Introduction

La fabrication additive est une technologie de fabrication récente, et pour laquelle de nombreux efforts
de recherche sont encore nécessaires afin de maîtriser le procédé, et d’obtenir une maturité
technologique équivalente à celle d’autres procédés de fabrication, comme l’usinage ou la fonderie.

Un des secteurs où la recherche est la plus active est le développement des matériaux de fabrication. En
effet, les spécificités de la technologie ne permettent pas une utilisation a priori des matériaux
conventionnels, et des développements supplémentaires sont nécessaires. C’est autour de cet axe de
recherche que s’effectue ma thèse, à travers le développement d’alliages à mémoire de forme par
fabrication additive.

Plusieurs étapes sont nécessaires pour le développement de nouveaux matériaux, et une fois la matière
obtenue sous forme de poudre, aux dimensions désirées, les paramètres de fabrication sont à définir avec
l’objectif d’obtenir une densité maximale, des propriétés mécaniques stables et en cohérence avec le
matériau choisi. Pour se faire, l’approche conventionnelle est de produire des pièces et de les analyser en
augmentant la complexité au fur et à mesure. Cette approche est chronophage, mais également coûteuse,
chaque étape nécessitant d’effectuer des essais sur les pièces produites.

C’est dans ce contexte que s’inscrit mon projet pour le cours, visant à développer un modèle prédictif des
propriétés d’une pièce fabriquée par fabrication additive par fusion de poudre métalliques. (PBF-L)

Ce rapport présente en premier lieu un description précise du projet, ainsi que les ressources utilisées
pour le développer. Puis, une revue de l’application de l’apprentissage profond pour la PBF-L est
présentée, avec une attention particulière les cas de développement de matériaux. Les méthodes
identifiées sont ensuite décrites de manière théorique, avant de conclure quant à la direction que va
prendre le projet.

Description du sujet

L’objectif principal du modèle d’apprentissage profond développé est de prédire à partir d’un matériau
utilisé et d’un jeu de paramètres de fabrication appliqués à une machine de PBF-L la densité de la pièce
produite, comme illustré en Figure 1.

Figure 1 : Schématisation du modèle à développer dans le projet

2
Pour permettre le développement de ce modèle, l’approche sélectionnée vise à décomposer le modèle
en plusieurs sous-problèmes, pour lesquelles nous avons des données, avant de connecter ces modèles
ensembles (Figure 2). Cette approche a été sélectionnée en accord la littérature, et des travaux de
précédents étudiants du LAMSI, qui ont développé des solutions analytiques à la problématique de mise
en œuvre de nouveaux matériaux.

Figure 2 : Décomposition du modèle pour son développement

Les données d’entrée du modèle sont les suivantes :

• Le matériau sera décomposé en 6 de ses propriétés physico-chimiques : Sa température de

fusion, la compacité de la poudre, sa densité, sa conductivité thermique, sa capacité thermique
et sa résistivité électrique.
• La machine de fabrication sera dans un premier temps représentée par les caractéristiques de
son laser, c’est-à-dire sa longueur d’onde et le diamètre de son faisceau.
• Les paramètres de fabrication les plus significatifs sont étudiés. Les paramètres sont les suivants :
Puissance du laser, vitesse de déplacement du laser, épaisseur de couche, « hatching distance »
(écart entre deux passages du laser)

Les données de sortie du modèle sont les suivantes :

• Dimensions du bain de fusion (largeur, profondeur et longueur)

• Densité de la pièce (en %)

Les données de sortie du modèle étant des valeurs continues, le modèle développé sera un modèle de
régression. Cela est appuyé également par les solutions analytiques à ces problèmes.

Le Tableau 1 présente la décomposition en plusieurs étapes du projet.

Tableau 1 : Étapes de réalisation du projet

Etapes Données d’entrée Données de sortie

1 Matériau Propriétés du matériau
2 Propriétés du matériau Dimensions du bain de fusion
Puissance
Vitesse
Epaisseur de couche
Propriétés de la machine
3 Dimensions du bain de fusion Densité
Hatching distance

3
Aucune base de données n’est directement disponible depuis la littérature. Pour entrainer le modèle,
deux bases de données générées au cours de l’étude seront utilisées. D’une part, suite aux travaux d’un
étudiant du LAMSI, un code Matlab est disponible et permet de générer des informations de manière
analytique. Un outil industriel (ANSYS) sera utilisé pour générer d’autres données, également de manière
analytique.

L’accès à des données avec étiquettes est une grande limitation de ce projet. Cependant, il est considéré
que si le modèle développé permet de représenter avec fidélité le phénomène étudié, bien que ce soit
par rapport à des résultats numériques, il pourra être utilisé en tant que modèle pré entrainé, dont
l’entrainement sera complété par des résultats expérimentaux.

Applications de l’apprentissage profond à la fabrication additive

L’apprentissage profond et la fabrication additive sont deux secteurs dans lesquels la recherche a été très
active durant dernière décennie. En particulier, les applications de l’apprentissage profond à la fabrication
additive sont nombreuses et dans de nombreux domaines de recherches. La revue de bibliographie a
permis d’identifier des développements dans les domaines de la conception pour la fabrication additive,
avec l’utilisation de réseaux de neurones pour prédire les performances mécaniques de structures en
treillis (Hassanin, Alkendi, Elsayed, Essa, & Zweiri, 2020 ; Yu, Xiao, & Song, 2022), ou inversement en
renseignant les performances mécaniques exigées et en obtenant le dimensionnement des structures en
treillis en sortie (Jiang, Xiong, Zhang, & Rosen, 2022). D’autres applications concernent par exemple le
contrôle des pièces pendant la fabrication, avec un modèle détectant les pores (Kim, Oh, Lee, & Kim,
2022).

L’apprentissage profond est également utilisé dans le contexte de développement et d’optimisation du

procédé de fabrication. Ce sera l’application retenue dans le cadre de ce projet.

Le développement de paramétries pour la fabrication additive, et l’évaluation des performances est un

problème multifactoriel. D’une part, plusieurs centaines de paramètres vont diriger le procédé de
fabrication additive, avec une influence plus ou moins élevée. D’autre part, de nombreuses métriques
permettent d’évaluer la qualité d’une pièce (Propriétés mécaniques, densité, porosités, structure
cristalline, état de surface, etc…), et le lien entre les différentes métriques d’évaluation, et entre les
métriques d’évaluation et les paramètres n’est pas explicite car les phénomènes physiques dirigeant le
procédé sont complexes. L’état de l’art a révélé plusieurs approches différentes pour répondre à un
objectif commun d’optimiser la qualité des pièces produites par fabrication additive.

Données d’entrée, données de sortie

La décomposition du projet en deux sous projets a permis d’identifier des publications qui s’intéressaient
à la construction d’un modèle pour la prédiction soit des dimensions du bain de fusion, soit de la densité
de la pièce produite. Parmi ces publications, 3 types de modèles ont été principalement identifiées. Le
Tableau 2 dresse une vue d’ensemble des modèles développés selon les données de sortie mesurées.

4
 Tableau 2 : Algorithmes d'apprentissage selon les données de sorties d'intérêt

Bain de fusion Densité

Réseaux de neurones (NN)
Machine à vecteur de support
(SVM)
Gaussian Process (GP)
(Tran & Lo, 2019 ; Zhu, Liu, & (Gor et al., 2022 ; Marrey,
Yan, 2021) Malekipour, El-Mounayri, &
Faierson, 2019)
(Lee, Peng, Shin, & Choi, 2019) (Gor et al., 2022)
(Kamath, 2016 ; Gustavo Tapia, (Liu et al., 2020 ; G. Tapia,
Khairallah, Matthews, King, & Elwany, & Sang, 2016)
Elwany, 2018)

Toutes les publications présentées dans le Tableau 2 utilisent au minimum les mêmes deux métriques
d’entrées : La puissance du laser et la vitesse de scan. D’autres paramètres sont également utilisés,
comme l’épaisseur de couche (Gor et al., 2022 ; Lee et al., 2019 ; Marrey et al., 2019); les propriétés de
l’alliage étudié (Lee et al., 2019 ; Zhu et al., 2021) ou encore l’écart entre deux traits laser (Gor et al.,
2022 ; Marrey et al., 2019 ; Tran & Lo, 2019).

Modèles

Tran & Lo (2019) ont développés plusieurs réseaux de neurones permettant de prédire les dimensions du
bain de fusion. Chaque réseau présente 2 entrées, 1 sortie et une couche cachée de 10 nœuds. Le modèle
est entrainé pour minimiser l’erreur moyenne quadratique relative, et utilise la fonction d’activation
sigmoïde. Marrey et al. (2019) développent un réseau de neurone permettant entre autres la prédiction
de la densité d’une pièce. Ils cherchent à minimiser l’erreur moyenne quadratique de leur modèle par la
méthode « traingdx », qui est la fonction Matlab permettant d’effectuer une descente de gradient. Le
modèle étant en cours de développement au moment de la publication, ni son architecture ni les fonctions
d’activations utilisées ne sont communiquées.

Une autre approche expérimentée par Zhu et al. (2021) est le développement d’un réseau de neurone
« Physics Informed » (PINN), c’est-à-dire alimenté à la fois par des résultats d’expériences numériques, et
par des modèles physiques. Pour ce faire, la fonction d’erreur (erreur moyenne quadratique) est modifiée
afin de prendre en compte les prédictions physiques et numériques lors de sa minimisation par la
méthode ADAM. La fonction d’activation utilisée est la Swish (1), considérée comme une version lissée de
la fonction ReLu.
𝜎𝑙 (𝑥) = 𝑠𝑤𝑖𝑠ℎ(𝑥) = 𝑥 𝑠𝑖𝑔𝑚𝑜𝑖𝑑(𝑥) = 𝑥/(1 − 𝑒 − 𝑥 ) (1)

Le modèle de Marrey et al. (2019) étant en développement, aucune évaluation de la performance n’est
fournie, mais les modèles de Tran & Lo (2019) et Zhu et al. (2021) présentent de bonnes performances,
avec une erreur comprise entre 2% et 10% pour l’évaluation des dimensions du bain de fusion par le
modèle PINN, et la production de pièces avec une densité moyenne de 99.89% à partir des données
produites par le réseau de neurones.

Deux autres types de modèles ont été développés pour prédire les dimensions des bains de fusion et la
densité. Gor et al. (2022) et Lee et al. (2019) ont développé des machines à vecteur de support (SVM),

5
dont l’avantage principal est de nécessiter une base de données plus restreinte que pour l’entrainement
d’un réseau de neurones. En particulier, Gor et al. (2022) ont comparé les performances du SVM et d’un
ANN à la prédiction de la densité d’une pièce, tel que présenté en Figure 3.

Figure 3 : A) Évaluation de l’erreur des modèles. B) Comparaison des coefficients R2, tiré et adapté de
(Gor et al., 2022)

L’auteur identifie le SVM comme le meilleur modèle pour déterminer la densité. La différence de
performance est cependant à relativiser. L’auteur décrit le ANN comme ayant 1200 couches, permettant
de bonnes performances prédictives, mais augmentant le risque de sur-apprentissage. Il indique
également que ces modèles sont habituellement les plus performants et les plus utilisés.

Un désavantage majeur des deux modèles présentés ci-dessus est le côté « boite noire », le modèle
fournissant des résultats dont la pertinence est difficilement évaluable par l’utilisateur. Pour répondre à
cette problématique, une autre classe de modèles d’entraiment supervisé a été étudiée, les GPR
(« Gaussian Process Regression »). L’avantage du GPR est de fournir des résultats avec une incertitude sur
la valeur, comme illustré en Figure 4. Le fonctionnement des GPR est décrit plus en détail dans la section
suivante.

Figure 4 : Visualisation des résultats d’un GPR, tiré de (Liu et al., 2020)

6
Plusieurs auteurs ont souligné la difficulté à obtenir en quantité suffisante des données permettant
d’entrainer les modèles. Il est intéressant de noter que pour Gustavo Tapia et al.,(2018) , Tran & Lo, (2019)
et Zhu et al. (2021), les données ont été générées numériquement afin d’entrainer le modèle. Ce sera
l’approche sélectionnée pour ce projet étant donné le manque de données expérimentales.

Description des méthodes

Cette section s’intéressera à la description des 3 types de modèles identifiés dans la bibliographie, les
réseaux de neurones, les machines à vecteur de support et les « Gaussian Process Regression ».

Réseaux de neurones (NN)

Pour définir un réseau de neurone, il est indispensable de définir un neurone artificiel, ou perceptron.

Un perceptron est un classifieur linéaire, qui effectue la somme de toutes les entrées pondérées par des
poids synaptiques. Cette somme est ensuite évaluée par une fonction d’activation, afin de fournir une
sortie.

Un réseau de neurone est une combinaison de perceptrons, répartis en plusieurs couches de plusieurs
perceptrons. La Figure 1 présente une schématisation d’un réseau de neurones, avec chaque rond jaune
représentant un perceptron. Ce type d’architecture permet de résoudre des problèmes non-linéaires à
partir de classifieurs linéaires.

Lors de la définition du modèle, les poids synaptiques sont générés soit aléatoirement, soit à partir d’un
modèle déjà entrainé. Pour entrainer un nouveau modèle, un jeu de données d’entrée est évalué à l’aide
du modèle, et les résultats de la prédiction du modèle sont comparés aux données de sortie théoriques,
ou étiquettes, à l’aide d’une fonction d’erreur. Un algorithme de rétropropagation est ensuite utilisé, le
plus souvent l’algorithme du gradient, afin de mettre à jour les poids synaptiques, dans l’optique de
minimiser l’erreur calculée.

Machine à vecteur de support (SVM)

Les SVM sont une méthode de résolution de problème de classification, introduite en 1992 par Vladimir
Vapnik, mais pour laquelle des modifications ont été proposées par Drucker, Burges, Kaufman, Smola, &
Vapnik (1996) afin de s’étendre à la résolution des problèmes de régression.

7
 Figure 5 : Représentation d'un SVM, tiré et adapté de (Francoeur, 2010)

Dans le cas d’un problème de classification, l’objectif est de déterminer l’hyperplan (en rouge sur la Figure
5) permettant de séparer les données de l’ensemble d’apprentissage. Si ces données sont linéairement
séparables, alors il existe généralement une infinité d’hyperplans permettant de séparer ces données. Il
est alors nécessaire de définir deux concepts supplémentaires, la marge de l’hyperplan et l’hyperplan
canonique, afin d’obtenir une solution unique. La marge d’un hyperplan est définie comme étant la
distance entre l’hyperplan et la donnée la plus proche. L’hyperplan canonique est une notation unique de
l’hyperplan.

L’optimisation du modèle consiste alors à déterminer l’hyperplan canonique à la marge maximale (En vert
sur la Figure 5). Cet hyperplan canonique peut être défini par seulement les vecteurs situés sur la marge
du modèle, d’où le nom SVM.

Dans le cas de données non linéairement séparables, la méthode de développement d’une SVM consiste
en l’application d’une transformation des données d’entrée afin de les rendre linéairement séparables.
Cette transformation est souvent effectuée en augmentant la dimension de l’espace des données
d’entrée.

Pour traiter des problèmes de régression, on mesure l’erreur comme étant fonction de la distance entre
une valeur observée et la marge de notre modèle. Si la valeur observée est dans la marge, alors l’erreur
est nulle. On cherche alors à minimiser l’erreur (Drucker et al., 1996).

Gaussian Process Regression (GPR)

Le GPR, appelé également krigeage en statistiques (Liu et al., 2020) est une méthode d’interpolation basée
sur les procédés Gaussien. Le modèle peut être décrit par la formule (2) selon (G. Tapia et al., 2016):

𝑌(𝑠) = 𝜇(𝑠) + 𝜔(𝑠) + 𝜖(𝑠) (2)

Avec s le vecteur représentant la donnée d’entrée, Y(s) la prédiction du modèle, μ(s) la moyenne des
valeurs en s, ω(s) la fonction de covariance, permettant de représenter l’influence des variables entre-
elles, et ϵ(s) représentant l’influence du bruit. Ces trois fonctions sont les hyperparamètres du modèle.

8
L’entrainement du modèle consiste en la détermination de ces hyperparamètres (Rasmussen & Williams,
2006), pour lesquels il existe différentes fonctions, chacune possédant ses propres hyperparamètres.
L’influence des hyperparamètres est illustré en Figure 6. La zone en gris étant l’intervalle de confiance,
défini à 95%, du modèle.

Figure 6 : Exemple de GPR avec différents hyperparamètres, tiré et modifié de (Rasmussen & Williams,
2006)

Conclusion

Cette étude bibliographique a permis de montrer l’importance des activités de recherche dans
l’apprentissage profond au service de la fabrication additive. La quantité de données nécessaire au
développement d’un modèle fidèle est cependant un frein, ces données étant difficiles à obtenir en
quantité suffisante. Des stratégies de développement sont alors choisies pour minimiser la quantité
nécessaire de données, et conserver des performances acceptables.

En particulier, pour la prédiction des dimensions des bains de fusion, et de la densité d’une pièce, il n’y a
pas de consensus quant au modèle à utiliser, mais il existe plusieurs types de modèles aux performances
prometteuses. C’est pourquoi la suite de mon projet s’intéressera au développement d’un réseau de
neurone, d’une machine à vecteur de support et d’un processus gaussien. La performance de ces modèles
sera évaluée en analysant l’écart entre les valeurs prédites et les valeurs théoriques, et les modèles seront
comparés entre eux. Cela permettra de conclure sur le choix du modèle à développer pour la
problématique étudiée.

En fonction des résultats de cette étude, et de la performance du meilleur modèle, son développement
sera poursuivi au cours de ma thèse, afin d’en augmenter la performance, mais également de prédire
d’autres données d’intérêt, comme la structure cristallographique ou les propriétés mécaniques.

9
Bibliographie
Drucker, H., Burges, C. J. C., Kaufman, L., Smola, A. J., & Vapnik, V. (1996). Support Vector Regression Machines, 7.
Francoeur, D. (2010). Machines à vecteurs de support - Une introduction, 19.
Gor, M., Dobriyal, A., Wankhede, V., Sahlot, P., Grzelak, K., Kluczyński, J., & Łuszczek, J. (2022). Density Prediction
in Powder Bed Fusion Additive Manufacturing: Machine Learning-Based Techniques. Applied Sciences,
12(14), 7271. https://doi.org/10.3390/app12147271
Hassanin, H., Alkendi, Y., Elsayed, M., Essa, K., & Zweiri, Y. (2020). Controlling the Properties of Additively
Manufactured Cellular Structures Using Machine Learning Approaches. Advanced Engineering Materials,
22(3), 1901338. https://doi.org/10.1002/adem.201901338
Jiang, J., Xiong, Y., Zhang, Z., & Rosen, D. W. (2022). Machine learning integrated design for additive
manufacturing. Journal of Intelligent Manufacturing, 33(4), 1073‑1086. https://doi.org/10.1007/s10845-
020-01715-6
Kamath, C. (2016). Data mining and statistical inference in selective laser melting. The International Journal of
Advanced Manufacturing Technology, 86(5‑8), 1659‑1677. https://doi.org/10.1007/s00170-015-8289-2
Kim, J.-H., Oh, W.-J., Lee, C.-M., & Kim, D.-H. (2022). Achieving optimal process design for minimizing porosity in
additive manufacturing of Inconel 718 using a deep learning-based pore detection approach. The
International Journal of Advanced Manufacturing Technology, 121(3‑4), 2115‑2134.
https://doi.org/10.1007/s00170-022-09372-0
Lee, S., Peng, J., Shin, D., & Choi, Y. S. (2019). Data analytics approach for melt-pool geometries in metal additive
manufacturing. Science and Technology of Advanced Materials, 20(1), 972‑978.
https://doi.org/10.1080/14686996.2019.1671140
Liu, Q., Wu, H., Paul, M. J., He, P., Peng, Z., Gludovatz, B., … Li, X. (2020). Machine-learning assisted laser powder
bed fusion process optimization for AlSi10Mg: New microstructure description indices and fracture
mechanisms. Acta Materialia, 201, 316‑328. https://doi.org/10.1016/j.actamat.2020.10.010
Marrey, M., Malekipour, E., El-Mounayri, H., & Faierson, E. J. (2019). A Framework for Optimizing Process
Parameters in Powder Bed Fusion (PBF) Process Using Artificial Neural Network (ANN). Procedia
Manufacturing, 34, 505‑515. https://doi.org/10.1016/j.promfg.2019.06.214
Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian processes for machine learning. Cambridge, Mass : MIT
Press.
Tapia, G., Elwany, A. H., & Sang, H. (2016). Prediction of porosity in metal-based additive manufacturing using
spatial Gaussian process models. Additive Manufacturing, 12, 282‑290.
https://doi.org/10.1016/j.addma.2016.05.009
Tapia, Gustavo, Khairallah, S., Matthews, M., King, W. E., & Elwany, A. (2018). Gaussian process-based surrogate
modeling framework for process planning in laser powder-bed fusion additive manufacturing of 316L
stainless steel. The International Journal of Advanced Manufacturing Technology, 94(9‑12), 3591‑3603.
https://doi.org/10.1007/s00170-017-1045-z
Tran, H.-C., & Lo, Y.-L. (2019). Systematic approach for determining optimal processing parameters to produce
parts with high density in selective laser melting process. The International Journal of Advanced
Manufacturing Technology, 105(10), 4443‑4460. https://doi.org/10.1007/s00170-019-04517-0
Yu, G., Xiao, L., & Song, W. (2022). Deep learning-based heterogeneous strategy for customizing responses of
lattice structures. International Journal of Mechanical Sciences, 229, 107531.
https://doi.org/10.1016/j.ijmecsci.2022.107531
Zhu, Q., Liu, Z., & Yan, J. (2021). Machine learning for metal additive manufacturing: predicting temperature and
melt pool fluid dynamics using physics-informed neural networks. Computational Mechanics, 67(2),
619‑635. https://doi.org/10.1007/s00466-020-01952-9

10