourager la cocréation de valeur. Une telle caractéristique est souhaitée pour tous
en service virtuelle et dynamiquement
5
Machine Translated by Google
technologies de fabrication, mais ne peuvent être facilement mises en œuvre qu'avec la FA en 2.3.3. Produit et service de FA intelligents Les
raison de sa grande flexibilité et de son agilité de processus. De plus, les communications résultats directs des services de conception et de fabrication sont des produits et services
bidirectionnelles sont autorisées entre les services et les décideurs pour un retour d'information de FA intelligents. L'avènement de la FA, en particulier la FA multimatériaux, permet la
et une réponse rapides aux environnements dynamiques. réalisation de produits intelligents et interconnectés avec des fonctions intégrées [73], telles que
Plus de détails sur les deux types de services sont détaillés dans le reste de la section. la détection [74], l'actionnement, le contrôle, le stockage d'énergie et les interfaces utilisateur
[75]. Ces produits intelligents permettent de former un cycle de conception en boucle fermée
avec des données postfabrication qui améliorent les conceptions de produits au fil du temps.
2.3.1. Conception en tant que
service La conception pour la fabrication additive (DfAM) est connue comme une Ceci est essentiel pour ces produits dont les objectifs et les contraintes de conception changent
méthodologie de conception visant à maximiser les performances du produit grâce à la synthèse au cours de la période de service du produit ou d'une génération de produit à l'autre en fonction
de formes, de tailles, de structures hiérarchiques et de compositions de matériaux, sous réserve de l'environnement dynamique de la tâche. Par exemple, des retours d'information opportuns
des capacités des technologies AM[52]. sur les interactions entre les appareils d'assistance et leurs utilisateurs peuvent guider leurs
Les méthodes de DfAM incluent l'heuristique de conception, les directives, la conception processus de fabrication et de conception. De plus, des produits hautement personnalisés
informatique et la conception assistée par l'IA. Les services DfAM incluent des tâches à la fois peuvent être développés sur la base des informations d'utilisation collectées à partir des
pour la reconception des pièces existantes et la conception à partir de zéro, qui se concentrent capteurs. Pour maximiser les informations acquises pour les besoins de conception, des études
respectivement sur la conception pour les opportunités et la conception sur les contraintes antérieures [76] ont optimisé l'emplacement des capteurs imprimés en 3D.
[17,53] . L'intelligence hybride a été appliquée dans les deux tâches pour créer des services de
conception. Du côté de la conception aux contraintes, des services tels que l'évaluation de la De plus, plusieurs services AM intelligents basés sur des infrastructures numériques, tels
fabricabilité [54,55] sont souhaités étant donné la capacité limitée de l'homme à comprendre les que les réseaux AM basés sur le cloud et la personnalisation des produits, ont vu le jour. Ces
relations complexes entre les solutions de conception et leurs processus de fabrication. Des services sont fournis à toutes les parties prenantes de l'écosystème AM. Pour les utilisateurs
outils, par exemple, un système automatisé d'aide à la décision (DSS) [56] et des critères finaux AM, des services spécifiques peuvent être la formation de la maind'œuvre AM, etc. Pour
d'évaluation [57–59] sont développés pour identifier les pièces AM candidates. Pendant ce les fabricants de machines, les machines AM et les services associés, tels que la planification
temps, des recherches antérieures [60–62] ont également étudié les systèmes d'aide à la en ligne, sont fournis ensemble. Divers modèles commerciaux avec des services à valeur
décision qui correspondent à des conceptions de produits données avec des processus, des ajoutée, tels que le commerce de données et le transfert de connaissances AM accumulées,
matériaux et des machines. Des approches basées sur les données sont étudiées pour une devraient se développer rapidement.
estimation instantanée des coûts [63,64]. De plus, des méthodes et des outils de calcul pour la Les données AM possèdent des caractéristiques polymorphes. Par exemple, Senvol [77] utilise
consolidation de pièces [65] et la décomposition [66,67] ont été proposés pour aider les un ensemble de données pour fournir divers types de services, par exemple, la base de données
concepteurs dans la prise de décision. Senovl, l'API Senovl pour les mises à jour automatiques et les index pour la caractérisation des
matériaux.
6
Machine Translated by Google
différents matériaux et les assembler dans le logiciel de préparation d'impression. Même si les contrôlé en manipulant directement la taille des entités sur un arbre CSG.
techniques d'objets multimatériaux voire hétérogènes avec des compositions de matériaux graduées
fonctionnelles ont été développées depuis plus de deux décennies, elles ne sont pas encore 3.1.3. Conception basée sur l'IA
largement adoptées dans les outils de conception existants. La compatibilité de ces outils avec les Les deux premiers défis se concentrent principalement sur la modélisation des matériaux et de
logiciels de CAO existants est un enjeu majeur. Outre les compositions de matériaux à gradient, les la géométrie pour la conception basée sur la FA. L'exploration de l'espace de conception de la FA est
structures multiéchelles à micro ou mésoéchelle telles que les structures en treillis ou cellulaires un autre défi auquel les outils de conception numérique existants sont confrontés.
Classiquement, les concepteurs peuvent utiliser un logiciel de CAO pour créer plusieurs conceptions
matériaux apporte un autre défi à l'outil de conception de convention. Ces conceptions de forme différentes avec des géométries et des matériaux différents. Les performances de ces conceptions
complexe sont fabriquées avec un seul matériau mais possèdent des propriétés hétérogènes en peuvent être évaluées manuellement à l'aide du logiciel CAE, puis la meilleure solution sera
raison de la conception rationnelle de structures à micro ou mésoéchelle. Plusieurs méthodes, y sélectionnée. Ce processus de conception conventionnel n'est plus valable pour la fabrication additive
compris des approches implicites, FRep (représentation de fonctions) et hybrides, ont été proposées puisque la géométrie et les matériaux peuvent être considérés comme des variables de conception,
pour résoudre ces problèmes, et certaines d'entre elles ont été implémentées dans des logiciels de et de nombreuses variantes de conception peuvent être générées. Plus important encore, la
CAO commerciaux. Pour soutenir davantage la modélisation et la définition universelles des structures personnalisation de masse impose une exigence encore plus élevée à l'outil de conception luimême.
méso ou micrométriques fabriquées par FA, un modèle de matériau universel a été défini [81]. Les Ainsi, les outils de conception numérique euxmêmes devraient avoir une certaine intelligence qui
descripteurs de matériaux définis dans le modèle fournissent un moyen standard de décrire les aide les concepteurs à combiner rapidement la géométrie, les matériaux et même les paramètres de
structures typiques à micro ou mésoéchelle fabriquées par AM, ce qui fournit une base pour la processus pour répondre aux spécifications de conception et aux exigences fonctionnelles.
prochaine génération de CAO pour prendre en charge la modélisation du matériau et de la géométrie
du produit. Par exemple, au niveau de la conception au niveau conceptuel, un système de raisonnement basé
sur des cas ou une base de connaissances DfAM basée sur une ontologie peut fournir des
suggestions aux concepteurs sur les parties potentielles du produit qui peuvent être bénéfiques pour
la FA ou peut identifier les parties potentielles qui peuvent être consolidées[ 90–92].
3.1.2. Posttraitement des modèles à facettes Pour Pour améliorer et élargir encore l'espace de conception, le GAN (Generative Adversarial Network)
le processus AM, les modèles à facettes avec un maillage triangulaire ou polygonal ont été sera utilisé pour générer davantage d'options de conception. Un modèle GAN conditionnel sera
largement utilisés. La géométrie de certains modèles à facettes est facilement contrôlée car ils sont appliqué pour générer ou modifier automatiquement les concepts de conception existants afin de
convertis à partir d'un modèle natif basé sur les fonctionnalités, qui est directement généré à partir répondre aux exigences spécifiques des clients[93]. Dans la phase de conception détaillée, des
d'un outil de CAO basé sur les fonctionnalités. Cependant, il faut remarquer qu'il existe encore un algorithmes d'IA tels que les réseaux de neurones artificiels et le modèle de régression de processus
grand nombre de modèles à facettes dont la géométrie est difficilement contrôlable. Ces modèles gaussien (GPR) peuvent être appliqués pour construire le modèle de substitution qui peut décrire la
peuvent être générés à partir des résultats de l'optimisation de la topologie ou directement scannés relation processusstructurepropriétés du processus AM. Ce modèle permettra aux concepteurs
à partir d'objets physiques réels. En raison des complexités géométriques, ces modèles contiennent d'optimiser à la fois les géométries, les paramètres de processus et les microstructures des matériaux
généralement des erreurs, telles que des bords non variés ou de petits trous [82]. afin d'améliorer encore les performances des produits conçus. Plus important encore, les données
historiques des machines AM sélectionnées seront prises en compte et introduites dans le modèle
Bien qu'un outil de modélisation numérique tel que Magics fournisse une réparation automatisée de d'analyse d'incertitude bayésienne. Il prendra en charge la génération de la géométrie des pièces qui
ces erreurs de modèle, une opération manuelle est toujours nécessaire, en particulier lorsque la peut minimiser les effets des facteurs d'incertitude sur les performances des pièces fabriquées AM
géométrie est complexe et que la réparation automatisée ne peut pas générer la géométrie souhaitée. conçues. Outre les performances de la pièce, les impacts environnementaux, la maintenance et
Un pas de plus pour éditer ou contrôler ces modèles de facettes est encore plus difficile. Pour d'autres considérations relatives au cycle de vie des clés du produit seront prévisibles sur la base de
résoudre ce défi, il existe deux types de solutions. Tout d'abord, des algorithmes de remaillage [83] modèles d'apprentissage automatique établis sur la base de données historiques ou de données
et de morphing de maillage [84] sont développés, qui permettent la manipulation directe du modèle à obtenues à partir de
facettes. Certains de ces algorithmes ont été implémentés dans des outils open source tels que
MeshLab [85] pour permettre aux concepteurs d'éditer des modèles de facettes pour obtenir le post
traitement souhaité comme la douceur. Cependant, ces algorithmes ou outils sont encore difficiles à modèles de simulation basés sur la physique ainsi que l'analyse du cycle de vie des produits.
contrôler paramétriquement la forme du modèle. La deuxième approche consiste à reconstruire le Plus important encore, l'IA permettra les capacités d'autoapprentissage des outils de conception. Un
modèle basé sur les caractéristiques à partir du modèle à facettes. Le modèle reconstruit basé sur algorithme d'apprentissage par renforcement peut être appliqué pour aider les concepteurs à
les caractéristiques peut être facilement modifié. Cette approche peut être divisée en trois catégories : améliorer de manière itérative les produits conçus fabriqués par AM.
basée sur le squelette, basée sur la surface et basée sur le volume [86]. Parmi eux, les approches En résumé, les techniques d'IA combleront le manque de connaissances des concepteurs sans
basées sur le squelette tirent généralement parti de différents algorithmes d'extraction de squelette expertise dans les technologies de FA en tant que compétences avancées en modélisation
pour construire le squelette unidimensionnel des modèles à facettes d'entrée. Ensuite, ce squelette géométrique. Cela rendra les pièces conçues parfaitement adaptées aux besoins personnalisés de
unidimensionnel peut être encore épaissi et converti en un chaque client et réduira les délais et les coûts lors de la phase de conception.
7
Machine Translated by Google
ont beaucoup progressé au cours de la dernière décennie. Les machines PBF commerciales 3.3.1. Cadre d'optimisation de conception multidisciplinaire Récemment,
avec des systèmes de mesure in situ sont devenues la norme [94]. Cependant, des efforts le concept d'optimisation de conception multidisciplinaire, un cadre de conception bien
continus sont déployés pour améliorer encore la capacité et la qualité des mesures. De établi pour les systèmes complexes [110], a été introduit dans le domaine DfAM. Comme le
nouveaux principes et dispositifs de détection ont été adoptés. Par exemple, des techniques montre la figure 6, cette méthode d'optimisation simultanée prend en charge une conception
avancées de détection à haute résolution spatiotemporelle, telles que la tomographie par simultanée de produits, de matériaux et de processus de fabrication de FA [111] sous des
rayons X synchrotron, ont été utilisées pour capturer les phénomènes thermophysiques dans contraintes complexes. Le flux de travail est basé sur l'échange automatisé d'informations de
le bain de fusion de la FA métallique. De plus, en raison du taux d'échantillonnage élevé conception et ses principales étapes comprennent la décomposition du problème, l'analyse
(jusqu'à 10 kHz) et de la résolution, les signaux capturés par les capteurs sont souvent traités de la discipline, la sélection de la stratégie de résolution et la génération de la solution.
localement avant les communications, seules les caractéristiques extraites sont ensuite
transférées et stockées. Du matériel, tel que le réseau de portes programmables sur site Différentes architectures d'optimisation de conception multidisciplinaires, par exemple,
(FPGA), est utilisé [95]. En outre, les données in situ, par exemple les images du bain de monolithiques et distribuées, doivent être soigneusement sélectionnées en fonction de la
fusion, peuvent être utilisées avec des mesures ex situ, par exemple les géométries des billes nature des problèmes.
et les mesures de porosité, pour former des modèles à utiliser ultérieurement pour la
surveillance en ligne [96,97] . Les avancées récentes utilisent des méthodes d'apprentissage 3.3.2. Approximations et méthodologie des surfaces de réponse
par transfert en profondeur pour inspecter la qualité de chaque couche sur la base d'images Étant donné que diverses méthodes d'évolution de la conception, par exemple des
visuelles sans extraction manuelle des caractéristiques. expériences, des mesures et des simulations numériques, sont souvent utilisées dans l'analyse
des disciplines, le coût en temps des différentes analyses est difficile à synchroniser et les
informations d'analyse, par exemple les gradients, ne sont pas accessibles. À cette fin, des
3.2.2. Mesure multicapteur et fusion de données Comme approches de modélisation de substitution telles que GPR [12, 112] sont souvent utilisées
discuté, puisque le processus AM implique plusieurs échelles de longueur, la combinaison pour approximer des modèles haute fidélité et fournir une prédiction suffisamment rapide pour
de différents principes de détection pour se compléter s'avère être une approche efficace pour répondre aux besoins de conception et d'optimisation. Les algorithmes d'apprentissage en
surmonter les limites d'un seul capteur, par exemple, les conflits entre la résolution de mesure profondeur, par exemple le GAN conditionnel [93], sont appliqués aux applications de
et la portée . conception structurelle sensibles aux contraintes de fabrication au stade précoce de la
Les mesures effectuées par différents capteurs sont soit spatiales, images d'une caméra, soit conception, où un grand nombre d'itérations sont nécessaires pour satisfaire les objectifs de
temporelles, par exemple, la température du bain de fusion d'un thermomètre infrarouge. La conception en évolution. De plus, la visualisation interactive des espaces de décision et
corrélation d'ensembles de données hétérogènes, comprenant à la fois des mesures in situ et d'échange pour les problèmes de conception multiobjectifs devrait également être étudiée
des caractérisations postconstruction pour un composant d'intérêt et ses processus AM dans plus avant [13]. Un autre défi à relever est l'utilisation rationnelle de données avec des fidélités
un système de coordonnées unique, est un sujet de recherche important connu sous le nom et des coûts différents, y compris des simulations et des expériences informatiques, ainsi que
d'enregistrement de données [98, 99] . La référence [100] rapporte une étude de cas qui des modèles analytiques et numériques. Diverses méthodes de métamodélisation multifidélité,
combine la détection, les données de surveillance et le chemin de balayage pour faciliter la par exemple le cokrigeage et la modélisation de substitution multifidélité basée sur la fonction
détection des anomalies. De plus, les mesures sont interprétées à l'aide de modèles basés d'échelle, pour l'assimilation de données ont été proposées pour assurer une précision élevée
sur la physique pour estimer les états du processus, par exemple, l'enveloppement des pièces et une prédiction rapide tout en minimisant le coût [113, 114] . Récemment, la référence [115]
[101]. a rapporté une méthode basée sur l'apprentissage en profondeur appelée réseau de neurones
à nuage de points multifidélité (MFPointNN) pour la modélisation du bain de fusion.
3.2.3. Contrôle en boucle fermée du processus
Le processus AM actuel contrôlé en boucle ouverte souffre de problèmes de qualité, par
exemple, des taux d'échec élevés et une faible répétabilité. De nombreux schémas de 3.3.3. Quantification et gestion de l'incertitude Une caractéristique
commande prédictive basés sur des modèles ont été proposés sur la base de modèles distincte de l'optimisation de la conception pour la fabrication additive par rapport à la
empiriques d'identification de système, de modèles d'équations différentielles ordinaires basés fabrication conventionnelle est l'incertitude élevée du processus [11,116].
sur la physique [102] et de modèles d'analyse par éléments finis [103]. La variabilité des produits AM résulte de multiples sources d'incertitude, notamment les
Cependant, la modélisation du processus complexe de FA reste un défi. matières premières, les processus de fabrication, les modèles de simulation et les mesures
Les systèmes AM contrôlés en boucle fermée peuvent analyser le processus d'impression en des capteurs. Les efforts antérieurs sont faits dans deux directions : la quantification de
temps réel sur la base des commentaires du système de surveillance en ligne et réguler les l'incertitude et l'optimisation des processus dans l'incertitude.
variables de processus à l'état souhaité [104]. Des stratégies de contrôle basées sur des Des méthodes de quantification de l'incertitude basées sur l'expérience et la simulation ont
modèles et basées sur des données ont été proposées pour le contrôle AM. En raison des été étudiées. La méthode basée sur l'expérience étudie principalement l'effet de divers
limitations inhérentes à la manipulation du laser à haute vitesse, un contrôle en boucle fermée paramètres de processus sur les propriétés telles que construites à l'aide d'expériences
à grain fin peut être difficile en raison du décalage entre l'ordre d'exécuter une action (c'està physiques. Pendant ce temps, des modèles à différentes échelles de temps et de longueur
dire, modifier la vitesse ou la puissance) et le moment où le paramètre est modifié. Une ont également été développés pour représenter la complexité impliquée dans la nature multi
stratégie de contrôle basée sur l'apprentissage par renforcement profond est proposée pour échelle, y compris la source de chaleur, la solidification, le bain de fusion, la distribution
thermique et le modèle de distorsion des pièces.
processus. La convolution de toutes ces échelles d'incertitudes appelle des algorithmes et des modèles
analytiques plus sophistiqués. De plus, à la fois l'incertitude aléatoire, causée par la variabilité
3.3. Optimisation de la conception multidisciplinaire naturelle et l'incertitude épistémique, due au manque de connaissances, se retrouvent dans
le processus AM. Ces incertitudes doivent être identifiées et étudiées séparément. Des
Les activités de prise de décision dans la FA impliquent souvent des variables de plusieurs recherches antérieures utilisent l'optimisation de conception basée sur la fiabilité (RBDO) et
domaines, notamment la conception du produit, la sélection des matériaux [105] et la l'optimisation de conception robuste (RDO) pour déterminer les paramètres de processus afin
planification des processus [13]. Cependant, le processus de conception séquentielle existant de réduire les incertitudes. Cependant, en raison de la nature du couplage entre les matériaux,
ne prend pas suffisamment en compte les couplages entre ces domaines, tels que les les processus et les structures, ces incertitudes doivent également être prises en compte
variables partagées, les contraintes associées et les objectifs contradictoires, ce qui entraîne simultanément. Ainsi, l'intégration de ces modèles de quantification des incertitudes dans le
des flux de travail de conception inefficaces et des solutions de conception sousoptimales. cadre d'optimisation de la conception multidisciplinaire est souhaitée pour tenir compte de la
Pour résoudre les problèmes cidessus, les contraintes de fabrication, par exemple les propagation des incertitudes entre différentes disciplines ou étapes séquentielles et atténuer
structures de support [106], et les propriétés des pièces telles que fabriquées, par exemple les problèmes de contrôle de la qualité.
l'anisotropie des matériaux et l'imprécision géométrique [107, 108], sont introduites dans la
conception structurelle. Cependant, ces méthodes ne peuvent toujours pas pleinement prendre
en compte les effets des couplages et réaliser une conception simultanée matériauprocessus
performance [109].
8
Machine Translated by Google
Fig. 6. (a) Conception séquentielle pour le processus de fabrication additive ; (b) Conception simultanée pour le processus de fabrication additive basée sur l'optimisation de la conception
multidisciplinaire.
3.4. IA pour AM les logiques de raisonnement des modèles d'IA sont mal comprises et restent des « boîtes
noires » pour les décideurs. Cela limite considérablement l'adoption généralisée de l'IA
L'IA est un outil puissant pour automatiser la prise de décision et résoudre des pour les applications industrielles, par exemple l'assurance qualité et la qualification des
problèmes de prise de décision de grande dimension. Bien que l'IA ait progressé pièces, dans lesquelles le processus doit avoir une interprétabilité, une traçabilité et une
rapidement, la recherche sur l'application de l'IA dans la FA reste un domaine naissant. clarté élevées. Heureusement, les progrès récents sur l'IA explicable et mécaniste [122,
Les travaux antérieurs [22, 117119] tentent d'identifier les applications potentielles qui 123] ont mis en lumière ces problèmes. Des études antérieures démontrent également
peuvent tirer parti de l'IA comme un outil puissant pour résoudre les problèmes de FA. La que les modèles incorporés avec des informations sur les processus physiques surpassent
tâche suivante consiste à étendre la capacité des algorithmes d'IA actuels à résoudre les les modèles de boîte noire purement basés sur les données [124].
problèmes dans différents scénarios de FA et environnements industriels.
4. Discussion et tendances futures
3.4.1. L'IA pour diverses applications
L'IA générale actuelle ne peut pas être appliquée directement dans des applications La section traite des tendances futures pour chaque couche du modèle de référence,
AM spécialisées car leurs exigences et leurs ressources sont distinctes. Par exemple, la respectivement, c'estàdire la conception et la fabrication intégrées, la FA cyberphysique
tâche de prédiction des relations processuspropriété sera différente pour la conception et l'IA avancée pour la FA. En outre, les matériaux et produits numériques résultant du
conceptuelle avec un processus de modélisation des dépôts fusionnés à faible coût et modèle de référence sont également élaborés. Avec la transition de la FA vers une option
pour la surveillance en ligne avec un processus PBF haut de gamme en termes de temps de production viable, la conception de la chaîne de processus de FA est également
de réponse, de niveau de fidélité et de coût. Pendant ce temps, la mise en œuvre de l'IA identifiée comme une tendance future.
doit également tenir compte des ressources existantes dans différents scénarios AM, y
compris la qualité des données, les sources de données et la disponibilité des algorithmes.
4.1. Conception et fabrication intégrées
Comme indiqué cidessus, les données AM sont souvent hétérogènes, limitées et non
structurées. De plus, certaines applications, par exemple la planification de processus, ont
Les capacités de conception et de fabrication affectent grandement la possibilité de
en effet accumulé une grande quantité de données, mais ces données historiques ne sont
développer des produits qui satisfont les besoins uniques du client à un faible coût. Le
souvent pas préparées pour les applications d'IA. De plus, il n'y a pas d'algorithme
développement de méthodologies de conception pour la personnalisation de masse, telles
approprié pour faire face à certaines représentations de données largement utilisées dans
que la conception de familles de produits et la plateforme de produits, a longtemps
la FA, par exemple, les modèles CAO et les vecteurs de balayage. Des algorithmes d'IA
devancé leurs méthodes de fabrication. Un tel décalage nécessite des processus de
spécifiques, tels que l'apprentissage profond géométrique, sont encore en cours de
fabrication flexibles. La FA, en tant que processus de fabrication flexible par défaut, peut
développement. Par exemple, des ensembles de données basés sur la combinaison de
s'intégrer de manière transparente à ces méthodes de conception pour former un système
primitives géométriques ont été créés pour entraîner un modèle de réseau de neurones à
de personnalisation de masse. Auparavant, la représentation des connaissances de
convolution UNet 3D capable de prédire la distribution des contraintes résiduelles à
conception pour le DfAM personnalisé a été développée [125]. À l'avenir, l'utilisation d'une
l'échelle d'une pièce [120] . En résumé, il est essentiel de formuler clairement le problème
approche basée sur le calcul, par exemple la conception générative, prend en charge la
de FA pour développer des solutions d'IA en tenant compte des exigences et des ressources.
réalisation de la personnalisation à des coûts abordables.
Pendant ce temps, un cadre basé sur les données qui englobe la gestion des
3.4.2. IA pour les environnements industriels
connaissances et l'optimisation simultanée de la conception du mode de réalisation et des
Les applications de l'IA pour résoudre les problèmes de FA dans les environnements
paramètres de processus est également développé [126]. De plus, la plateforme de
industriels sont rarement rapportées. L'une des principales raisons est la rareté des
produits et la méthodologie de conception de familles pour la fabrication combinée additive
données, car la plupart des machines AM commerciales ont un environnement de données
et soustractive sont à l'étude [127] pour satisfaire les objectifs contradictoires de variation
fermé dans lequel les fichiers sont cryptés. La taille des ensembles de données disponibles
des produits et de coûts de fabrication.
est souvent petite, face au risque de surajustement. Des méthodes avancées, telles que
l'apprentissage en quelques coups, ont été proposées pour utiliser les connaissances
4.2. AM cyberphysique
antérieures pour aborder ces problèmes du point de vue des données, du modèle et de
l'algorithme [121]. De plus, les applications industrielles ont souvent des exigences
L'approche basée sur la physique actuelle est à elle seule inefficace pour résoudre
rigoureuses concernant la vitesse, la consommation de mémoire et le coût de calcul des
les problèmes de FA dynamique en raison de la grande erreur de modélisation et du coût
solutions d'IA. Dans un tel environnement, l'agent d'IA doit être capable de prendre des
de calcul élevé. Pendant ce temps, les approches purement axées sur les données ne
décisions rapides pour éviter toute panne imprévue, telle qu'une panne de machine. Les
peuvent pas fournir suffisamment d'informations pour aider les ingénieurs à prendre des
algorithmes basés sur le edge, le fog et le cloud computing sont des solutions prometteuses
décisions en raison du manque de transparence et d'interprétabilité. Pour relever ces
pour répondre à ces préoccupations. De plus, la moindre transparence de l'IA dans le
défis, des approches hybrides reposant à la fois sur des méthodes basées sur la physique
processus de prise de décision crée des obstacles pour les industries critiques pour la
et sur des données sont donc proposées comme une nouvelle solution pour fournir une
sécurité, par exemple l'ingénierie aérospatiale. Les règles sousjacentes et
réponse rapide aux changements in situ et réduire les besoins en données. Processus in situ
9
Machine Translated by Google
les mesures peuvent être utilisées pour calibrer les modèles basés sur la physique. Par de pièces de qualité industrielle de haute qualité. Ces pièces, en particulier celles en métal,
exemple, l'étalonnage bayésien basé sur des données d'imagerie thermique est utilisé pour sont souvent fabriquées par de multiples opérations de posttraitement, par exemple,
mettre à jour le modèle de substitution construit sur la base d'une analyse par éléments traitement thermique, enlèvement de la structure de support et usinage fini. Les propriétés
finis [128]. La rétroaction en ligne sur les géométries d'impression additives est utilisée pour de la pièce finale dépendent des effets cumulatifs de chaque étape de la chaîne de
prédire les performances des versions d'impression sans une approche coûteuse basée processus. Ainsi, l'exploration et la planification du processus doivent être effectuées aux
sur la physique [129]. En outre, le concept de méthode basée sur les données basée sur la niveaux du système et du soussystème en tenant compte des mécanismes et des
physique [129] et l'intelligence artificielle mécaniste [123] sont proposés, qui intègrent la interactions sousjacents de chaque étape pour répondre aux exigences de conception. Par
physique et la connaissance du domaine dans les entrées, les sorties, l'architecture et la exemple, la chaîne de processus peut sélectionner un processus PBF plus rapide, par
formation du modèle d'apprentissage automatique. Par exemple, les dépendances spatio exemple en utilisant une grande distance d'éclosion et une grande vitesse de balayage, si
temporelles dans les processus AM, souvent modélisées par une simulation basée sur la un traitement thermique ultérieur peut fournir les propriétés nécessaires en réduisant les
physique, sont remplacées par un réseau neuronal de graphe, qui est plus rapide à calculer porosités des pièces telles que construites. La recherche portant sur cette question de
[130]. recherche critique en est encore à ses balbutiements. La référence [140] décrit pour la
première fois la formulation du problème de la coconception de la chaîne produitprocessus,
4.3. IA avancée pour AM jetant les bases d'études ultérieures. De plus, des outils d'optimisation de conception
multidisciplinaires, y compris la carte de la chaîne de processus, sont également proposés
Les applications actuelles de l'intelligence artificielle dans la FA sont encore à un niveau pour la résolution de problèmes.
relativement bas. En correspondant à différents types d'intelligence humaine, l'intelligence
artificielle peut être divisée en intelligence computationnelle, perceptuelle et cognitive. Les 5. Conclusions
applications de l'intelligence informatique sont signalées pour résoudre les problèmes de
conception de la FA qui nécessitent un calcul intensif, tels que la conception basée sur des L'utilisation de technologies intelligentes dans la FA et la conception pour la FA offre
modèles, la conception structurelle et l'ingénierie des matériaux computationnelle intégrée de nouvelles opportunités pour faciliter une prise de décision efficace, efficiente et
(ICME). économique dans le flux de travail de la conception au produit, renforçant les capacités des
Pendant ce temps, l'intelligence perceptuelle dans la FA fait référence à l'utilisation de processus et des innovations de produits. Cet article présente le concept d'IAMD du point
capteurs physiques et cybernétiques pour surveiller le processus de FA. Une telle de vue de sa définition, des technologies clés et des tendances futures. Les points suivants
intelligence est essentielle pour réaliser une boucle de contrôle fermée afin d'améliorer la sont soulignés dans le document.
productibilité, la répétabilité et la reproductibilité du processus. L'intelligence cognitive dans
la FA a reçu beaucoup d'attention en raison de son potentiel à gérer les connaissances
liées à la FA. Une approche basée sur l'apprentissage automatique est proposée dans (1) Dans le cheminement vers la fabrication intelligente, la FA est confrontée à plusieurs
[131] pour construire des connaissances basées sur des connaissances et des données AM antérieures. défis dans le processus de prise de décision de la FA, c'estàdire des informations
Des méthodes et des outils d'ontologie [90, 132, 133] ont été adoptés pour la gestion des limitées, de grandes incertitudes et des espaces de conception de grande
connaissances AM qui prennent en charge la structuration, le stockage et la réutilisation dimension. Ces défis devraient être résolus par l'utilisation rationnelle de machines
des connaissances de conception et de processus. Plusieurs études [71, 134] ont démontré avancées et de l'intelligence humaine.
l'utilisation d'outils d'ingénierie des connaissances pour soutenir la conception de pièces et (2) L'IAMD peut être défini au sens large comme un concept de fabrication dans le but
la planification de processus. L'algorithme d'apprentissage automatique avancé tel que de maximiser la valeur de la FA en utilisant pleinement sa liberté de conception en
l'apprentissage par renforcement [135] et l'apprentissage par transfert prennent en charge termes de matériaux, de structures et de processus grâce à des interactions avec
le raisonnement des connaissances qui est géométrique ou même traité de manière indépendante. des systèmes cyberphysiques basés à la fois sur l'homme et la machine.
intelligence. Le modèle de référence se compose de trois couches : fil numérique,
4.4. Matériaux et produits numériques système cyberphysique et service intelligent.
Le matériau numérique est un type de matériaux dont les structures méso ou (3) Quatre technologies clés dans le développement de l'IAMD sont identifiées comme
micrométriques peuvent être directement contrôlées par des processus de fabrication suit : les méthodes et outils numériques fournissent l'infrastructure pour la
numérique tels que la FA. Par rapport aux matériaux conventionnels, les propriétés des conception ; la détection et le contrôle avancés fournissent une assurance pour le
matériaux numériques peuvent être entièrement personnalisées, et cela ouvre une nouvelle processus de fabrication ; l'optimisation de la conception multidisciplinaire crée un
porte pour repousser davantage les limites de l'espace des propriétés des matériaux. Les cadre pour la coconception de produits et de processus, et les algorithmes d'IA
matériaux numériques typiques fabriqués par AM comprennent le réseau poreux [136], les pour la FA soutiennent la prise de décision par l'intelligence humaine et machine.
matériaux cellulaires et les composites à fibres continues dont les orientations peuvent
également être contrôlées numériquement via le parcours d'outil optimisé [137]. Il se (4) Les tendances futures de la FA intelligente et de la conception sont recommandées
compose également de ces composites numériques imprimés par jet de matériau (par comme suit : conception et fabrication intégrées, IA avancée pour la FA, FA cyber
exemple, Polyjet) avec plus de deux types de polymères combinés à l'échelle méso. Les physique, matériaux et produits numériques, ainsi que la chaîne de processus de
recherches existantes [81, 138, 139] ont déjà prouvé que les performances des structures conception pour la FA.
fabriquées par des matériaux numériques peuvent être encore améliorées en contrôlant
spatialement les propriétés des matériaux numériques fabriqués par le processus AM. Pour Cet article de synthèse a mis en lumière le concept d'IAMD, qui représente l'avancée
étendre davantage les applications des matériaux numériques, un processus de fabrication des idées de fabrication intelligente et de système cyberphysique vers la FA. Cependant,
additive plus avancé doit être développé qui peut combiner plusieurs métaux, métaux la mise en œuvre de ce concept nécessite encore des efforts considérables. La plupart des
céramique ou fibres métalliques à des niveaux micro ou méso. Cela peut encore élargir cas rapportés sont encore limités à des études de preuve de concept. Les travaux futurs
l'espace de conception des matériaux numériques. Deuxièmement, l'exploration de incluent des implémentations de plusieurs concepts non réalisés, en particulier ceuxci dans
matériaux numériques multiéchelles est un moyen potentiel de repousser davantage les les couches de services intelligents.
limites de l'espace de conception de matériaux. Troisièmement, un outil de conception En outre, l'intégration des valeurs fondamentales de l'industrie 5.0 [141], telles que la
numérique doit être développé pour permettre la conception et la modélisation de matériaux durabilité, l'humain et la résilience, dans l'IAMD mérite d'être étudiée.
numériques dans les outils de CAO existants centrés sur la géométrie.
dix
Machine Translated by Google
Zhou Qi : Rédaction – brouillon original, Enquête. Ma Yongsheng : Rédaction – révision & [16] RY Zhong, X. Xu, E. Klotz, ST Newman, Intelligent Manufacturing in the
Contexte de l'industrie 4.0 : un examen, Ingénierie 3 (2017) 616–630, https://doi. org/10.1016/
édition, Supervision. Rosen David W. : Rédaction – révision & édition, Supervision,
J.ENG.2017.05.015.
Acquisition de financement, Conceptualisation. [17] DW Rosen, Réflexions sur la conception pour la fabrication intelligente, Ingénierie 5 (2019) 609–
614, https://doi.org/10.1016/J.ENG.2019.07.011.
[18] TW Simpson, CB Williams, M. Hripko, Préparation de l'industrie pour la fabrication additive
Déclaration d'intérêts concurrents
et ses applications : résumé et recommandations d' un atelier de la National Science
Foundation, Addit. Fab. 13 (2017) 166–178, https://doi.org/10.1016/J.ADDMA.2016.08.002.
Les auteurs déclarent les intérêts financiers/relations personnelles suivants qui
[19] Y. Wang, Y. Lin, RY Zhong, X. Xu, Addit basé sur le cloud compatible IoT. Fab. Platf.
peuvent être considérés comme des intérêts concurrents potentiels : Yi Xiong rapporte
Prend en charge la prod. Dév. vol. 57 (2019), https://doi.org/10.1080/
que le soutien financier a été fourni par la Fondation nationale des sciences naturelles de 00207543.2018.1516905.
Chine. David Rosen rapporte que le soutien financier a été fourni par la Singapore National [20] A. Majeed, Y. Zhang, S. Ren, J. Lv, T. Peng, S. Waqar, et al., Un cadre basé sur les mégadonnées
pour la fabrication additive durable et intelligente, Robot. Calcul.
Research Foundation.
Intégr. Fab. 67 (2021), 102026, https://doi.org/10.1016/J.
RCIM.2020.102026.
[21] C. Wang, XP Tan, SB Tor, CS Lim, Apprentissage automatique en additif
fabrication : Etat de l'art et perspectives, Addit. Fab. 36 (2020), 101538, https://doi.org/
10.1016/J.ADDMA.2020.101538.
Disponibilité des données
[22] J. Qin, F. Hu, Y. Liu, P. Witherell, CCL Wang, DW Rosen, et al., Recherche et application de
l'apprentissage automatique pour la fabrication additive, Addit. Fab. 52 (2022), 102691, https://
Les données seront mises à disposition sur demande. doi.org/10.1016/j.addma.2022.102691.
[23] Y. Qin, Q. Qi, PJ Scott, X. Jiang, Statut, comparaison et avenir de la
représentations de données de fabrication additive, Comput. Aidé Des. 111 (2019) 44–64, https://
Remerciements doi.org/10.1016/J.CAD.2019.02.004.
[24] H. Fuwen, C. Jiajian, H. Yunhua, Conception interactive pour la fabrication additive : un cas créatif
d'entraînement par courroie synchrone, Int. J. Interagir. Dés. Fab. 12 (2018) 889–901, https://
XY reconnaît le programme national clé de recherche et de développement de Chine
doi.org/10.1007/S1200801704535.
[Grant No. 2021YFB1715400] et la National Natural Science Foundation of China [Grant [25] L. Haghnegahdar, SS Joshi, NB Dahotre, De l'approche de fabrication en nuage basée sur l'IdO à
No. 52105261]. DR reconnaît la Fondation nationale de recherche de Singapour [Grant la fabrication additive intelligente : l'Internet industriel des objets un aperçu, Int. J. Adv. Fab.
Technol. 119 (2022) 1461–1478, https://doi.org/10.1007/S0017002108436X/FIGURES/10 .
No. A19E10097].
[26] D. Mies, W. Marsden, S. Warde, Présentation de l'informatique de fabrication additive : "Un fil
Les références numérique.", Integr. Mater. Fab. Innov. 5 (2016) 114–142, https://doi. org/10.1186/
S4019201600507/FIGURES/17.
[1] I. Gibson, DW Rosen, B. Stucker, Technologies de fabrication additive, Rapid Prototyp. Chiffre [27] R. Bonnard, JY Hasco¨et, P. Mognol, Modèle de données pour la fabrication additive
direct. Fab. vol. 54 (2009), https://doi.org/10.1007/9781441911209 . fil numérique : état de l'art et perspectives 32 (2019) 1170–1191, https://doi. org/
10.1080/0951192X.2019.1690681. Https://DoiOrg/101080/095119 2×20191690681 .
[2] N. Aage, E. Andreassen, BS Lazarov, O. Sigmund, calcul Gigavoxel
morphogenèse pour la conception structurelle, Nature 550 (2017) 84–86, https://doi.org/ 10.1038/ [28] DB Kim, P. Witherell, Y. Lu, S. Feng, Toward a digital thread and data package for metalsadditive
nature23911. manufacturing, Smart Sustain. Fab. Syst. (2017) 1, https://doi.org/10.1520/SSMS20160003 .
[3] X. Zheng, H. Lee, TH Weisgraber, M. Shusteff, J. DeOtte, EB Duoss, et al., Ultralégers,
métamatériaux mécaniques ultrarigides, Science 344 (1979) (2014) 1373–1377, https: / / [29] R. Bonnard, JY Hasco¨et, P. Mognol, E. Zancul, AJ Alvares, Modèle Hiérarchique Orienté Objet
doi.org/10.1126/science.1252291. (HOOM) pour le fil numérique de fabrication additive, J. Manuf.
[4] Y. Wang, L. Li, D. Hofmann, JE Andrade, C. Daraio, Tissus structurés aux propriétés Syst. 50 (2019) 36–52, https://doi.org/10.1016/j.jmsy.2018.11.003.
mécaniques accordables, Nature 596 (2021) 238–243, https://doi.org/ 10.1038 / s41586 [30] V. Singh, KE Willcox, Prise de décision sous incertitude pour un fil numérique
021036987. processus de conception activé, J. Mech. Dés., trans. ASME (2021) 143, https://doi.org/
10.1115/1.4050108 .
[5] G. Liu, Y. Xiong, L. Zhou, Fabrication additive de composites polymères renforcés de fibres
continues : opportunités de conception et nouvelles applications, Compos. [31] DB Kim, P. Witherell, R. Lipman, SC Feng, Rationalisation de l'additif
Commun. 27 (2021), 100907, https://doi.org/10.1016/J.COCO.2021.100907. fabrication du spectre numérique : une approche systémique, Addit. Fab. 5 (2015) 20–30,
[6] W. Zhang, H. Wang, H. Wang, JYE Chan, H. Liu, B. Zhang, et al., Encres invisibles multicolores https://doi.org/10.1016/J.ADDMA.2014.10.004.
structurelles avec impression 4D submicronique de polymères à mémoire de forme, Nat. [32] Y. Qin, Q. Qi, PJ Scott, X. Jiang, Statut, comparaison et avenir de la
Commun. (2021) 12, https://doi.org/10.1038/S41467020203002 . représentations de données de fabrication additive, Comput. Aidé Des. 111 (2019) 44–64, https://
doi.org/10.1016/J.CAD.2019.02.004.
[7] JYE Chan, Q. Ruan, M. Jiang, H. Wang, H. Wang, W. Zhang, et al., High [33] Garanger K, Feron E, Garoche PL, Rimoli JJ, Berrigan JD, Grover M, et al.
impressions de champ lumineux de résolution par impression 3D à l'échelle nanométrique, Nat. Fondements de la fabrication additive intelligente. ArxivOrg nd
Commun. (2021) 12, https://doi.org/10.1038/S41467021239646. [34] GP Gujarathi, YS Ma, Intégration CAO/CAE paramétrique utilisant une base de données commune
[8] T. Chen, M. Pauly, PM Reis, Un métamatériau mécanique reprogrammable à mémoire stable, modèle, J. Manuf. Syst. 30 (2011) 118132, https://doi.org/10.1016/j. jmsy.2011.01.002.
Nature 589 (2021) 386–390, https://doi.org/10.1038/s41586 020031235.
[35] Nassar A., Solid ER2013 I., 2013 undefined, Un fil numérique proposé pour la fabrication
[9] S. Mahadevan, P. Nath, Z. Hu, Quantification de l'incertitude pour l'additif additive. RéférentielsLibUtexasEdu nd
Amélioration des processus de fabrication : avancées récentes, ASCEASME J. Risk Uncert [36] Lu Y., Choi S., Witherell P. Towards an integrated data schema design for additive
Engrg Sys Part B Mech. Ing. (2022) 8, https://doi.org/10.1115/1.4053184/1129174 . fabrication : Modélisation conceptuelle. Actes de la conférence technique d'ingénierie
de conception ASME 2015; 1A2015. https://doi.org/10.1115/DETC2015–47802.
[10] Z. Wang, P. Liu, Y. Xiao, X. Cui, Z. Hu, L. Chen, Une approche basée sur les données pour
l'optimisation des processus de fabrication additive métallique sous incertitude, J. Manuf. [37] R. Bonnard, JY Hasco¨et, P. Mognol, I. Stroud, STEPNC fil numérique pour
Sci. Ing. Trans. ASME (2019) 141, https://doi.org/10.1115/1.4043798/726777 . fabrication additive : modèle de données, implémentation et validation 31 (2018) 1141–1160,
https://doi.org/10.1080/0951192X.2018.1509130. Https://Do iOrg/
[11] Z. Wang, C. Jiang, P. Liu, W. Yang, Y. Zhao, MF Horstemeyer, et al., Quantification et réduction de 101080/0951192×20181509130
¨ .
l'incertitude dans la fabrication additive métallique, Npj Comput. [38] L. Wang, M. Torngren, M. Onori, État actuel et avancement des systèmes cyberphysiques
Mater. (2020) 6, https://doi.org/10.1038/s4152402000444x. dans la fabrication, J. Manuf. Syst. 37 (2015) 517–527, https://doi.org/10.1016/j.jmsy.2015.04.008 .
[12] Y. Xiong, PLT Duong, D. Wang, SI Park, Q. Ge, N. Raghavan, et al., Exploration et exploitation de
l'espace de conception basé sur les données pour la conception pour la fabrication additive, J. [39] AI Borovkov, LB Maslov, KS Ivanov, EN Kovaleva, FD Tarasenko, M.
Mech. Dés. 141 (2019) 101101–101101–12, https://doi.org/10.1115/1.4043587 . A. Zhmaylo, Amélioration de la stabilité du processus d'impression et de la précision
géométrique des pièces fabriquées par les techniques additives, IOP Conf. Ser. : Mater. Sci.
[13] Y. Xiong, Y. Tang, S. Park, DW Rosen, Exploitation des variables de processus dans la fabrication Ing. (2020) 986, https://doi.org/10.1088/1757899X/986/1/012033 .
additive pour la conception à l'aide d'éléments de fabrication, J. Mech. Dés., trans.
ASME (2020), https://doi.org/10.1115/1.4046069. [40] CG Klingaa, S. Mohanty, C. contre Funch, AB Hjermitslev, L. HaahrLillevang, J.
[14] Z. Jin, Z. Zhang, K. Demir, GX Gu, Apprentissage automatique pour la fabrication additive H. Hattel, Vers un jumeau numérique de la fusion laser sur lit de poudre avec un focus sur les
avancée, Matter 3 (2020) 1541–1556, https://doi.org/10.1016/J . variables de flux de gaz, J. Manuf. Processus. 65 (2021) 312–327, https://doi.org/10.1016/j.
MATT.2020.08.023. jmapro.2021.03.035.
[15] J. Wang, Y. Ma, L. Zhang, RX Gao, D. Wu, Deep learning for smart [41] I. Sieber, R. Thelen, U. Gengenbach, Amélioration de l'impression jet d'encre 3D haute résolution
fabrication : Méthodes et applications, J. Manuf. Syst. 48 (2018) 144–156, https://doi.org/ de surfaces optiques de forme libre à l'aide de jumeaux numériques, Micro (Bâle) 12 (2021) 1–
10.1016/j.jmsy.2018.01.003. 12, https://doi.org /10.3390/MI12010035.
[42] A. Ozen,¨ BE Abali, C. Vollmecke, ¨ J. Gerstel, D. Auhl, Exploration du rôle des paramètres de
fabrication sur la microstructure et les propriétés mécaniques en fusion
11
Machine Translated by Google
Modélisation de dépôt (FDM) à l'aide de PETG, Appl. Compos. Mater. 28 (2021) [68] S. Kang, X. Deng, R. Jin, Une approche rentable axée sur les données pour l'exploration de
17991828, https://doi.org/10.1007/s10443021099409. l'espace de conception pour la conception géométrique personnalisée dans la fabrication
[43] Y. Tang, G. Dong, Q. Zhou, YF Zhao, Conception et optimisation de structures en treillis avec additive, J. Comput. Inf. Sci. Ing. (2021) 21, https://doi.org/10.1115/1.4050984.
contraintes de fabrication additive, IEEE Trans. Autom. Sci. Ing. 15 (2018) 15461562, https:// [69] Schulz A., Xu J., Zhu BO Interactive Design Space Exploration and Optimization for CAD Models,
doi.org/10.1109/TASE.2017.2685643. 2017. https://doi.org/10.1145/3072959.3073688.
[44] L. Scime, A. Singh, V. Paquit, A scalable digital platform for the use of digital [70] Documentation OctoPrint et https://docs.octoprint.org/en/master/.
jumeaux en fabrication additive, Manuf. Lett. 31 (2022) 28–32, https://doi.org/10.1016/ [71] Y. Xiong, AG Dharmawan, Y. Tang, S. Foong, GS Soh, DW Rosen, Un cadre de
J.MFGLET.2021.05.007 . planification de processus basé sur les connaissances pour la fabrication additive à
[45] Chhetri SR, Faezi S., Canedo A., Faruque MA al. QUILT : Inférence de qualité à partir de jumeaux l'arc filaire, Adv. Ing. Informer. (2020) 45, https://doi.org/10.1016/j. aei.2020.101135.
numériques vivants dans les systèmes de fabrication compatibles avec l'IdO. IoTDI 2019 Actes
de la conception et de la mise en œuvre de l'Internet des objets 2019 2019 : 237–48. https:// [72] Materialise Streamics sd https://www.materialise.com/en/software/streamics.
doi.org/10.1145/3302505.3310085. [73] N. Divakaran, JP Das, AK PV, S. Mohanty, A. Ramadoss, SK Nayak,
[46] A. Gaikwad, R. Yavari, M. Montazeri, K. Cole, L. Bian, P. Rao, Vers le jumeau numérique de la Revue complète sur diverses techniques de fabrication additive et leur mise en œuvre dans
fabrication additive : Intégration des simulations thermiques, de la détection et de l'analyse pour les appareils électroniques, J. Manuf. Syst. 62 (2022) 477–502, https://doi.org/10.1016/
détecter les défauts de processus 52 (2020 ) 12041217, https://doi.org/ J.JMSY.2022.01.002 .
10.1080/24725854.2019.1701753 . Https://DoiOrg/101080/2472585420191701753 . [74] ID Jung, MS Lee, J. Lee, H. Sung, J. Choe, HJ Son, et al., Intégrer des capteurs utilisant la fusion
[47] Y. Liu, L. Wang, XV Wang, X. Xu, P. Jiang, Cloud manufacturing: key issues and futures laser sélective pour les pièces métalliques autocognitives, Addit. Fab. 33 (2020), 101151, https://
perspectives, Int. J. Comput. Intégr. Fab. 32 (2019) 858–874, https://doi.org/ doi.org/10.1016/J.ADDMA.2020.101151.
10.1080/0951192X.2019.1639217 . [75] R. Su, SH Park, X. Ouyang, SI Ahn, MC McAlpine, écrans à diodes électroluminescentes
[48] D. Wu, DW Rosen, L. Wang, D. Schaefer, Conception et fabrication basées sur le cloud : un organiques flexibles imprimés en 3D, Sci. Adv. 8 (2022) 8798, https://doi.org/10.1126/
nouveau paradigme dans la fabrication numérique et l'innovation de conception, CAD Comput. sciadv.abl8798 .
Des aidés. 59 (2015) 1–14, https://doi.org/10.1016/j.cad.2014.07.006. [76] N. Munasinghe, T. Romeijn, G. Paul, Placement de capteurs à base de Voxel pour les applications
[49] D. Wu, J. Lane Thames, DW Rosen, D. Schaefer, Améliorer le processus de réalisation de fabrication additive, J. Intell. Fab. (2021) 1–13, https://doi.org/10.1007/S1084502101823X/
du produit avec des systèmes de conception et de fabrication basés sur le cloud, J. FIGURES/11 .
Comput. Inf. Sci. Ing. (2013) 13, https://doi.org/10.1115/1.4025257. [77] Senvol sd http://senvol.com/.
[50] Tao F., Zhang L., Venkatesh VC, Luo Y., Cheng Y. Fabrication dans le cloud : un modèle de [78] B. Li, J. Fu, J. Feng, C. Shang, Z. Lin, Revue de la modélisation d'objets matériels hétérogènes en
fabrication informatique et orienté services. Actes de l'Institution of Mechanical Engineers, fabrication additive. Visual Computing for Industry, Biomed., Art. 3 (2020) 1–18.
Partie B: Journal of Engineering Manufacture, 2011; 225 : 1969–76. https://doi.org/
10.1177/0954405411405575. [79] XY Kou, ST Tan, Modélisation d'objets hétérogènes : Une revue, CAD Comput.
[51] A. Kusiak, Fabrication de services : Concepts et technologies de base, J. Manuf. Des aidés. 39 (2007) 284–301, https://doi.org/10.1016/j.cad.2006.12.007.
Syst. 52 (2019) 198204, https://doi.org/10.1016/j.jmsy.2019.07.002. [80] Y. Tang, YF Zhao, Conception multifonctionnelle de structures cellulaires hétérogènes, Struct.
[52] DW Rosen, Principes de base de la recherche pour la conception d'additifs Multidiscip. Optim. 58 (2018) 11211138, https://doi.org/10.1007/s0015801819569 .
fabrication, Virtual Phys. Prototype. 9 (2014) 225–232, https://doi.org/
10.1080/17452759.2014.951530 . [81] Y. Tang, Y. Xiong, S. Park, DW Rosen, Universal material template for
[53] Y. Tang, YF Zhao, Une enquête sur les méthodes de conception de la fabrication additive pour objets hétérogènes avec applications à la fabrication additive, Comput.
améliorer les performances fonctionnelles, Rapid Prototyp. J. 22 (2016) 569–590, https://doi.org/ Aidé Des. 129 (2020), 102929, https://doi.org/10.1016/j.cad.2020.102929.
10.1108/RPJ0120150011 . [82] C. Feng, J. Liang, M. Ren, G. Qiao, W. Lu, S. Liu, Une méthode rapide de remplissage de trous
[54] Y. Zhang, YF Zhao, Réseaux de neurones convolutifs clairsemés hybrides pour prédire la pour un maillage triangulaire dans la réparation additive, Appl. Sci. (Suisse. ) (2020) 10, https://
fabricabilité des défauts visuels des processus de fusion laser sur lit de poudre, J. Manuf. Syst. doi.org/10.3390/app10030969 .
62 (2022) 835–845, https://doi.org/10.1016/j.jmsy.2021.07.002. [83] Attene M., Falcidieno B. ReMESH : Un environnement interactif pour éditer et réparer des maillages
[55] Y. Zhang, S. Yang, G. Dong, YF Zhao, Système prédictif d'évaluation de la fabricabilité pour la triangulaires. Actes Conférence internationale IEEE sur la modélisation et les applications de
fusion laser sur lit de poudre basé sur un modèle d'apprentissage automatique hybride, Addit. forme 2006, SMI 2006, vol. 2006, 2006. https://doi.org/10.1109/SMI.2006.29.
Fab. 41 (2021), 101946, https://doi.org/10.1016/j. addma.2021.101946.
[84] J. Hu, L. Liu, G. Wang, Dual Laplacian morphing for triangulaire meshes, Comput.
[56] S. Yang, T. Page, Y. Zhang, YF Zhao, Vers un système automatisé d'aide à la décision pour Anima. Mondes virtuels vol. 18 (2007), https://doi.org/10.1002/cav.182.
l'identification des pièces candidates à la fabrication additive, J. Intell. [85] Cignoni P., Callieri M., Corsini M., Dellepiane M., Ganovelli F., Ranzuglia G.
Fab. 31 (2020) 19171933, https://doi.org/10.1007/s10845020015456. MeshLab : un outil de traitement de maillage open source. 6e conférence du chapitre italien
[57] L. Lawand, P. Andersson, M. Kokkolaras, Conceptionfabrication intégrée d'Eurographics 2008 Actes, 2008.
aide à la décision pour les composants fabriqués de manière additive, Int. J. Adv. Fab. [86] SC Subedi, CS Verma, K. Suresh, Une revue des méthodes pour le posttraitement géométrique
Technol. 119 (2022) 3917–3930, https://doi.org/10.1007/s00170021085902. des modèles topologiques optimisés, J. Comput. Inf. Sci. Ing. (2020) 20, https://doi.org/
[58] E. Coatan´ea, HPN Nagarajan, S. Panicker, R. Prod'hon, H. Mokhtarian, A. Chakraborti, 10.1115/1.4047429.
et al., Systematic manufacturability evaluation using dimensionless metrics and singular [87] G. Yi, NH Kim, Identification des limites des résultats d'optimisation de la topologie à l'aide de
value decomposition: a case study for additive fabrication, int. J. Adv. Fab. Technol. 115 (2021) fonctionnalités paramétriques de base, Struct. Multidiscip. Optim. (2017) 55, https://doi.org/
715–731, https://doi. org/10.1007/s00170020061580. 10.1007/s0015801615979 .
[88] Hoppe H., Derose T., Duchamp T., Halstead M., Jin H., McDonald J., et al.
[59] C. Fuchs, T. Semm, MF Zaeh, Planification de processus basée sur la décision pour les pièces Reconstruction de surface lisse par morceaux. Actes de la 21e conférence annuelle sur
fabriquées et usinées de manière additive par fil et arc, J. Manuf. Syst. 59 (2021) 180–189, l'infographie et les techniques interactives, SIGGRAPH 1994, 1994. https://doi.org/
https://doi.org/10.1016/J.JMSY.2021.01.016. 10.1145/192161.192233.
[60] Y. Wang, RY Zhong, X. Xu, Un système d'aide à la décision pour la sélection de processus de [89] T. Du, JP Inala, Y. Pu, A. Spielberg, A. Schulz, D. Rus, et al., InverseCSG :
fabrication additive utilisant une méthode de prise de décision hybride à critères multiples, Rapid Conversion automatique des modèles 3D en arbres CSG, SIGGRAPH Asia 2018 Tech.
Prototyp. J. 24 (2018) 15441553, https://doi.org/10.1108/RPJ0120180002. Pap., SIGGRAPH Asie (2018) 2018, https://doi.org/10.1145/3272127.3275006.
[61] N. Kretzschmar, IF Students, J. Partanen, A decision support system for the [90] TJ Hagedorn, S. Krishnamurty, IR Grosse, A KnowledgeBased Method for
validation d'applications de fabrication additive à base de poudres métalliques, Int. J Conception innovante pour la fabrication additive soutenue par des ontologies modulaires, J.
Adv. Fab. Technol. 96 (2018) 3679–3690, https://doi.org/10.1007/s0017001816768 . Comput. Inf. Sci. Ing. 18 (2018), 021009, https://doi.org/10.1115/1.4039455.
[91] Automated KnowledgeBased Design for Additive Manufacturing: A Case Study with Flow
[62] W. Liu, Z. Zhu, S. Ye, Une méthodologie de prise de décision intégrée dans la Manifolds nd https://onlinelibrary.wiley.com/doi/epdf/10.1002/cite.202100209?src=getftr
conception pour la sélection de procédés de fabrication additive, Rapid Prototyp. J. 26 (2020) (consulté le 18 août 2022).
895909, https://doi.org/10.1108/RPJ0620190174. [92] M. Dinar, DW Rosen, Une conception pour l'ontologie de fabrication additive, J. Comput.
[63] SL Chan, Y. Lu, Y. Wang, Estimation des coûts basée sur les données pour la fabrication additive Inf. Sci. Ing. 17 (2016), 021013, https://doi.org/10.1115/DETC201660196.
dans la cyberfabrication, J. Manuf. Syst. 46 (2018) 115–126, https://doi.org/10.1016/ [93] N. Hertlein, PR Buskohl, A. Gillman, K. Vemaganti, S. Anand, Generative
j.jmsy.2017.12.001 . réseau contradictoire pour la flexibilité de conception à un stade précoce dans l'optimisation de
[64] Y. Oh, M. Sharp, T. Sprock, S. Kwon, Estimation du temps de construction basée sur le réseau de la topologie pour la fabrication additive, J. Manuf. Syst. 59 (2021) 675–685, https://doi.org/
neurones pour la fabrication additive : comparaison des performances, J. Comput. Dés. Ing. 8 10.1016/j.jmsy.2021.04.007 .
(2021) 12431256, https://doi.org/10.1093/jcde/qwab044. [94] M. Grasso, A. Remani, A. Dickins, BM Colosimo, RK Leach, In situ
[65] Z. Nie, S. Jung, LB Kara, KS Whitefoot, Optimisation de la consolidation des pièces pour des coûts méthodes de mesure et de surveillance pour la fusion sur lit de poudre métallique : une revue
et des temps de production minimaux grâce à la fabrication additive, J. Mech. Dés., trans. ASME mise à jour, Meas. Sci. Technol. 32 (2021), 112001, https://doi.org/10.1088/13616501/ac0b6b .
142 (2020) 1–14, https://doi.org/10.1115/1.4045106.
[66] W. Pan, S. Wang, X. Zhang, WF Lu, Y. Wang, H. Jiang, A kinematicsaware [95] S. Clijsters, T. Craeghs, S. Buls, K. Kempen, JP Kruth, Contrôle de la qualité in situ du processus
approche de décomposition pour les pièces CAO complexes en fabrication additive, Addit. de fusion sélective au laser à l'aide d'un système de surveillance du bain de fusion à grande
Fab. 50 (2022), 102493, https://doi.org/10.1016/j.addma.2021.102493. vitesse et en temps réel, Int. J. Adv. Fab. Technol. 5 (75) (2014) 10891101, https://doi.org/
[67] Y. Oh, H. Ko, T. Sprock, WZ Bernstein, S. Kwon, Part decomposition and 10.1007/S0017001462148.
évaluation basée sur les directives de conception standard pour la fabricabilité et l'assemblage [96] B. Yuan, GM Guss, AC Wilson, SP HauRiege, PJ DePond, S. McMains, et al., Surveillance basée
des additifs, Addit. Fab. 37 (2021), 101702, https://doi.org/10.1016/j. addma.2020.101702. sur l'apprentissage automatique de la fusion du lit de poudre laser, Adv. Mater.
Technol. (2018) 3, https://doi.org/10.1002/admt.201800136.
12
Machine Translated by Google
[97] J. Li, Q. Zhou, X. Huang, M. Li, L. Cao, Inspection de la qualité in situ avec des images visuelles par [120] G. Dong, JC Wong, L. Lestandi, J. Mikula, G. Vastola, MH Jhon, et al., Un modèle de substitution
couches basées sur l'apprentissage par transfert en profondeur lors de la fusion laser sélective, basé sur les caractéristiques à l'échelle des pièces pour les contraintes résiduelles dans le
J. Intell. Fab. (2021), https://doi.org/10.1007/s10845021018295. processus de fusion sur lit de poudre au laser, J .Mère. Processus. Technol. 304 (2022), 117541,
[98] SP Donegan, EJ Schwalbach, MA Groeber, Enregistrement multimodal et fusion de données de https://doi.org/10.1016/j.jmatprotec.2022.117541 .
fabrication additive métallique in situ et ex situ, Jom 73 (2021) 3250–3262, https://doi.org/10.1007/ [121] Y. Wang, Q. Yao, JT Kwok, LM Ni, Généralisation à partir de quelques exemples : une enquête sur
s11837021 048839. l'apprentissage en quelques coups, ACM Comput. Surv. (2020) 53, https://doi.org/10.1145/3386252 .
[99] SC Feng, Y. Lu, AT Jones, Z. Yang, Enregistrement des données géométriques de fabrication
additive in situ et ex situ, J. Comput. Inf. Sci. Ing. (2022) 1–13, https://doi. org/10.1115/1.4054202. [122] A. Barredo Arrieta, N. DíazRodríguez, J. del Ser, A. Bennetot, S. Tabik,
A. Barbado, et al., Intelligence artificielle explicable (XAI) : Concepts, taxonomies, opportunités et
[100] A. Petsiuk, JM Pearce, Vers une AM surveillée intelligente : détection d'anomalies d'image défis vers une IA responsable, Inf. Fusion (2020) 58, https://doi.org/10.1016/j.inffus.2019.12.012.
d'impression 3D in situ open source à l'aide d'histogrammes de gradients orientés et d'un moteur
de rendu basé sur la physique, Addit. Fab. 52 (2022), 102690, https://doi.org/10.1016/ [123] M. Mozaffar, S. Liao, X. Xie, S. Saha, C. Park, J. Cao, et al., Intelligence artificielle mécaniste (IA
J.ADDMA.2022.102690 . mécaniste) pour la modélisation, la conception et le contrôle des processus de fabrication
[101] M. Moretti, N. Senin, Surveillance en cours du gauchissement des pièces dans la fabrication de avancés : Etat des lieux et perspectives, J. Mater. Processus.
filaments fondus par l'analyse de la force répulsive agissant sur l'extrudeuse, Addit. Fab. 49 Technol. 302 (2022), 117485, https://doi.org/10.1016/J.
(2022), 102505, https://doi.org/10.1016/J. JMATPROTEC.2021.117485.
ADDMA.2021.102505. [124] A. Gaikwad, B. Giera, GM Guss, JB Forien, MJ Matthews, P. Rao,
[102] Q. Wang, P. Michaleris, (Pan), AR Nassar, JE Irwin, Y. Ren, CB Stutzman, Contrôle prédictif Détection hétérogène et apprentissage automatique scientifique pour l'assurance qualité dans
basé sur un modèle de la fabrication additive par fusion sur lit de poudre laser, Addit. Fab. 31 la fusion laser sur lit de poudre Une étude à piste unique, Addit. Fab. (2020) 36, https://doi.org/
(2020), 100985, https://doi.org/10.1016/J. 10.1016/j.addma.2020.101659 .
ADDMA.2019.100985. [125] H. Ko, SK Moon, J. Hwang, Design for additive manufacturing in custom products, Int. J. Précis.
[103] JE Irwin, Q. Wang, P. Michaleris, (Pan), AR Nassar, Y. Ren, CB Stutzman, Techniques itératives Ing. Fab. 16 (2015) 2369–2375, https://doi.org/10.1007/s1254101503059 .
basées sur la simulation pour le contrôle de la fabrication additive par fusion sur lit de poudre
laser, Addit. Fab. 46 (2021), 102078, https://doi.org/10.1016/J.ADDMA.2021.102078 . [126] Y. Zhang, SK Moon, Stratégie de conception basée sur les données dans la fabrication de filaments
fusionnés : statut et opportunités, J. Comput. Dés. Ing. 8 (2021) 489509, https://doi. org/10.1093/
[104] M. v Johnson, K. Garanger, JO Hardin, JD Berrigan, E. Feron, SR Kalidindi, Un outil d'intelligence jcde/qwaa094.
artificielle généralisable pour l'identification et la correction des structures autoportantes dans les [127] M. Moussa, H. ElMaraghy, Conception de platesformes multiples et planification de processus de
processus de fabrication additive, Addit. Fab. 46 (2021), 102191, https://doi.org/10.1016/ famille de produits pour la fabrication combinée additive et soustractive, J. Manuf. Syst. 61 (2021)
j.addma.2021.102191. 509–529, https://doi.org/10.1016/J.JMSY.2021.09.019.
[105] S. Xu, J. Liu, B. Zou, Q. Li, Y. Ma, Topologie multimatériaux contrainte par contraintes [128] J. Li, R. Jin, HZ Yu, Intégration d'approches basées sur la physique et basées sur les données pour
optimisation avec la méthode SIMP ordonnée, Comput. Méthodes Appl. Méca. Ing. 373 (2021), la prédiction du champ thermique dans la fabrication additive, Mater. Dés. 139 (2018) 473–485,
113453, https://doi.org/10.1016/J.CMA.2020.113453. https://doi.org/10.1016/j.matdes.2017.11.028.
[106] M. Zhou, Y. Lu, Y. Liu, Z. Lin, Optimisation simultanée de la topologie des coques avec des [129] S. Guo, M. Agarwal, C. Cooper, Q. Tian, RX Gao, WG Guo, et al., Apprentissage automatique
remplissages autoportants pour la fabrication additive, Comput. Méthodes Appl. Méca. pour la fabrication additive métallique : vers un paradigme basé sur les données basé sur la
Ing. 390 (2022), 114430, https://doi.org/10.1016/J.CMA.2021.114430. physique, J. Manuf. Syst. 62 (2022) 145163, https://doi.org/10.1016/J.
[107] S. Li, S. Yuan, J. Zhu, C. Wang, J. Li, W. Zhang, Optimisation de la conception basée sur la JMSY.2021.11.003.
fabrication additive : direction du bâtiment et topologie structurelle, Addit. Fab. 36 (2020), 101406, [130] M. Mozaffar, S. Liao, H. Lin, K. Ehmann, J. Cao, Modélisation thermique basée sur les données
https://doi.org/10.1016/J.ADDMA.2020.101406. indépendante de la géométrie des processus de fabrication additive à l'aide de réseaux de
[108] S. Li, S. Yuan, J. Zhu, W. Zhang, H. Zhang, J. Li, Topologie multidisciplinaire neurones graphiques, Addit. Fab. 48 (2021), 102449, https://doi.org/10.1016/J.
optimisation intégrant la relation processusstructurepropriétéperformance de la fabrication ADDMA.2021.102449.
additive, Struct. Multidiscip. Optim. 63 (2021) 21412157, https://doi.org/10.1007/ [131] H. Ko, P. Witherell, Y. Lu, S. Kim, DW Rosen, Apprentissage automatique et construction de règles
S00158021028569/FIGURES/16. de conception basées sur des graphes de connaissances pour la fabrication additive, Addit. Fab.
[109] D. Gu, X. Shi, R. Poprawe, DL Bourell, R. Setchi, J. Zhu, Matériaustructure 37 (2021), 101620, https://doi.org/10.1016/J.ADDMA.2020.101620.
fabrication additive lasermétal intégrée de performance, Science 2021 (1979) 372, https://doi.org/ [132] S. Kim, DW Rosen, P. Witherell, H. Ko, Une conception pour une ontologie de fabrication additive
10.1126/SCIENCE.ABG1487/ASSET/A9D8D4ADC761 438584771D5821D6F042/ASSETS/ pour soutenir l'analyse de la manufacturabilité, J. Comput. Inf. Sci. Ing. 19 (2019) 1–10, https://
GRAPHIC/372_ABG1487_FA.JPEG. doi.org/10.1115/1.4043531.
[110] JRRA Martins, AB Lambe, Optimisation de la conception multidisciplinaire : Une enquête sur les [133] EM Sanfilippo, F. Belkadi, A. Bernard, Représentation des connaissances basée sur l'ontologie pour
architectures, AIAA J. 51 (2013) 2049–2075, https://doi.org/10.2514/1. j051895. la fabrication additive, Comput. Ind. 109 (2019) 182–194, https://doi.org/10.1016/
j.compind.2019.03.006 .
[111] G. Liu, Y. Xiong, DW Rosen, Optimisation de la conception multidisciplinaire dans la conception pour [134] D. Ding, F. He, L. Yuan, Z. Pan, L. Wang, M. Ros, Le premier pas vers la fabrication additive
la fabrication additive, J. Comput. Dés. Ing. 9 (2022) 128–143, https://doi.org/10.1093/jcde/ intelligente à l'arc filaire : un système de modélisation automatique des billes utilisant
qwab073 . l'apprentissage automatique par l'intégration d'informations industrielles, J. Ind. Inf. Intégr. 23
[112] Y. Wang, P. Zheng, T. Peng, HY Yang, J. Zou, Fabrication additive intelligente : (2021), 100218, https://doi.org/10.1016/J.JII.2021.100218.
Méthodes actuelles basées sur l'intelligence artificielle et perspectives futures, Sci. Chine Technol. [135] Dharmawan AG, Xiong Y., Foong S., Song Soh G. Un cadre d'apprentissage et de correction de
Sci. 63 (2020), 1600–11. renforcement basé sur un modèle pour le contrôle de processus de la fabrication additive à arc
[113] P. Pandita, S. Ghosh, VK Gupta, A. Meshkov, L. Wang, Application de l'apprentissage par filaire robotique. Actes Conférence internationale IEEE sur la robotique et l'automatisation, 2020,
transfert en profondeur et de la quantification des incertitudes pour l'identification des processus p. 4030–6. https://doi.org/10.1109/ICRA40945.2020.9197222.
dans la fusion sur lit de poudre, ASCEASME J. Risk Uncertain. Ing. Syst., Partie B : Mech. Ing.
(2022) 8, https://doi.org/10.1115/1.4051748. [136] S. Xu, J. Liu, J. Huang, B. Zou, Y. Ma, Optimisation de la topologie multiéchelle avec des couches
[114] M. Cheng, P. Jiang, J. Hu, L. Shu, Q. Zhou, Une méthode de modélisation de substitution multi de coque et d'interface pour la fabrication additive, Addit. Fab. (2021) 37, https://doi.org/10.1016/
fidélité basée sur une somme pondérée par la variance pour la fusion de plusieurs données non j.addma.2020.101698 .
hiérarchiques basse fidélité, Struct. Multidiscip. Optim. (2021) 64, https://doi. org/10.1007/ [137] Y. Wang, G. Zhang, H. Ren, G. Liu, Y. Xiong, Stratégie de fabrication pour les joints dans des
s00158021030552. structures en treillis composites renforcées de fibres continues imprimées en 3D, Compos.
[115] X. Huang, T. Xie, Z. Wang, L. Chen, Q. Zhou, Z. Hu, Une approche de réseau de neurones à Commun. 30 (2022), 101080, https://doi.org/10.1016/j.coco.2022.101080.
nuage de points multifidélité basée sur l'apprentissage par transfert pour la modélisation du [138] N. Boddeti, Y. Tang, K. Maute, DW Rosen, ML Dunn, Conception et fabrication optimales de
bain de fusion dans la fabrication additive, ASCE ASME J. Risque incertain. Ing. Syst., Partie B : Mech. composites renforcés de fibres continues stratifiées à rigidité variable, Sci. Rep. 10 (2020)
Ing. (2022) 8, https://doi.org/10.1115/1.4051749. 1–15, https://doi.org/10.1038/s41598020733334 .
[116] Z. Hu, S. Mahadevan, Quantification et gestion des incertitudes dans la fabrication additive :
situation actuelle, besoins et opportunités, Int. J. Adv. Fab. [139] IF Ituarte, N. Boddeti, V. Hassani, ML Dunn, DW Rosen, Conception et fabrication additive de
Technol. 93 (2017) 2855–2874, https://doi.org/10.1007/s0017001707035. structures fonctionnellement graduées à base de matériaux numériques, Addit.
[117] L. Meng, B. McWilliams, W. Jarosinski, HY Park, YG Jung, J. Lee, et al., Machine learning in Fab. 30 (2019), 100839, https://doi.org/10.1016/J.ADDMA.2019.100839.
additive manufacturing: a review, Jom 72 (2020) 2363–2377, https: / /doi.org/10.1007/ [140] Rosen DW Design pour la chaîne de processus de fabrication additive. Actes du 32e Symposium
s1183702004155y. international annuel sur la fabrication de formes libres solides, Austin, TX : 2021, p. 53–61.
[118] GD Goh, SL Sing, WY Yeong, Une revue sur l'apprentissage automatique dans l'impression 3D :
applications, potentiel et défis, Artif. Renseignement. Rév. 54 (2021) 63–94, https://doi.org/ [141] X. Xu, Y. Lu, B. VogelHeuser, L. Wang, Industrie 4.0 et Industrie 5.0 Inception, conception et
10.1007/s10462020098769. perception, J. Manuf. Syst. 61 (2021) 530–535, https://doi.org/10.1016/J.JMSY.2021.10.006 .
[119] C. Wang, XP Tan, SB Tor, CS Lim, Apprentissage automatique en additif
fabrication : Etat de l'art et perspectives, Addit. Fab. (2020) 36, https://doi.org/10.1016/
j.addma.2020.101538.
13