Machine Translated by Google

Fabrication additive 59 (2022) 103139

Listes de contenus disponibles sur ScienceDirect

La fabrication additive
page d'accueil de la revue : www.elsevier.com/locate/addma

Fabrication et conception additives intelligentes : état de l'art et

perspectives d'avenir
Yi Xiong un,*
, Yunlong Tang b,c,**, Qi Zhou d , Yongsheng Ma C'est

, David W. Rosen f,g

un
École de conception de systèmes et de fabrication intelligente, Université des sciences et technologies du Sud, Shenzhen 518055, Chine
b
Département de génie mécanique et aérospatial, Université Monash, Melbourne 3168, Australie
c
Département de science et d'ingénierie des matériaux, Université Monash, Melbourne 3168, Australie
d
École d'ingénierie aérospatiale, Université des sciences et technologies de Huazhong, Wuhan 430074, Chine
C'est

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

INFORMATIONS SUR L'ARTICLE ABSTRAIT

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
La fabrication additive (FA) est une technologie émergente qui crée des pièces
tridimensionnelles (3D) complexes grâce à un ajout de matière par couche. Contrairement
aux pratiques actuelles de fabrication soustractive et de formage, la fabrication additive
ne nécessite pas de gabarits, de montages ou d'outils spécifiques et a donc un flux de
travail plus simple et une plus grande flexibilité. En raison de sa capacité exceptionnelle
à créer des pièces avec des conceptions complexes, multi­matériaux et des fonctions
intégrées, la FA a été progressivement adoptée pour des applications dans les industries
automobile, aérospatiale et biomédicale [1]. Avec moins de contraintes de fabrication,
la FA permet la réalisation de structures avancées qui seraient autrement inaccessibles.
Des exemples de ces structures comprennent les structures topologiques [2], cellulaires
[3] et en cotte de mailles [4] , qui sont légères, solides et concevables. L'optimisation
structurelle basée sur des méthodes de calcul est considérablement avancée pour tirer
parti de la liberté de conception apportée par la FA pour améliorer les performances de
ces structures. Parallèlement, l'avènement de la FA multi­matériaux
permet de développer des structures aux propriétés sur mesure, par exemple des
matériaux fonctionnellement gradués et hétérogènes. De plus, la FA ouvre également
la voie au développement de dispositifs tout­en­un avec une intelligence intégrée, par
exemple, la détection, le contrôle et l'actionnement, et avec des fonctionnalités intégrées
[5], par exemple, des fonctions mécaniques, électriques et thermiques. Plus important
encore, la FA sert également de base au développement d'autres technologies
perturbatrices, telles que les couleurs structurelles [6,7] et les métamatériaux [8].
Cependant, la prise de décision pour la FA et sa conception n'est pas triviale en
raison d'informations limitées, de grandes incertitudes et d'espaces de conception de
grande dimension. Ces défis sont inhérents à la FA et limitent l'adoption plus large de
la FA pour les applications industrielles. Premièrement, en raison de la nature en
couches de la FA, les mécanismes sous­jacents à divers phénomènes dans la FA,
traversant plusieurs échelles et impliquant plusieurs physiques, ne sont toujours pas
bien compris et caractérisés. Ces relations hautement couplées et non linéaires font
qu'il est extrêmement difficile pour les ingénieurs de prendre des décisions optimales
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
Y. Xiong et al.
diverses incertitudes [9–11], par exemple la fluctuation des conditions aux limites
thermiques pendant l'impression. Ces incertitudes élevées entravent considérablement
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
avec la FA est très difficile, même pour les concepteurs expérimentés [12, 13]. Le retard
des méthodes et des outils de conception par rapport à l'avènement de la technologie de
fabrication a compromis la pleine utilisation des capacités uniques de la fabrication additive
pour l'innovation et la production de produits.
S'appuyer uniquement sur l'intelligence humaine n'est pas suffisant pour résoudre les
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
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 conception simultanée de matériaux, de structures et de processus, en renforçant
finalement les capacités des processus de FA et en facilitant l'innovation et la production
de produits connexes [14,15] .
De plus, la FA est enracinée dans les technologies assistées par ordinateur, c'est­à­
dire la conception, l'ingénierie et la fabrication assistées par ordinateur (CAO, CAE et
FAO), et est définie comme le processus d'assemblage de matériaux pour créer des objets
à partir de données de modèles 3D. Ainsi, la FA est connue comme un processus de
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
environnement numérique. Ces avantages apparents font de la FA un candidat idéal pour
réaliser la fabrication intelligente, qui est un concept plus large de fabrication qui vise à
optimiser la production et les produits en tirant pleinement parti des technologies avancées
de l'information et de la fabrication [16,17].
Dans le contexte ci­dessus, la recherche sur la fabrication et la conception additives
intelligentes (IAMD) a deux tâches principales pour améliorer le processus décisionnel
actuel. Le premier objectif est d'améliorer le niveau d'automatisation de la FA et de la
conception. Bien que les outils de conception informatique deviennent largement
disponibles, la plupart des variables de conception dans la FA sont toujours déterminées
à l'aide de méthodes d'essais et d'erreurs ou de règles empiriques. Pendant ce temps, les
connaissances AM accumulées, en particulier les connaissances de conception, ne
peuvent pas être directement et facilement transférées aux ingénieurs novices [18]. Le
deuxième objectif est d'intégrer les processus de prise de décision pour la conception et
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
des piècesréel
telles que performance
fabriquées. Une
est approche
souhaitée.de conception intégrée matériau­structure­
Ces dernières années ont été témoins d'un regain d'intérêt pour ce domaine de
recherche émergent allant de la conception AM intelligente, des équipements, des produits
et des services. Des efforts considérables ont été déployés pour explorer la faisabilité de
l'utilisation des technologies de l'information émergentes, telles que le cloud computing
[19], l'analyse de données [20] et l'intelligence artificielle (IA) [21, 22] pour résoudre des
problèmes spécifiques de FA. Pendant ce temps, des initiatives pour la FA intelligente,
également connue sous le nom de FA intelligente, ont été faites dans les références [23­25].
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
futur.
Cet article vise à organiser les connaissances connexes entourant l'IAMD, à définir ce
concept émergent avec un modèle de référence à trois couches et à présenter l'état de
l'art et les perspectives futures aux chercheurs.
Cependant, il convient de noter que cet article ne traite pas d'applications et d'algorithmes
spécifiques en raison de contraintes de longueur. Les lecteurs peuvent se référer à
plusieurs excellentes critiques sur ces sujets pour plus de détails. Contrairement à la
littérature existante, l'apport principal de ce travail est triple.
Premièrement, un modèle de référence à trois couches est proposé pour étendre l'étude
actuelle sur le fil numérique et le système cyber­physique vers des services intelligents,
facilitant la prise de décision au sein de la FA. Ce modèle sert de colonne vertébrale pour
relier les sujets existants et émergents dans l'IAMD. De plus, l'étude examine l'utilisation
conjointe de plusieurs technologies clés pour la mise en œuvre du modèle de référence à
trois couches. L'optimisation multidisciplinaire de la conception, en tant que technologie
clé pour lier la conception et la fabrication, est discutée pour la première fois. Enfin, le
document évoque également l'avenir
2
Fabrication additive 59 (2022) 103139
direction de l'IAMD, telles que la conception de la chaîne de processus de FA, qui ont le
potentiel d'ouvrir une nouvelle voie pour une exploration plus approfondie.
le flux de travail de la conception au produit de la FA se heurte à des défis scientifiques et
techniques à chaque phase. Le reste de cet article est structuré comme suit. La définition
de l'IAMD et son modèle de référence à trois couches sont présentés dans la section 2. La
section 3 identifie les principaux défis et leurs solutions potentielles pour l'IAMD. Les
perspectives futures sont décrites dans la section 4. Enfin, des conclusions sont tirées
dans la section 5.
2. Système de fabrication et de conception additive intelligent
La fabrication et la conception additives intelligentes peuvent être définies au sens
large comme un concept de fabrication dans le but de maximiser la valeur de la FA en
utilisant pleinement sa liberté de conception en termes de matériaux, de structures et de
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
technologies AM ont subi un changement radical vers une direction plus automatisée,
intégrée et orientée services. Cette sous­section traite des détails de cette tendance à
travers un modèle de référence à trois couches pour les systèmes de conception et de FA
intelligents, comme illustré à la Fig. 2.
Le modèle de référence englobe les couches de service numériques, cyber­physiques
et intelligentes. La couche de fil numérique est au cœur du modèle et relie toutes les
étapes de la FA, par exemple la conception, la fabrication, l'exploitation et le service, avec
une dorsale appelée fil numérique. Le fil numérique collecte tous les types de données de
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.
Le système cyber­physique (CPS) reflète les relations processus­structure­propriété au
sein du processus de fabrication. Ici, le CPS ne se limite pas à un seul sujet mais peut être
n'importe quel équipement, produit et même matériel AM.
La couche la plus externe du modèle est la couche de service intelligent, qui comprend la
conception AM intelligente, l'équipement, le produit et le service. Certains concepts de la
boucle externe sont encore en cours de développement. Ainsi, la couche de service AM
intelligente est moins mature que les deux autres boucles en ce qui concerne le niveau de
préparation technologique tout en représentant les orientations futures de l'IAMD.
Les trois couches ci­dessus fonctionnent ensemble de la manière suivante : les
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
bout en bout entièrement automatisé, qui intègre différents systèmes de conception
logicielle, matériel de fabrication et systèmes d'exécution de fabrication.
Les systèmes cyber­physiques situés dans la couche intermédiaire mettent constamment
à jour leurs valeurs d'état en lisant les capteurs virtuels et physiques via le fil numérique.
Pendant ce temps, la couche externe crée des services de fabrication et de conception
basés sur les ressources fournies par le CPS pour fournir des produits AM intelligents et
des services associés.
2.1. Couche de fil numérique
La fabrication additive est un processus de fabrication gourmand en données qui
génère des données considérables tout au long de son cycle de vie sur les géométries
des pièces, les matériaux, les processus, la caractérisation, la qualification des pièces et
le fonctionnement. Les données contiennent des informations précieuses et sont très
prometteuses pour permettre aux applications basées sur les données d'améliorer le
processus de fabrication et les performances des produits. Ainsi, le concept d'un fil
numérique spécifique à la FA est proposé pour collecter toutes ces données de la
conception au produit et créer un écosystème de données qui permet la génération, le
stockage, l'analyse et le partage faciles et sécurisés des données, comme le montre la
Fig . 3. Plusieurs travaux antérieurs ont étudié le cadre de travail, le modèle de données et
la mise en œuvre du fil numérique [26–29]. Un tel fil numérique est à la base du système IAMD pour les
Premièrement, le fil numérique relie les étapes de conception et de fabrication, permettant
aux concepteurs de prendre une décision plus éclairée [30] à des étapes de conception
antérieures avec des informations post­conception, par exemple, les incertitudes de
fabrication, disponibles. De plus, le fil numérique fournit
Machine Translated by Google

Y. Xiong et al. Fabrication additive 59 (2022) 103139

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.

2.2.1. Modèle numérique

Les données AM au sein d'un tel fil numérique possèdent des caractéristiques typiques des
Le modèle numérique est une catégorie de CPS qui est généralement développée sur la
mégadonnées : volume, variété et vitesse (3 V). Plus précisément, la nature des couches signifie
que le modèle de données doit stocker des informations à travers base de données historiques collectées à partir de la couche cyber­physique. Le service du
modèle numérique n'est généralement pas lié au contrôle direct de ses objets ou processus
plusieurs échelles, par exemple, vecteur de balayage, couches et pièces solides, ce qui entraîne
physiques correspondants. Cependant, il peut affecter indirectement son objet physique ou son
un grand volume de données. Pendant ce temps, comme indiqué ci­dessus, diverses données
processus. Par exemple, un modèle numérique peut être établi pour optimiser l'orientation
sont collectées à partir de systèmes cyber­physiques [38]. De plus, la FA étant un processus de
d'impression de pièces de géométries différentes [39]. Pour construire ce modèle, seules les
fabrication hautement dynamique, de nombreux phénomènes critiques nécessitent
données historiques qui incluent

3
Machine Translated by Google

Y. Xiong et al. Fabrication additive 59 (2022) 103139

Fig. 2. Un modèle à trois couches pour les systèmes de conception et de fabrication additive intelligents.

Fig. 3. Le fil conducteur numérique de la fabrication additive.

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

de ses objets physiques correspondants ou

4
Machine Translated by Google
Y. Xiong et al.
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
Shadow est la surveillance des processus et la qualification des pièces. Par exemple,
Scime et al. [44] a proposé un cadre de relais d'intelligence augmentée pour construire
une ombre numérique pour la qualification des pièces fabriquées par le procédé PBF ;
dans ce modèle, les données d'image de processus surveillées en temps réel sont
utilisées pour la surveillance ou la qualification du processus.
Les données en temps réel collectées à partir de différents types de capteurs peuvent
être intégrées à plusieurs modèles d'IA pour prédire les propriétés de traction localisées,
qui peuvent être utilisées pour la qualification des pièces fabriquées.
Par rapport au modèle numérique, l'ombre numérique est généralement utilisée pour les
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
[45], l'ombre numérique de la FA peut également être directement utilisée pour la
détection des pannes [46] et la maintenance prédictive des machines.
2.2.3. Jumeau
numérique Par rapport au modèle numérique et à l'ombre numérique, la particularité
du jumeau numérique est que ce type de modèle jumeau permet l'interaction directe
entre les objets physiques et numériques sans intervention humaine. Comparé à ses
deux frères et sœurs, le service auquel le jumeau numérique a joué a généralement un
niveau d'automatisation plus élevé. Il peut être considéré comme un système nerveux
ajouté aux objets ou processus physiques existants. Le service le plus connu impliqué
par le modèle de jumeau numérique est le contrôle de processus adaptatif du processus
AM. Ce type de jumeau numérique est généralement construit sur la base de données
historiques, tandis que des données en temps réel seront utilisées comme entrée. Le
modèle jumeau effectue l'action correcte pour le futur processus de fabrication en fonction
des conditions de processus en temps réel. En général, la planification de processus
adaptative est similaire à la commande de boucle de rétroaction conventionnelle dans le
système de commande de mouvement. Cependant, le modèle de jumeau numérique
offre plus de flexibilité au contrôleur, qui peut même impliquer l'ensemble du système de
fabrication. Par exemple, le modèle de jumeau numérique peut être utilisé pour la mise
en service virtuelle et dynamiquement
Fig. 5. Le concept de fabrication additive intelligente et de service de conception.
5
Fabrication additive 59 (2022) 103139
planifier différentes ressources de fabrication AM. À l'avenir, le jumeau numérique d'un
produit pourra être construit, prenant même en charge l'optimisation et la conception
automatisées de pièces basées sur des machines de fabrication sélectionnées sans
intervention humaine. Même si le modèle de jumeau numérique présente des
fonctionnalités prometteuses et un haut niveau d'automatisation, il implique généralement
des coûts de mise en œuvre élevés. Ainsi, les parties prenantes sont toujours invitées à
sélectionner les types de modèles de jumeaux numériques appropriés pour le service
dont elles ont besoin.
2.3. Couche de service AM intelligente
Comme indiqué, l'objectif principal du développement du système AM cyber­
physique basé sur le jumeau numérique ci­dessus est de mieux soutenir l'intelligence
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
partie prenante au sein de l'écosystème AM peut être traitée soit comme un fournisseur
de services, soit comme un consommateur. Ici, la FA, comme d'autres technologies de
fabrication, subit une transformation naturelle de la fabrication en tant que service (MaaS)
[47–51] pour stimuler les capacités de conception et de production.
Cette sous­section traite brièvement de l'impact d'un tel changement de paradigme du
point de vue de l'IAMD.
Comme le montre la Fig. 5, les services du flux de travail AM comprennent a) les
services IAMD et b) les produits et services AM intelligents. Le premier groupe de services
peut être considéré comme des ressources utilisées pour créer le deuxième groupe de
produits et services. Les deux types de services sont contrôlés par l'intelligence humaine
machine. Un tel modèle de service de l'IAMD présente plusieurs caractéristiques uniques.
Premièrement, une intelligence hybride est utilisée dans la prise de décision pour
combiner l'intelligence humaine et machine pour obtenir de meilleurs résultats que de se
fier uniquement à chaque intelligence. De plus, plus de transparence et d'accessibilité
sur la conception et la fabrication sont fournies au décideur, y compris aux clients, pour
encourager la co­création de valeur. Une telle caractéristique est souhaitée pour tous
Machine Translated by Google
Y. Xiong et al.
technologies de fabrication, mais ne peuvent être facilement mises en œuvre qu'avec la FA en
raison de sa grande flexibilité et de son agilité de processus. De plus, les communications
bidirectionnelles sont autorisées entre les services et les décideurs pour un retour d'information
et une réponse rapides aux environnements dynamiques.
Plus de détails sur les deux types de services sont détaillés dans le reste de la section.
2.3.1. Conception en tant que
service La conception pour la fabrication additive (DfAM) est connue comme une
méthodologie de conception visant à maximiser les performances du produit grâce à la synthèse
de formes, de tailles, de structures hiérarchiques et de compositions de matériaux, sous réserve
des capacités des technologies AM[52].
Les méthodes de DfAM incluent l'heuristique de conception, les directives, la conception
informatique et la conception assistée par l'IA. Les services DfAM incluent des tâches à la fois
pour la reconception des pièces existantes et la conception à partir de zéro, qui se concentrent
respectivement sur la conception pour les opportunités et la conception sur les contraintes
[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
fabricabilité [54,55] sont souhaités étant donné la capacité limitée de l'homme à comprendre les
relations complexes entre les solutions de conception et leurs processus de fabrication. Des
outils, par exemple, un système automatisé d'aide à la décision (DSS) [56] et des critères
d'évaluation [57–59] sont développés pour identifier les pièces AM candidates. Pendant ce
temps, des recherches antérieures [60–62] ont également étudié les systèmes d'aide à la
décision qui correspondent à des conceptions de produits données avec des processus, des
matériaux et des machines. Des approches basées sur les données sont étudiées pour une
estimation instantanée des coûts [63,64]. De plus, des méthodes et des outils de calcul pour la
consolidation de pièces [65] et la décomposition [66,67] ont été proposés pour aider les
concepteurs dans la prise de décision.
Du côté opportuniste, des services, tels que l'exploration et l'exploitation de l'espace de
conception, sont créés pour permettre aux concepteurs de mieux comprendre l'espace de
conception d'un problème spécifique et, par conséquent, de prendre une décision éclairée. Ces
tâches ne sont pas triviales dans DfAM car ces tâches de conception, par nature, peuvent être
considérées comme des problèmes multi­échelles, multidisciplinaires, multi­objectifs et de
grande dimension. Le flux de travail d'exploration et d'exploitation de la conception existante
prend du temps et nécessite une expertise puisque seul un petit ensemble de variations peut
être testé dans un laps de temps raisonnable. Parallèlement, il est de plus en plus nécessaire
d'améliorer encore l'efficacité et la précision des méthodes DfAM pour répondre aux demandes
diverses et en évolution rapide du marché. Des méthodes rentables d'exploration de l'espace de
conception axées sur les données basées sur la modélisation de substitution sont proposées
pour les produits personnalisés de masse, tels que les orthèses de cheville [12] et les anodes
de piles à combustible microbiennes [68]. L'exploration de conception interactive et les méthodes
d'exploration [69] dans DfAM sont explorées pour incorporer plus d'intelligence humaine dans la
prise de décision.
2.3.2. Fabrication en tant que service
La servitisation de la FA s'effectue à plusieurs niveaux pour différents
parties prenantes avec l'aide de l'intelligence hybride. Au niveau du terrain, l'instrumentation des
machines AM avec des capteurs et des systèmes de surveillance prend en charge les services,
y compris la mise en service virtuelle pour aider les opérations sur le terrain. Ces systèmes
existent à différents niveaux de coût et pour différents processus de FA, allant de l'OctoPi [70] à
faible coût pour l'extrusion de matériaux au coûteux dispositif de surveillance optique in situ pour
le PBF. Au niveau du contrôle, des systèmes assistés par ordinateur basés sur les connaissances
qui peuvent capturer, stocker et réutiliser les connaissances sur les processus sont développés
[71]. L'utilisation de structures de données, de connaissances et de services permet au savoir­
faire accumulé en matière de processus de bénéficier à différentes parties prenantes, par
exemple, les concepteurs de produits, les ingénieurs d'exploitation et les bureaux de fabrication
grâce à des services personnalisés. Au niveau de la planification de la production, un logiciel tel
que l'outil logiciel Materialise Streamics [72] est développé comme un système d'exécution de la
fabrication avec de nombreux services intégrés, y compris le contrôle du flux de travail de bout
en bout et la planification de la machine pour assurer la cohérence de la qualité, la traçabilité et
la répétabilité des Pièces AM.
6
Fabrication additive 59 (2022) 103139
2.3.3. Produit et service de FA intelligents Les
résultats directs des services de conception et de fabrication sont des produits et services
de FA intelligents. L'avènement de la FA, en particulier la FA multi­matériaux, permet la
réalisation de produits intelligents et interconnectés avec des fonctions intégrées [73], telles que
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.
Ceci est essentiel pour ces produits dont les objectifs et les contraintes de conception changent
au cours de la période de service du produit ou d'une génération de produit à l'autre en fonction
de l'environnement dynamique de la tâche. Par exemple, des retours d'information opportuns
sur les interactions entre les appareils d'assistance et leurs utilisateurs peuvent guider leurs
processus de fabrication et de conception. De plus, des produits hautement personnalisés
peuvent être développés sur la base des informations d'utilisation collectées à partir des
capteurs. Pour maximiser les informations acquises pour les besoins de conception, des études
antérieures [76] ont optimisé l'emplacement des capteurs imprimés en 3D.
De plus, plusieurs services AM intelligents basés sur des infrastructures numériques, tels
que les réseaux AM basés sur le cloud et la personnalisation des produits, ont vu le jour. Ces
services sont fournis à toutes les parties prenantes de l'écosystème AM. Pour les utilisateurs
finaux AM, des services spécifiques peuvent être la formation de la main­d'œuvre AM, etc. Pour
les fabricants de machines, les machines AM et les services associés, tels que la planification
en ligne, sont fournis ensemble. Divers modèles commerciaux avec des services à valeur
ajoutée, tels que le commerce de données et le transfert de connaissances AM accumulées,
devraient se développer rapidement.
Les données AM possèdent des caractéristiques polymorphes. Par exemple, Senvol [77] utilise
un ensemble de données pour fournir divers types de services, par exemple, la base de données
Senovl, l'API Senovl pour les mises à jour automatiques et les index pour la caractérisation des
matériaux.
3. Principaux défis et solutions
La mise en œuvre de l'IAMD tel que représenté par le modèle de référence à trois couches
est une tâche non triviale. Pour les fils numériques et les couches cyber­physiques, la tâche
consiste à établir une connexion transparente et une intégration systématique entre la conception
et la fabrication. Les principaux défis identifiés pour réaliser ces deux couches dans le modèle
de référence sont : 1. les méthodes et outils de conception numérique, qui servent d'infrastructure
de base pour la conception ; 2. inspection et contrôle avancés, qui fournissent l'assurance pour
la fabrication ; 3. l'optimisation de la conception multidisciplinaire, qui offre un cadre pour lier la
conception et la fabrication. De plus, la réalisation de la couche de service intelligente dans le
modèle de référence est remise en question par le manque d'algorithmes d'IA spécifiques à la
FA. Le reste de cette section aborde ces quatre défis clés avec des solutions en détail.
3.1. Méthodes et outils de conception numérique
La conception numérique est le courant supérieur du processus de fabrication AM. Les
capacités uniques des processus de fabrication additive offrent à la fois des opportunités et des
défis pour améliorer encore les performances des produits conçus. Pour répondre à ces
opportunités et défis, le rôle des outils de conception numérique devient de plus en plus critique.
Ils aident non seulement les concepteurs à construire la géométrie, mais doivent également
prendre en charge la prise en compte des matériaux et de la conception des processus qui
peuvent être couplés à la conception géométrique dans la FA.
Plus important encore, le degré élevé de liberté de conception permis par la FA nécessite
également l'intelligence d'outils de conception numériques qui peuvent aider les concepteurs à
explorer l'espace de conception. Dans cette sous­section, les défis que la FA pose aux outils de
conception numérique ont été divisés en trois catégories. Les solutions à ces défis seront
discutées respectivement.
3.1.1. Modélisation d'objets hétérogènes pour la FA La
plupart des outils de CAO existants ne prennent en charge la modélisation d'un objet
homogène que par B­Rep (représentation des frontières), des fonctions implicites ou des
modèles de facettes polygonales, ce qui limite sérieusement les libertés de conception multi­
matériaux et multi­échelles que la FA a apporté [78–80]. Pour une pièce bi­matière, les
concepteurs doivent construire des modèles géométriques pour deux
Machine Translated by Google
Y. Xiong et al.
différents matériaux et les assembler dans le logiciel de préparation d'impression. Même si les
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
largement adoptées dans les outils de conception existants. La compatibilité de ces outils avec les
logiciels de CAO existants est un enjeu majeur. Outre les compositions de matériaux à gradient, les
structures multi­échelles à micro­ ou méso­échelle telles que les structures en treillis ou cellulaires
matériaux apporte un autre défi à l'outil de conception de convention. Ces conceptions de forme
complexe sont fabriquées avec un seul matériau mais possèdent des propriétés hétérogènes en
raison de la conception rationnelle de structures à micro ou mésoéchelle. Plusieurs méthodes, y
compris des approches implicites, F­Rep (représentation de fonctions) et hybrides, ont été proposées
pour résoudre ces problèmes, et certaines d'entre elles ont été implémentées dans des logiciels de
CAO commerciaux. Pour soutenir davantage la modélisation et la définition universelles des structures
méso ou micrométriques fabriquées par FA, un modèle de matériau universel a été défini [81]. Les
descripteurs de matériaux définis dans le modèle fournissent un moyen standard de décrire les
structures typiques à micro ou mésoéchelle fabriquées par AM, ce qui fournit une base pour la
prochaine génération de CAO pour prendre en charge la modélisation du matériau et de la géométrie
du produit.
3.1.2. Post­traitement des modèles à facettes Pour
le processus AM, les modèles à facettes avec un maillage triangulaire ou polygonal ont été
largement utilisés. La géométrie de certains modèles à facettes est facilement contrôlée car ils sont
convertis à partir d'un modèle natif basé sur les fonctionnalités, qui est directement généré à partir
d'un outil de CAO basé sur les fonctionnalités. Cependant, il faut remarquer qu'il existe encore un
grand nombre de modèles à facettes dont la géométrie est difficilement contrôlable. Ces modèles
peuvent être générés à partir des résultats de l'optimisation de la topologie ou directement scannés
à partir d'objets physiques réels. En raison des complexités géométriques, ces modèles contiennent
généralement des erreurs, telles que des bords non variés ou de petits trous [82].
Bien qu'un outil de modélisation numérique tel que Magics fournisse une réparation automatisée de
ces erreurs de modèle, une opération manuelle est toujours nécessaire, en particulier lorsque la
géométrie est complexe et que la réparation automatisée ne peut pas générer la géométrie souhaitée.
Un pas de plus pour éditer ou contrôler ces modèles de facettes est encore plus difficile. Pour
résoudre ce défi, il existe deux types de solutions. Tout d'abord, des algorithmes de remaillage [83]
et de morphing de maillage [84] sont développés, qui permettent la manipulation directe du modèle à
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
contrôler paramétriquement la forme du modèle. La deuxième approche consiste à reconstruire le
modèle basé sur les caractéristiques à partir du modèle à facettes. Le modèle reconstruit basé sur
les caractéristiques peut être facilement modifié. Cette approche peut être divisée en trois catégories :
basée sur le squelette, basée sur la surface et basée sur le volume [86]. Parmi eux, les approches
basées sur le squelette tirent généralement parti de différents algorithmes d'extraction de squelette
pour construire le squelette unidimensionnel des modèles à facettes d'entrée. Ensuite, ce squelette
unidimensionnel peut être encore épaissi et converti en un
modèle basé sur les fonctionnalités. Par rapport à la reconstruction basée sur le squelette, les
approches basées sur la surface peuvent être utilisées pour des géométries plus complexes et
obtenir une grande précision de reconstruction. Dans les approches basées sur les surfaces, la
frontière des modèles à facettes sera ajustée par différents types de surfaces.
Par exemple, les surfaces analytiques telles que les congés, les arcs, les lignes et leurs extrusions
peuvent être utilisées pour ajuster les modèles de facettes générés à partir de l'optimisation de la
topologie [87]. Cependant, cette approche présente certaines limites pour les modèles à facettes
dont la géométrie ne peut pas être facilement décomposée en ces formes analytiques de base. Par
rapport à l'ajustement de forme analytique, les surfaces paramétriques telles que les surfaces NURBS
[88] sont plus largement utilisées. Même si les approches basées sur la surface offrent une grande
flexibilité pour reconstruire les modèles à facettes avec des complexités élevées, le contrôle
paramétrique des géométries reconstruites reste un défi. Ce problème peut être bien résolu par des
approches volumétriques. Par exemple, Du et al. [89] ont récemment proposé un algorithme pour
reconstruire un arbre à géométrie solide constructive (CSG). La forme d'un modèle reconstruit peut
être facilement
7
Fabrication additive 59 (2022) 103139
contrôlé en manipulant directement la taille des entités sur un arbre CSG.
3.1.3. Conception basée sur l'IA
Les deux premiers défis se concentrent principalement sur la modélisation des matériaux et de
la géométrie pour la conception basée sur la FA. L'exploration de l'espace de conception de la FA est
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
différentes avec des géométries et des matériaux différents. Les performances de ces conceptions
peuvent être évaluées manuellement à l'aide du logiciel CAE, puis la meilleure solution sera
sélectionnée. Ce processus de conception conventionnel n'est plus valable pour la fabrication additive
puisque la géométrie et les matériaux peuvent être considérés comme des variables de conception,
et de nombreuses variantes de conception peuvent être générées. Plus important encore, la
personnalisation de masse impose une exigence encore plus élevée à l'outil de conception lui­même.
Ainsi, les outils de conception numérique eux­mêmes devraient avoir une certaine intelligence qui
aide les concepteurs à combiner rapidement la géométrie, les matériaux et même les paramètres de
processus pour répondre aux spécifications de conception et aux exigences fonctionnelles.
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].
Pour améliorer et élargir encore l'espace de conception, le GAN (Generative Adversarial Network)
sera utilisé pour générer davantage d'options de conception. Un modèle GAN conditionnel sera
appliqué pour générer ou modifier automatiquement les concepts de conception existants afin de
répondre aux exigences spécifiques des clients[93]. Dans la phase de conception détaillée, des
algorithmes d'IA tels que les réseaux de neurones artificiels et le modèle de régression de processus
gaussien (GPR) peuvent être appliqués pour construire le modèle de substitution qui peut décrire la
relation processus­structure­propriétés du processus AM. Ce modèle permettra aux concepteurs
d'optimiser à la fois les géométries, les paramètres de processus et les microstructures des matériaux
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
d'analyse d'incertitude bayésienne. Il prendra en charge la génération de la géométrie des pièces qui
peut minimiser les effets des facteurs d'incertitude sur les performances des pièces fabriquées AM
conçues. Outre les performances de la pièce, les impacts environnementaux, la maintenance et
d'autres considérations relatives au cycle de vie des clés du produit seront prévisibles sur la base de
modèles d'apprentissage automatique établis sur la base de données historiques ou de données
obtenues à partir de
modèles de simulation basés sur la physique ainsi que l'analyse du cycle de vie des produits.
Plus important encore, l'IA permettra les capacités d'auto­apprentissage des outils de conception. Un
algorithme d'apprentissage par renforcement peut être appliqué pour aider les concepteurs à
améliorer de manière itérative les produits conçus fabriqués par AM.
En résumé, les techniques d'IA combleront le manque de connaissances des concepteurs sans
expertise dans les technologies de FA en tant que compétences avancées en modélisation
géométrique. Cela rendra les pièces conçues parfaitement adaptées aux besoins personnalisés de
chaque client et réduira les délais et les coûts lors de la phase de conception.
3.2. Inspection et contrôle avancés
La détection garantit que les informations du monde réel sur la FA sont mises à jour
automatiquement et en temps opportun dans le processus de prise de décision. Pendant ce temps,
le contrôle garantit que ces décisions sur AM sont exécutées comme souhaité. Cependant, la
détection et le contrôle des processus AM restent difficiles en raison de leur dynamique et de leur
complexité élevées. La détection in situ est nécessaire pour étudier la physique sous­jacente, qui se
produit à une vitesse rapide (jusqu'à la microseconde) dans le domaine temporel et à une petite
échelle de longueur (jusqu'au micromètre) dans le domaine spatial. Les méthodes de détection
avancées, telles que la détection à haute résolution spatio­temporelle, la fusion de données multi­
capteurs et le traitement d'images en temps réel, sont essentielles. De plus en plus de systèmes AM
de contrôle en boucle fermée sont proposés pour améliorer le processus de fabrication.
3.2.1. Inspection et surveillance in situ Il est très
intéressant d'avoir un aperçu du processus AM à des fins de qualification des pièces et de
détection des défauts. Ainsi, les technologies associées
Machine Translated by Google
Y. Xiong et al.
ont beaucoup progressé au cours de la dernière décennie. Les machines PBF commerciales
avec des systèmes de mesure in situ sont devenues la norme [94]. Cependant, des efforts
continus sont déployés pour améliorer encore la capacité et la qualité des mesures. De
nouveaux principes et dispositifs de détection ont été adoptés. Par exemple, des techniques
avancées de détection à haute résolution spatio­temporelle, telles que la tomographie par
rayons X synchrotron, ont été utilisées pour capturer les phénomènes thermophysiques dans
le bain de fusion de la FA métallique. De plus, en raison du taux d'échantillonnage élevé
(jusqu'à 10 kHz) et de la résolution, les signaux capturés par les capteurs sont souvent traités
localement avant les communications, seules les caractéristiques extraites sont ensuite
transférées et stockées. Du matériel, tel que le réseau de portes programmables sur site
(FPGA), est utilisé [95]. En outre, les données in situ, par exemple les images du bain de
fusion, peuvent être utilisées avec des mesures ex situ, par exemple les géométries des billes
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
par transfert en profondeur pour inspecter la qualité de chaque couche sur la base d'images
visuelles sans extraction manuelle des caractéristiques.
3.2.2. Mesure multi­capteur et fusion de données Comme
discuté, puisque le processus AM implique plusieurs échelles de longueur, la combinaison
de différents principes de détection pour se compléter s'avère être une approche efficace pour
surmonter les limites d'un seul capteur, par exemple, les conflits entre la résolution de mesure
et la portée .
Les mesures effectuées par différents capteurs sont soit spatiales, images d'une caméra, soit
temporelles, par exemple, la température du bain de fusion d'un thermomètre infrarouge. La
corrélation d'ensembles de données hétérogènes, comprenant à la fois des mesures in situ et
des caractérisations post­construction pour un composant d'intérêt et ses processus AM dans
un système de coordonnées unique, est un sujet de recherche important connu sous le nom
d'enregistrement de données [98, 99] . La référence [100] rapporte une étude de cas qui
combine la détection, les données de surveillance et le chemin de balayage pour faciliter la
détection des anomalies. De plus, les mesures sont interprétées à l'aide de modèles basés
sur la physique pour estimer les états du processus, par exemple, l'enveloppement des pièces
[101].
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
commande prédictive basés sur des modèles ont été proposés sur la base de modèles
empiriques d'identification de système, de modèles d'équations différentielles ordinaires basés
sur la physique [102] et de modèles d'analyse par éléments finis [103].
Cependant, la modélisation du processus complexe de FA reste un défi.
Les systèmes AM contrôlés en boucle fermée peuvent analyser le processus d'impression en
temps réel sur la base des commentaires du système de surveillance en ligne et réguler les
variables de processus à l'état souhaité [104]. Des stratégies de contrôle basées sur des
modèles et basées sur des données ont été proposées pour le contrôle AM. En raison des
limitations inhérentes à la manipulation du laser à haute vitesse, un contrôle en boucle fermée
à grain fin peut être difficile en raison du décalage entre l'ordre d'exécuter une action (c'est­à­
dire, modifier la vitesse ou la puissance) et le moment où le paramètre est modifié. Une
stratégie de contrôle basée sur l'apprentissage par renforcement profond est proposée pour
processus.
3.3. Optimisation de la conception multidisciplinaire
Les activités de prise de décision dans la FA impliquent souvent des variables de plusieurs
domaines, notamment la conception du produit, la sélection des matériaux [105] et la
planification des processus [13]. Cependant, le processus de conception séquentielle existant
ne prend pas suffisamment en compte les couplages entre ces domaines, tels que les
variables partagées, les contraintes associées et les objectifs contradictoires, ce qui entraîne
des flux de travail de conception inefficaces et des solutions de conception sous­optimales.
Pour résoudre les problèmes ci­dessus, les contraintes de fabrication, par exemple les
structures de support [106], et les propriétés des pièces telles que fabriquées, par exemple
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
Fabrication additive 59 (2022) 103139
3.3.1. Cadre d'optimisation de conception multidisciplinaire Récemment,
le concept d'optimisation de conception multidisciplinaire, un cadre de conception bien
établi pour les systèmes complexes [110], a été introduit dans le domaine DfAM. Comme le
montre la figure 6, cette méthode d'optimisation simultanée prend en charge une conception
simultanée de produits, de matériaux et de processus de fabrication de FA [111] sous des
contraintes complexes. Le flux de travail est basé sur l'échange automatisé d'informations de
conception et ses principales étapes comprennent la décomposition du problème, l'analyse
de la discipline, la sélection de la stratégie de résolution et la génération de la solution.
Différentes architectures d'optimisation de conception multidisciplinaires, par exemple,
monolithiques et distribuées, doivent être soigneusement sélectionnées en fonction de la
nature des problèmes.
3.3.2. Approximations et méthodologie des surfaces de réponse
Étant donné que diverses méthodes d'évolution de la conception, par exemple des
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
approches de modélisation de substitution telles que GPR [12, 112] sont souvent utilisées
pour approximer des modèles haute fidélité et fournir une prédiction suffisamment rapide pour
répondre aux besoins de conception et d'optimisation. Les algorithmes d'apprentissage en
profondeur, par exemple le GAN conditionnel [93], sont appliqués aux applications de
conception structurelle sensibles aux contraintes de fabrication au stade précoce de la
conception, où un grand nombre d'itérations sont nécessaires pour satisfaire les objectifs de
conception en évolution. De plus, la visualisation interactive des espaces de décision et
d'échange pour les problèmes de conception multi­objectifs devrait également être étudiée
plus avant [13]. Un autre défi à relever est l'utilisation rationnelle de données avec des fidélités
et des coûts différents, y compris des simulations et des expériences informatiques, ainsi que
des modèles analytiques et numériques. Diverses méthodes de métamodélisation multi­fidélité,
par exemple le co­krigeage et la modélisation de substitution multi­fidélité basée sur la fonction
d'échelle, pour l'assimilation de données ont été proposées pour assurer une précision élevée
et une prédiction rapide tout en minimisant le coût [113, 114] . Récemment, la référence [115]
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.
3.3.3. Quantification et gestion de l'incertitude Une caractéristique
distincte de l'optimisation de la conception pour la fabrication additive par rapport à la
fabrication conventionnelle est l'incertitude élevée du processus [11,116].
La variabilité des produits AM résulte de multiples sources d'incertitude, notamment les
matières premières, les processus de fabrication, les modèles de simulation et les mesures
des capteurs. Les efforts antérieurs sont faits dans deux directions : la quantification de
l'incertitude et l'optimisation des processus dans l'incertitude.
Des méthodes de quantification de l'incertitude basées sur l'expérience et la simulation ont
été étudiées. La méthode basée sur l'expérience étudie principalement l'effet de divers
paramètres de processus sur les propriétés telles que construites à l'aide d'expériences
physiques. Pendant ce temps, des modèles à différentes échelles de temps et de longueur
ont également été développés pour représenter la complexité impliquée dans la nature multi­
échelle, y compris la source de chaleur, la solidification, le bain de fusion, la distribution
thermique et le modèle de distorsion des pièces.
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
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
recherches antérieures utilisent l'optimisation de conception basée sur la fiabilité (RBDO) et
l'optimisation de conception robuste (RDO) pour déterminer les paramètres de processus afin
de réduire les incertitudes. Cependant, en raison de la nature du couplage entre les matériaux,
les processus et les structures, ces incertitudes doivent également être prises en compte
simultanément. Ainsi, l'intégration de ces modèles de quantification des incertitudes dans le
cadre d'optimisation de la conception multidisciplinaire est souhaitée pour tenir compte de la
propagation des incertitudes entre différentes disciplines ou étapes séquentielles et atténuer
les problèmes de contrôle de la qualité.
Machine Translated by Google

Y. Xiong et al. Fabrication additive 59 (2022) 103139

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
Y. Xiong et al.
les mesures peuvent être utilisées pour calibrer les modèles basés sur la physique. Par
exemple, l'étalonnage bayésien basé sur des données d'imagerie thermique est utilisé pour
mettre à jour le modèle de substitution construit sur la base d'une analyse par éléments
finis [128]. La rétroaction en ligne sur les géométries d'impression additives est utilisée pour
prédire les performances des versions d'impression sans une approche coûteuse basée
sur la physique [129]. En outre, le concept de méthode basée sur les données basée sur la
physique [129] et l'intelligence artificielle mécaniste [123] sont proposés, qui intègrent la
physique et la connaissance du domaine dans les entrées, les sorties, l'architecture et la
formation du modèle d'apprentissage automatique. Par exemple, les dépendances spatio­
temporelles dans les processus AM, souvent modélisées par une simulation basée sur la
physique, sont remplacées par un réseau neuronal de graphe, qui est plus rapide à calculer
[130].
4.3. IA avancée pour AM
Les applications actuelles de l'intelligence artificielle dans la FA sont encore à un niveau
relativement bas. En correspondant à différents types d'intelligence humaine, l'intelligence
artificielle peut être divisée en intelligence computationnelle, perceptuelle et cognitive. Les
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
modèles, la conception structurelle et l'ingénierie des matériaux computationnelle intégrée
(ICME).
Pendant ce temps, l'intelligence perceptuelle dans la FA fait référence à l'utilisation de
capteurs physiques et cybernétiques pour surveiller le processus de FA. Une telle
intelligence est essentielle pour réaliser une boucle de contrôle fermée afin d'améliorer la
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
[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
connaissances AM qui prennent en charge la structuration, le stockage et la réutilisation
des connaissances de conception et de processus. Plusieurs études [71, 134] ont démontré
l'utilisation d'outils d'ingénierie des connaissances pour soutenir la conception de pièces et
la planification de processus. L'algorithme d'apprentissage automatique avancé tel que
l'apprentissage par renforcement [135] et l'apprentissage par transfert prennent en charge
le raisonnement des connaissances qui est géométrique ou même traité de manière indépendante.
4.4. Matériaux et produits numériques
Le matériau numérique est un type de matériaux dont les structures méso ou
micrométriques peuvent être directement contrôlées par des processus de fabrication
numérique tels que la FA. Par rapport aux matériaux conventionnels, les propriétés des
matériaux numériques peuvent être entièrement personnalisées, et cela ouvre une nouvelle
porte pour repousser davantage les limites de l'espace des propriétés des matériaux. Les
matériaux numériques typiques fabriqués par AM comprennent le réseau poreux [136], les
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
compose également de ces composites numériques imprimés par jet de matériau (par
exemple, Polyjet) avec plus de deux types de polymères combinés à l'échelle méso. Les
recherches existantes [81, 138, 139] ont déjà prouvé que les performances des structures
fabriquées par des matériaux numériques peuvent être encore améliorées en contrôlant
spatialement les propriétés des matériaux numériques fabriqués par le processus AM. Pour
étendre davantage les applications des matériaux numériques, un processus de fabrication
additive plus avancé doit être développé qui peut combiner plusieurs métaux, métaux­
céramique ou fibres métalliques à des niveaux micro ou méso. Cela peut encore élargir
l'espace de conception des matériaux numériques. Deuxièmement, l'exploration de
matériaux numériques multi­échelles est un moyen potentiel de repousser davantage les
limites de l'espace de conception de matériaux. Troisièmement, un outil de conception
numérique doit être développé pour permettre la conception et la modélisation de matériaux
numériques dans les outils de CAO existants centrés sur la géométrie.
4.5. Conception pour la chaîne de processus AM
Considérer l'ensemble de la chaîne de processus au lieu de la seule étape AM dans le
processus de prise de décision est indispensable pour le développement
dix
Fabrication additive 59 (2022) 103139
de pièces de qualité industrielle de haute qualité. Ces pièces, en particulier celles en métal,
sont souvent fabriquées par de multiples opérations de post­traitement, par exemple,
traitement thermique, enlèvement de la structure de support et usinage fini. Les propriétés
de la pièce finale dépendent des effets cumulatifs de chaque étape de la chaîne de
processus. Ainsi, l'exploration et la planification du processus doivent être effectuées aux
niveaux du système et du sous­système en tenant compte des mécanismes et des
interactions sous­jacents de chaque étape pour répondre aux exigences de conception. Par
exemple, la chaîne de processus peut sélectionner un processus PBF plus rapide, par
exemple en utilisant une grande distance d'éclosion et une grande vitesse de balayage, si
un traitement thermique ultérieur peut fournir les propriétés nécessaires en réduisant les
porosités des pièces telles que construites. La recherche portant sur cette question de
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,
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
pour la résolution de problèmes.
5. Conclusions
L'utilisation de technologies intelligentes dans la FA et la conception pour la FA offre
de nouvelles opportunités pour faciliter une prise de décision efficace, efficiente et
économique dans le flux de travail de la conception au produit, renforçant les capacités des
processus et des innovations de produits. Cet article présente le concept d'IAMD du point
de vue de sa définition, des technologies clés et des tendances futures. Les points suivants
sont soulignés dans le document.
(1) Dans le cheminement vers la fabrication intelligente, la FA est confrontée à plusieurs
limitées, de grandes incertitudes et des espaces de conception de grande
dimension. Ces défis devraient être résolus par l'utilisation rationnelle de machines
avancées et de l'intelligence humaine.
(2) L'IAMD peut être défini au sens large comme un concept de fabrication dans le but
de maximiser la valeur de la FA en utilisant pleinement sa liberté de conception en
termes de matériaux, de structures et de processus grâce à des interactions avec
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,
système cyber­physique et service intelligent.
(3) Quatre technologies clés dans le développement de l'IAMD sont identifiées comme
suit : les méthodes et outils numériques fournissent l'infrastructure pour la
conception ; la détection et le contrôle avancés fournissent une assurance pour le
processus de fabrication ; l'optimisation de la conception multidisciplinaire crée un
cadre pour la co­conception de produits et de processus, et les algorithmes d'IA
pour la FA soutiennent la prise de décision par l'intelligence humaine et machine.
(4) Les tendances futures de la FA intelligente et de la conception sont recommandées
comme suit : conception et fabrication intégrées, IA avancée pour la FA, FA cyber­
physique, matériaux et produits numériques, ainsi que la chaîne de processus de
conception pour la FA.
Cet article de synthèse a mis en lumière le concept d'IAMD, qui représente l'avancée
des idées de fabrication intelligente et de système cyber­physique vers la FA. Cependant,
la mise en œuvre de ce concept nécessite encore des efforts considérables. La plupart des
cas rapportés sont encore limités à des études de preuve de concept. Les travaux futurs
incluent des implémentations de plusieurs concepts non réalisés, en particulier ceux­ci dans
les couches de services intelligents.
En outre, l'intégration des valeurs fondamentales de l'industrie 5.0 [141], telles que la
durabilité, l'humain et la résilience, dans l'IAMD mérite d'être étudiée.
Déclaration de contribution de la paternité du CRediT
Xiong Yi : Rédaction – ébauche originale, visualisation, méthodologie, enquête,
acquisition de financement, conceptualisation. Tang Yunlong : Rédaction – brouillon
original, Méthodologie, Enquête, Conceptualisation.
Machine Translated by Google
Y. Xiong et al.
Zhou Qi : Rédaction – brouillon original, Enquête. Ma Yongsheng : Rédaction – révision &
édition, Supervision. Rosen David W. : Rédaction – révision & édition, Supervision,
Acquisition de financement, Conceptualisation.
Déclaration d'intérêts concurrents
Les auteurs déclarent les intérêts financiers/relations personnelles suivants qui
peuvent être considérés comme des intérêts concurrents potentiels : Yi Xiong rapporte
que le soutien financier a été fourni par la Fondation nationale des sciences naturelles de
Chine. David Rosen rapporte que le soutien financier a été fourni par la Singapore National
Research Foundation.
Disponibilité des données
Les données seront mises à disposition sur demande.
Remerciements
XY reconnaît le programme national clé de recherche et de développement de Chine
[Grant No. 2021YFB1715400] et la National Natural Science Foundation of China [Grant
No. 52105261]. DR reconnaît la Fondation nationale de recherche de Singapour [Grant
No. A19E10097].
Les références
[1] I. Gibson, DW Rosen, B. Stucker, Technologies de fabrication additive, Rapid Prototyp. Chiffre
direct. Fab. vol. 54 (2009), https://doi.org/10.1007/978­1­4419­1120­9 .
[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/
nature23911.
[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: / /
doi.org/10.1126/science.1252291.
[4] Y. Wang, L. Li, D. Hofmann, JE Andrade, C. Daraio, Tissus structurés aux propriétés
mécaniques accordables, Nature 596 (2021) 238–243, https://doi.org/ 10.1038 / s41586­
021­03698­7.
[5] G. Liu, Y. Xiong, L. Zhou, Fabrication additive de composites polymères renforcés de fibres
continues : opportunités de conception et nouvelles applications, Compos.
Commun. 27 (2021), 100907, https://doi.org/10.1016/J.COCO.2021.100907.
[6] W. Zhang, H. Wang, H. Wang, JYE Chan, H. Liu, B. Zhang, et al., Encres invisibles multicolores
structurelles avec impression 4D submicronique de polymères à mémoire de forme, Nat.
Commun. (2021) 12, https://doi.org/10.1038/S41467­020­20300­2 .
[7] JYE Chan, Q. Ruan, M. Jiang, H. Wang, H. Wang, W. Zhang, et al., High
impressions de champ lumineux de résolution par impression 3D à l'échelle nanométrique, Nat.
Commun. (2021) 12, https://doi.org/10.1038/S41467­021­23964­6.
[8] T. Chen, M. Pauly, PM Reis, Un métamatériau mécanique reprogrammable à mémoire stable,
Nature 589 (2021) 386–390, https://doi.org/10.1038/s41586­ 020­03123­5.
[9] S. Mahadevan, P. Nath, Z. Hu, Quantification de l'incertitude pour l'additif
Amélioration des processus de fabrication : avancées récentes, ASCE­ASME J. Risk Uncert
Engrg Sys Part B Mech. Ing. (2022) 8, https://doi.org/10.1115/1.4053184/1129174 .
[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.
Sci. Ing. Trans. ASME (2019) 141, https://doi.org/10.1115/1.4043798/726777 .
[11] Z. Wang, C. Jiang, P. Liu, W. Yang, Y. Zhao, MF Horstemeyer, et al., Quantification et réduction de
l'incertitude dans la fabrication additive métallique, Npj Comput.
Mater. (2020) 6, https://doi.org/10.1038/s41524­020­00444­x.
[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.
Mech. Dés. 141 (2019) 101101–101101–12, https://doi.org/10.1115/1.4043587 .
[13] Y. Xiong, Y. Tang, S. Park, DW Rosen, Exploitation des variables de processus dans la fabrication
additive pour la conception à l'aide d'éléments de fabrication, J. Mech. Dés., trans.
ASME (2020), https://doi.org/10.1115/1.4046069.
[14] Z. Jin, Z. Zhang, K. Demir, GX Gu, Apprentissage automatique pour la fabrication additive
avancée, Matter 3 (2020) 1541–1556, https://doi.org/10.1016/J .
MATT.2020.08.023.
[15] J. Wang, Y. Ma, L. Zhang, RX Gao, D. Wu, Deep learning for smart
fabrication : Méthodes et applications, J. Manuf. Syst. 48 (2018) 144–156, https://doi.org/
10.1016/j.jmsy.2018.01.003.
11
Fabrication additive 59 (2022) 103139
[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/
J.ENG.2017.05.015.
[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
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.
[19] Y. Wang, Y. Lin, RY Zhong, X. Xu, Addit basé sur le cloud compatible IoT. Fab. Platf.
Prend en charge la prod. Dév. vol. 57 (2019), https://doi.org/10.1080/
00207543.2018.1516905.
[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.
­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.
[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://
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://
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://
doi.org/10.1007/S12008­017­0453­5.
[25] L. Haghnegahdar, SS Joshi, NB Dahotre, De l'approche de fabrication en nuage basée sur l'IdO à
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 .
[26] D. Mies, W. Marsden, S. Warde, Présentation de l'informatique de fabrication additive : "Un fil
numérique.", Integr. Mater. Fab. Innov. 5 (2016) 114–142, https://doi. org/10.1186/
S40192­016­0050­7/FIGURES/17.
[27] R. Bonnard, JY Hasco¨et, P. Mognol, Modèle de données pour la fabrication additive
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 .
[28] DB Kim, P. Witherell, Y. Lu, S. Feng, Toward a digital thread and data package for metals­additive
manufacturing, Smart Sustain. Fab. Syst. (2017) 1, https://doi.org/10.1520/SSMS20160003 .
[29] R. Bonnard, JY Hasco¨et, P. Mognol, E. Zancul, AJ Alvares, Modèle Hiérarchique Orienté Objet
(HOOM) pour le fil numérique de fabrication additive, J. Manuf.
Syst. 50 (2019) 36–52, https://doi.org/10.1016/j.jmsy.2018.11.003.
[30] V. Singh, KE Willcox, Prise de décision sous incertitude pour un fil numérique
processus de conception activé, J. Mech. Dés., trans. ASME (2021) 143, https://doi.org/
10.1115/1.4050108 .
[31] DB Kim, P. Witherell, R. Lipman, SC Feng, Rationalisation de l'additif
fabrication du spectre numérique : une approche systémique, Addit. Fab. 5 (2015) 20–30,
https://doi.org/10.1016/J.ADDMA.2014.10.004.
[32] 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://
doi.org/10.1016/J.CAD.2019.02.004.
[33] Garanger K, Feron E, Garoche P­L, Rimoli JJ, Berrigan JD, Grover M, et al.
Fondements de la fabrication additive intelligente. ArxivOrg nd
[34] GP Gujarathi, YS Ma, Intégration CAO/CAE paramétrique utilisant une base de données commune
modèle, J. Manuf. Syst. 30 (2011) 118­132, https://doi.org/10.1016/j. jmsy.2011.01.002.
[35] Nassar A., Solid ER­2013 I., 2013 undefined, Un fil numérique proposé pour la fabrication
additive. RéférentielsLibUtexasEdu nd
[36] Lu Y., Choi S., Witherell P. Towards an integrated data schema design for additive
fabrication : Modélisation conceptuelle. Actes de la conférence technique d'ingénierie
de conception ASME 2015; 1A­2015. https://doi.org/10.1115/DETC2015–47802.
[37] R. Bonnard, JY Hasco¨et, P. Mognol, I. Stroud, STEP­NC fil numérique pour
fabrication additive : modèle de données, implémentation et validation 31 (2018) 1141–1160,
https://doi.org/10.1080/0951192X.2018.1509130. Https://Do iOrg/
101080/0951192×20181509130
¨ .
[38] L. Wang, M. Torngren, M. Onori, État actuel et avancement des systèmes cyber­physiques
dans la fabrication, J. Manuf. Syst. 37 (2015) 517–527, https://doi.org/10.1016/j.jmsy.2015.04.008 .
[39] AI Borovkov, LB Maslov, KS Ivanov, EN Kovaleva, FD Tarasenko, M.
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.
Ing. (2020) 986, https://doi.org/10.1088/1757­899X/986/1/012033 .
[40] CG Klingaa, S. Mohanty, C. contre Funch, AB Hjermitslev, L. Haahr­Lillevang, J.
H. Hattel, Vers un jumeau numérique de la fusion laser sur lit de poudre avec un focus sur les
variables de flux de gaz, J. Manuf. Processus. 65 (2021) 312–327, https://doi.org/10.1016/j.
jmapro.2021.03.035.
[41] I. Sieber, R. Thelen, U. Gengenbach, Amélioration de l'impression jet d'encre 3D haute résolution
de surfaces optiques de forme libre à l'aide de jumeaux numériques, Micro (Bâle) 12 (2021) 1–
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
Machine Translated by Google
Y. Xiong et al.
Modélisation de dépôt (FDM) à l'aide de PETG, Appl. Compos. Mater. 28 (2021)
1799­1828, https://doi.org/10.1007/s10443­021­09940­9.
[43] Y. Tang, G. Dong, Q. Zhou, YF Zhao, Conception et optimisation de structures en treillis avec
contraintes de fabrication additive, IEEE Trans. Autom. Sci. Ing. 15 (2018) 1546­1562, https://
doi.org/10.1109/TASE.2017.2685643.
[44] L. Scime, A. Singh, V. Paquit, A scalable digital platform for the use of digital
jumeaux en fabrication additive, Manuf. Lett. 31 (2022) 28–32, https://doi.org/10.1016/
J.MFGLET.2021.05.007 .
[45] Chhetri SR, Faezi S., Canedo A., Faruque MA al. QUILT : Inférence de qualité à partir de jumeaux
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://
doi.org/10.1145/3302505.3310085.
[46] A. Gaikwad, R. Yavari, M. Montazeri, K. Cole, L. Bian, P. Rao, Vers le jumeau numérique de la
fabrication additive : Intégration des simulations thermiques, de la détection et de l'analyse pour
détecter les défauts de processus 52 (2020 ) 1204­1217, https://doi.org/
10.1080/24725854.2019.1701753 . Https://DoiOrg/101080/2472585420191701753 .
[47] Y. Liu, L. Wang, XV Wang, X. Xu, P. Jiang, Cloud manufacturing: key issues and futures
perspectives, Int. J. Comput. Intégr. Fab. 32 (2019) 858–874, https://doi.org/
10.1080/0951192X.2019.1639217 .
[48] D. Wu, DW Rosen, L. Wang, D. Schaefer, Conception et fabrication basées sur le cloud : un
nouveau paradigme dans la fabrication numérique et l'innovation de conception, CAD Comput.
Des aidés. 59 (2015) 1–14, https://doi.org/10.1016/j.cad.2014.07.006.
[49] D. Wu, J. Lane Thames, DW Rosen, D. Schaefer, Améliorer le processus de réalisation
du produit avec des systèmes de conception et de fabrication basés sur le cloud, J.
Comput. Inf. Sci. Ing. (2013) 13, https://doi.org/10.1115/1.4025257.
[50] Tao F., Zhang L., Venkatesh VC, Luo Y., Cheng Y. Fabrication dans le cloud : un modèle de
fabrication informatique et orienté services. Actes de l'Institution of Mechanical Engineers,
Partie B: Journal of Engineering Manufacture, 2011; 225 : 1969–76. https://doi.org/
10.1177/0954405411405575.
[51] A. Kusiak, Fabrication de services : Concepts et technologies de base, J. Manuf.
Syst. 52 (2019) 198­204, https://doi.org/10.1016/j.jmsy.2019.07.002.
[52] DW Rosen, Principes de base de la recherche pour la conception d'additifs
fabrication, Virtual Phys. Prototype. 9 (2014) 225–232, https://doi.org/
10.1080/17452759.2014.951530 .
[53] Y. Tang, YF Zhao, Une enquête sur les méthodes de conception de la fabrication additive pour
améliorer les performances fonctionnelles, Rapid Prototyp. J. 22 (2016) 569–590, https://doi.org/
10.1108/RPJ­01­2015­0011 .
[54] Y. Zhang, YF Zhao, Réseaux de neurones convolutifs clairsemés hybrides pour prédire la
fabricabilité des défauts visuels des processus de fusion laser sur lit de poudre, J. Manuf. Syst.
62 (2022) 835–845, https://doi.org/10.1016/j.jmsy.2021.07.002.
[55] Y. Zhang, S. Yang, G. Dong, YF Zhao, Système prédictif d'évaluation de la fabricabilité pour la
fusion laser sur lit de poudre basé sur un modèle d'apprentissage automatique hybride, Addit.
Fab. 41 (2021), 101946, https://doi.org/10.1016/j. addma.2021.101946.
[56] S. Yang, T. Page, Y. Zhang, YF Zhao, Vers un système automatisé d'aide à la décision pour
l'identification des pièces candidates à la fabrication additive, J. Intell.
Fab. 31 (2020) 1917­1933, https://doi.org/10.1007/s10845­020­01545­6.
[57] L. Lawand, P. Andersson, M. Kokkolaras, Conception­fabrication intégrée
aide à la décision pour les composants fabriqués de manière additive, Int. J. Adv. Fab.
Technol. 119 (2022) 3917–3930, https://doi.org/10.1007/s00170­021­08590­2.
[58] E. Coatan´ea, HPN Nagarajan, S. Panicker, R. Prod'hon, H. Mokhtarian, A. Chakraborti,
et al., Systematic manufacturability evaluation using dimensionless metrics and singular
value decomposition: a case study for additive fabrication, int. J. Adv. Fab. Technol. 115 (2021)
715–731, https://doi. org/10.1007/s00170­020­06158­0.
[59] C. Fuchs, T. Semm, MF Zaeh, Planification de processus basée sur la décision pour les pièces
fabriquées et usinées de manière additive par fil et arc, J. Manuf. Syst. 59 (2021) 180–189,
https://doi.org/10.1016/J.JMSY.2021.01.016.
[60] Y. Wang, RY Zhong, X. Xu, Un système d'aide à la décision pour la sélection de processus de
fabrication additive utilisant une méthode de prise de décision hybride à critères multiples, Rapid
Prototyp. J. 24 (2018) 1544­1553, https://doi.org/10.1108/RPJ­01­2018­0002.
[61] N. Kretzschmar, IF Students, J. Partanen, A decision support system for the
validation d'applications de fabrication additive à base de poudres métalliques, Int. J
Adv. Fab. Technol. 96 (2018) 3679–3690, https://doi.org/10.1007/s00170­018­1676­8 .
[62] W. Liu, Z. Zhu, S. Ye, Une méthodologie de prise de décision intégrée dans la
conception pour la sélection de procédés de fabrication additive, Rapid Prototyp. J. 26 (2020)
895­909, https://doi.org/10.1108/RPJ­06­2019­0174.
[63] SL Chan, Y. Lu, Y. Wang, Estimation des coûts basée sur les données pour la fabrication additive
dans la cyberfabrication, J. Manuf. Syst. 46 (2018) 115–126, https://doi.org/10.1016/
j.jmsy.2017.12.001 .
[64] Y. Oh, M. Sharp, T. Sprock, S. Kwon, Estimation du temps de construction basée sur le réseau de
neurones pour la fabrication additive : comparaison des performances, J. Comput. Dés. Ing. 8
(2021) 1243­1256, https://doi.org/10.1093/jcde/qwab044.
[65] Z. Nie, S. Jung, LB Kara, KS Whitefoot, Optimisation de la consolidation des pièces pour des coûts
et des temps de production minimaux grâce à la fabrication additive, J. Mech. Dés., trans. ASME
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
approche de décomposition pour les pièces CAO complexes en fabrication additive, Addit.
Fab. 50 (2022), 102493, https://doi.org/10.1016/j.addma.2021.102493.
[67] Y. Oh, H. Ko, T. Sprock, WZ Bernstein, S. Kwon, Part decomposition and
évaluation basée sur les directives de conception standard pour la fabricabilité et l'assemblage
des additifs, Addit. Fab. 37 (2021), 101702, https://doi.org/10.1016/j. addma.2020.101702.
12
Fabrication additive 59 (2022) 103139
[68] S. Kang, X. Deng, R. Jin, Une approche rentable axée sur les données pour l'exploration de
l'espace de conception pour la conception géométrique personnalisée dans la fabrication
additive, J. Comput. Inf. Sci. Ing. (2021) 21, https://doi.org/10.1115/1.4050984.
[69] Schulz A., Xu J., Zhu BO Interactive Design Space Exploration and Optimization for CAD Models,
2017. https://doi.org/10.1145/3072959.3073688.
[70] Documentation OctoPrint et https://docs.octoprint.org/en/master/.
[71] Y. Xiong, AG Dharmawan, Y. Tang, S. Foong, GS Soh, DW Rosen, Un cadre de
planification de processus basé sur les connaissances pour la fabrication additive à
l'arc filaire, Adv. Ing. Informer. (2020) 45, https://doi.org/10.1016/j. aei.2020.101135.
[72] Materialise Streamics sd https://www.materialise.com/en/software/streamics.
[73] N. Divakaran, JP Das, AK PV, S. Mohanty, A. Ramadoss, SK Nayak,
Revue complète sur diverses techniques de fabrication additive et leur mise en œuvre dans
les appareils électroniques, J. Manuf. Syst. 62 (2022) 477–502, https://doi.org/10.1016/
J.JMSY.2022.01.002 .
[74] ID Jung, MS Lee, J. Lee, H. Sung, J. Choe, HJ Son, et al., Intégrer des capteurs utilisant la fusion
laser sélective pour les pièces métalliques auto­cognitives, Addit. Fab. 33 (2020), 101151, https://
doi.org/10.1016/J.ADDMA.2020.101151.
[75] R. Su, SH Park, X. Ouyang, SI Ahn, MC McAlpine, écrans à diodes électroluminescentes
organiques flexibles imprimés en 3D, Sci. Adv. 8 (2022) 8798, https://doi.org/10.1126/
sciadv.abl8798 .
[76] N. Munasinghe, T. Romeijn, G. Paul, Placement de capteurs à base de Voxel pour les applications
de fabrication additive, J. Intell. Fab. (2021) 1–13, https://doi.org/10.1007/S10845­021­01823­X/
FIGURES/11 .
[77] Senvol sd http://senvol.com/.
[78] B. Li, J. Fu, J. Feng, C. Shang, Z. Lin, Revue de la modélisation d'objets matériels hétérogènes en
fabrication additive. Visual Computing for Industry, Biomed., Art. 3 (2020) 1–18.
[79] XY Kou, ST Tan, Modélisation d'objets hétérogènes : Une revue, CAD Comput.
Des aidés. 39 (2007) 284–301, https://doi.org/10.1016/j.cad.2006.12.007.
[80] Y. Tang, YF Zhao, Conception multifonctionnelle de structures cellulaires hétérogènes, Struct.
Multidiscip. Optim. 58 (2018) 1121­1138, https://doi.org/10.1007/s00158­018­1956­9 .
[81] Y. Tang, Y. Xiong, S. Park, DW Rosen, Universal material template for
objets hétérogènes avec applications à la fabrication additive, Comput.
­Aidé Des. 129 (2020), 102929, https://doi.org/10.1016/j.cad.2020.102929.
[82] C. Feng, J. Liang, M. Ren, G. Qiao, W. Lu, S. Liu, Une méthode rapide de remplissage de trous
pour un maillage triangulaire dans la réparation additive, Appl. Sci. (Suisse. ) (2020) 10, https://
doi.org/10.3390/app10030969 .
[83] Attene M., Falcidieno B. ReMESH : Un environnement interactif pour éditer et réparer des maillages
triangulaires. Actes ­ Conférence internationale IEEE sur la modélisation et les applications de
forme 2006, SMI 2006, vol. 2006, 2006. https://doi.org/10.1109/SMI.2006.29.
[84] J. Hu, L. Liu, G. Wang, Dual Laplacian morphing for triangulaire meshes, Comput.
Anima. Mondes virtuels vol. 18 (2007), https://doi.org/10.1002/cav.182.
[85] Cignoni P., Callieri M., Corsini M., Dellepiane M., Ganovelli F., Ranzuglia G.
MeshLab : un outil de traitement de maillage open source. 6e conférence du chapitre italien
d'Eurographics 2008 ­ Actes, 2008.
[86] SC Subedi, CS Verma, K. Suresh, Une revue des méthodes pour le post­traitement géométrique
des modèles topologiques optimisés, J. Comput. Inf. Sci. Ing. (2020) 20, https://doi.org/
10.1115/1.4047429.
[87] G. Yi, NH Kim, Identification des limites des résultats d'optimisation de la topologie à l'aide de
fonctionnalités paramétriques de base, Struct. Multidiscip. Optim. (2017) 55, https://doi.org/
10.1007/s00158­016­1597­9 .
[88] Hoppe H., Derose T., Duchamp T., Halstead M., Jin H., McDonald J., et al.
Reconstruction de surface lisse par morceaux. Actes de la 21e conférence annuelle sur
l'infographie et les techniques interactives, SIGGRAPH 1994, 1994. https://doi.org/
10.1145/192161.192233.
[89] T. Du, JP Inala, Y. Pu, A. Spielberg, A. Schulz, D. Rus, et al., InverseCSG :
Conversion automatique des modèles 3D en arbres CSG, SIGGRAPH Asia 2018 Tech.
Pap., SIGGRAPH Asie (2018) 2018, https://doi.org/10.1145/3272127.3275006.
[90] TJ Hagedorn, S. Krishnamurty, IR Grosse, A Knowledge­Based Method for
Conception innovante pour la fabrication additive soutenue par des ontologies modulaires, J.
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
Manifolds nd https://onlinelibrary.wiley.com/doi/epdf/10.1002/cite.202100209?src=getftr
(consulté le 18 août 2022).
[92] M. Dinar, DW Rosen, Une conception pour l'ontologie de fabrication additive, J. Comput.
Inf. Sci. Ing. 17 (2016), 021013, https://doi.org/10.1115/DETC2016­60196.
[93] N. Hertlein, PR Buskohl, A. Gillman, K. Vemaganti, S. Anand, Generative
réseau contradictoire pour la flexibilité de conception à un stade précoce dans l'optimisation de
la topologie pour la fabrication additive, J. Manuf. Syst. 59 (2021) 675–685, https://doi.org/
10.1016/j.jmsy.2021.04.007 .
[94] M. Grasso, A. Remani, A. Dickins, BM Colosimo, RK Leach, In situ
méthodes de mesure et de surveillance pour la fusion sur lit de poudre métallique : une revue
mise à jour, Meas. Sci. Technol. 32 (2021), 112001, https://doi.org/10.1088/1361­6501/ac0b6b .
[95] S. Clijsters, T. Craeghs, S. Buls, K. Kempen, JP Kruth, Contrôle de la qualité in situ du processus
de fusion sélective au laser à l'aide d'un système de surveillance du bain de fusion à grande
vitesse et en temps réel, Int. J. Adv. Fab. Technol. 5 (75) (2014) 1089­1101, https://doi.org/
10.1007/S00170­014­6214­8.
[96] B. Yuan, GM Guss, AC Wilson, SP Hau­Riege, PJ DePond, S. McMains, et al., Surveillance basée
sur l'apprentissage automatique de la fusion du lit de poudre laser, Adv. Mater.
Technol. (2018) 3, https://doi.org/10.1002/admt.201800136.
Machine Translated by Google
Y. Xiong et al.
[97] J. Li, Q. Zhou, X. Huang, M. Li, L. Cao, Inspection de la qualité in situ avec des images visuelles par
couches basées sur l'apprentissage par transfert en profondeur lors de la fusion laser sélective,
J. Intell. Fab. (2021), https://doi.org/10.1007/s10845­021­01829­5.
[98] SP Donegan, EJ Schwalbach, MA Groeber, Enregistrement multimodal et fusion de données de
fabrication additive métallique in situ et ex situ, Jom 73 (2021) 3250–3262, https://doi.org/10.1007/
s11837­021­ 04883­9.
[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.
[100] A. Petsiuk, JM Pearce, Vers une AM surveillée intelligente : détection d'anomalies d'image
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/
J.ADDMA.2022.102690 .
[101] M. Moretti, N. Senin, Surveillance en cours du gauchissement des pièces dans la fabrication de
filaments fondus par l'analyse de la force répulsive agissant sur l'extrudeuse, Addit. Fab. 49
(2022), 102505, https://doi.org/10.1016/J.
ADDMA.2021.102505.
[102] Q. Wang, P. Michaleris, (Pan), AR Nassar, JE Irwin, Y. Ren, CB Stutzman, Contrôle prédictif
basé sur un modèle de la fabrication additive par fusion sur lit de poudre laser, Addit. Fab. 31
(2020), 100985, https://doi.org/10.1016/J.
ADDMA.2019.100985.
[103] JE Irwin, Q. Wang, P. Michaleris, (Pan), AR Nassar, Y. Ren, CB Stutzman, Techniques itératives
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 .
[104] M. v Johnson, K. Garanger, JO Hardin, JD Berrigan, E. Feron, SR Kalidindi, Un outil d'intelligence
artificielle généralisable pour l'identification et la correction des structures autoportantes dans les
processus de fabrication additive, Addit. Fab. 46 (2021), 102191, https://doi.org/10.1016/
j.addma.2021.102191.
[105] S. Xu, J. Liu, B. Zou, Q. Li, Y. Ma, Topologie multi­matériaux contrainte par contraintes
optimisation avec la méthode SIMP ordonnée, Comput. Méthodes Appl. Méca. Ing. 373 (2021),
113453, https://doi.org/10.1016/J.CMA.2020.113453.
[106] M. Zhou, Y. Lu, Y. Liu, Z. Lin, Optimisation simultanée de la topologie des coques avec des
remplissages autoportants pour la fabrication additive, Comput. Méthodes Appl. Méca.
Ing. 390 (2022), 114430, https://doi.org/10.1016/J.CMA.2021.114430.
[107] S. Li, S. Yuan, J. Zhu, C. Wang, J. Li, W. Zhang, Optimisation de la conception basée sur la
fabrication additive : direction du bâtiment et topologie structurelle, Addit. Fab. 36 (2020), 101406,
https://doi.org/10.1016/J.ADDMA.2020.101406.
[108] S. Li, S. Yuan, J. Zhu, W. Zhang, H. Zhang, J. Li, Topologie multidisciplinaire
optimisation intégrant la relation processus­structure­propriété­performance de la fabrication
additive, Struct. Multidiscip. Optim. 63 (2021) 2141­2157, https://doi.org/10.1007/
S00158­021­02856­9/FIGURES/16.
[109] D. Gu, X. Shi, R. Poprawe, DL Bourell, R. Setchi, J. Zhu, Matériau­structure
fabrication additive laser­métal intégrée de performance, Science 2021 (1979) 372, https://doi.org/
10.1126/SCIENCE.ABG1487/ASSET/A9D8D4AD­C761­ 4385­8477­1D5821D6F042/ASSETS/
GRAPHIC/372_ABG1487_FA.JPEG.
[110] JRRA Martins, AB Lambe, Optimisation de la conception multidisciplinaire : Une enquête sur les
architectures, AIAA J. 51 (2013) 2049–2075, https://doi.org/10.2514/1. j051895.
[111] G. Liu, Y. Xiong, DW Rosen, Optimisation de la conception multidisciplinaire dans la conception pour
la fabrication additive, J. Comput. Dés. Ing. 9 (2022) 128–143, https://doi.org/10.1093/jcde/
qwab073 .
[112] Y. Wang, P. Zheng, T. Peng, HY Yang, J. Zou, Fabrication additive intelligente :
Méthodes actuelles basées sur l'intelligence artificielle et perspectives futures, Sci. Chine Technol.
Sci. 63 (2020), 1600–11.
[113] P. Pandita, S. Ghosh, VK Gupta, A. Meshkov, L. Wang, Application de l'apprentissage par
transfert en profondeur et de la quantification des incertitudes pour l'identification des processus
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.
[114] M. Cheng, P. Jiang, J. Hu, L. Shu, Q. Zhou, Une méthode de modélisation de substitution multi­
fidélité basée sur une somme pondérée par la variance pour la fusion de plusieurs données non
hiérarchiques basse fidélité, Struct. Multidiscip. Optim. (2021) 64, https://doi. org/10.1007/
s00158­021­03055­2.
[115] X. Huang, T. Xie, Z. Wang, L. Chen, Q. Zhou, Z. Hu, Une approche de réseau de neurones à
nuage de points multi­fidélité basée sur l'apprentissage par transfert pour la modélisation du
bain de fusion dans la fabrication additive, ASCE ­ASME J. Risque incertain. Ing. Syst., Partie B : Mech.
Ing. (2022) 8, https://doi.org/10.1115/1.4051749.
[116] Z. Hu, S. Mahadevan, Quantification et gestion des incertitudes dans la fabrication additive :
situation actuelle, besoins et opportunités, Int. J. Adv. Fab.
Technol. 93 (2017) 2855–2874, https://doi.org/10.1007/s00170­017­0703­5.
[117] L. Meng, B. McWilliams, W. Jarosinski, HY Park, YG Jung, J. Lee, et al., Machine learning in
additive manufacturing: a review, Jom 72 (2020) 2363–2377, https: / /doi.org/10.1007/
s11837­020­04155­y.
[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/
10.1007/s10462­020­09876­9.
[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
Fabrication additive 59 (2022) 103139
[120] G. Dong, JC Wong, L. Lestandi, J. Mikula, G. Vastola, MH Jhon, et al., Un modèle de substitution
basé sur les caractéristiques à l'échelle des pièces pour les contraintes résiduelles dans le
processus de fusion sur lit de poudre au laser, J .Mère. Processus. Technol. 304 (2022), 117541,
https://doi.org/10.1016/j.jmatprotec.2022.117541 .
[121] Y. Wang, Q. Yao, JT Kwok, LM Ni, Généralisation à partir de quelques exemples : une enquête sur
l'apprentissage en quelques coups, ACM Comput. Surv. (2020) 53, https://doi.org/10.1145/3386252 .
[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
défis vers une IA responsable, Inf. Fusion (2020) 58, https://doi.org/10.1016/j.inffus.2019.12.012.
[123] M. Mozaffar, S. Liao, X. Xie, S. Saha, C. Park, J. Cao, et al., Intelligence artificielle mécaniste (IA
mécaniste) pour la modélisation, la conception et le contrôle des processus de fabrication
avancés : Etat des lieux et perspectives, J. Mater. Processus.
Technol. 302 (2022), 117485, https://doi.org/10.1016/J.
JMATPROTEC.2021.117485.
[124] A. Gaikwad, B. Giera, GM Guss, JB Forien, MJ Matthews, P. Rao,
Détection hétérogène et apprentissage automatique scientifique pour l'assurance qualité dans
la fusion laser sur lit de poudre ­ Une étude à piste unique, Addit. Fab. (2020) 36, https://doi.org/
10.1016/j.addma.2020.101659 .
[125] H. Ko, SK Moon, J. Hwang, Design for additive manufacturing in custom products, Int. J. Précis.
Ing. Fab. 16 (2015) 2369–2375, https://doi.org/10.1007/s12541­015­0305­9 .
[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/
jcde/qwaa094.
[127] M. Moussa, H. ElMaraghy, Conception de plates­formes multiples et planification de processus de
famille de produits pour la fabrication combinée additive et soustractive, J. Manuf. Syst. 61 (2021)
509–529, https://doi.org/10.1016/J.JMSY.2021.09.019.
[128] J. Li, R. Jin, HZ Yu, Intégration d'approches basées sur la physique et basées sur les données pour
la prédiction du champ thermique dans la fabrication additive, Mater. Dés. 139 (2018) 473–485,
https://doi.org/10.1016/j.matdes.2017.11.028.
[129] S. Guo, M. Agarwal, C. Cooper, Q. Tian, RX Gao, WG Guo, et al., Apprentissage automatique
pour la fabrication additive métallique : vers un paradigme basé sur les données basé sur la
physique, J. Manuf. Syst. 62 (2022) 145­163, https://doi.org/10.1016/J.
JMSY.2021.11.003.
[130] M. Mozaffar, S. Liao, H. Lin, K. Ehmann, J. Cao, Modélisation thermique basée sur les données
indépendante de la géométrie des processus de fabrication additive à l'aide de réseaux de
neurones graphiques, Addit. Fab. 48 (2021), 102449, https://doi.org/10.1016/J.
ADDMA.2021.102449.
[131] H. Ko, P. Witherell, Y. Lu, S. Kim, DW Rosen, Apprentissage automatique et construction de règles
de conception basées sur des graphes de connaissances pour la fabrication additive, Addit. Fab.
37 (2021), 101620, https://doi.org/10.1016/J.ADDMA.2020.101620.
[132] S. Kim, DW Rosen, P. Witherell, H. Ko, Une conception pour une ontologie de fabrication additive
pour soutenir l'analyse de la manufacturabilité, J. Comput. Inf. Sci. Ing. 19 (2019) 1–10, https://
doi.org/10.1115/1.4043531.
[133] EM Sanfilippo, F. Belkadi, A. Bernard, Représentation des connaissances basée sur l'ontologie pour
la fabrication additive, Comput. Ind. 109 (2019) 182–194, https://doi.org/10.1016/
j.compind.2019.03.006 .
[134] D. Ding, F. He, L. Yuan, Z. Pan, L. Wang, M. Ros, Le premier pas vers la fabrication additive
intelligente à l'arc filaire : un système de modélisation automatique des billes utilisant
l'apprentissage automatique par l'intégration d'informations industrielles, J. Ind. Inf. Intégr. 23
(2021), 100218, https://doi.org/10.1016/J.JII.2021.100218.
[135] Dharmawan AG, Xiong Y., Foong S., Song Soh G. Un cadre d'apprentissage et de correction de
renforcement basé sur un modèle pour le contrôle de processus de la fabrication additive à arc
filaire robotique. Actes ­ Conférence internationale IEEE sur la robotique et l'automatisation, 2020,
p. 4030–6. https://doi.org/10.1109/ICRA40945.2020.9197222.
[136] S. Xu, J. Liu, J. Huang, B. Zou, Y. Ma, Optimisation de la topologie multi­échelle avec des couches
de coque et d'interface pour la fabrication additive, Addit. Fab. (2021) 37, https://doi.org/10.1016/
j.addma.2020.101698 .
[137] Y. Wang, G. Zhang, H. Ren, G. Liu, Y. Xiong, Stratégie de fabrication pour les joints dans des
structures en treillis composites renforcées de fibres continues imprimées en 3D, Compos.
Commun. 30 (2022), 101080, https://doi.org/10.1016/j.coco.2022.101080.
[138] N. Boddeti, Y. Tang, K. Maute, DW Rosen, ML Dunn, Conception et fabrication optimales de
composites renforcés de fibres continues stratifiées à rigidité variable, Sci. Rep. 10 (2020)
1–15, https://doi.org/10.1038/s41598­020­73333­4 .
[139] IF Ituarte, N. Boddeti, V. Hassani, ML Dunn, DW Rosen, Conception et fabrication additive de
structures fonctionnellement graduées à base de matériaux numériques, Addit.
Fab. 30 (2019), 100839, https://doi.org/10.1016/J.ADDMA.2019.100839.
[140] Rosen DW Design pour la chaîne de processus de fabrication additive. Actes du 32e Symposium
international annuel sur la fabrication de formes libres solides, Austin, TX : 2021, p. 53–61.
[141] X. Xu, Y. Lu, B. Vogel­Heuser, L. Wang, Industrie 4.0 et Industrie 5.0 ­ Inception, conception et
perception, J. Manuf. Syst. 61 (2021) 530–535, https://doi.org/10.1016/J.JMSY.2021.10.006 .