Le département de l’Énergie des États-Unis détecte en temps réel les défauts d’impression 3D

Selon le département de l’Énergie des États-Unis (US DoE), des chercheurs ont utilisé des outils de diagnostic et l’apprentissage automatique pour mettre au point une nouvelle méthode permettant de détecter et de prédire les défauts dans les matériaux imprimés en 3D. Cette méthode repose sur diverses techniques d’imagerie et d’apprentissage automatique pour détecter en temps réel la formation de pores, avec une précision quasi parfaite. Les chercheurs prévoient maintenant de développer des technologies de détection capables d’identifier d’autres types de défauts qui surviennent durant le processus de FA, dans le but de créer un système qui non seulement détecte les défauts, mais permet aussi des réparations pendant l’impression.

De nombreuses industries s’appuient sur la FA métallique pour produire rapidement des pièces et des composants complexes – allant des tuyères de moteurs de fusée aux pistons pour voitures haute performance, en passant par des implants orthopédiques personnalisés. De nouveaux outils de diagnostic avancés, capables de détecter et potentiellement de corriger les défauts, contribueront à élargir l’utilisation de la FA dans l’aérospatiale et d’autres secteurs qui dépendent de pièces métalliques haute performance.

L’un des principaux défauts associés à la fusion laser sur lit de poudre est la formation de pores en trou de serrure. Ces pores ou défauts structuraux peuvent compromettre la performance des pièces imprimées. De nombreuses imprimantes 3D sont dotées de capteurs d’imagerie thermique pour surveiller la fabrication en cours, mais ces capteurs peuvent passer à côté de la formation de pores. Le seul moyen de détecter directement des pores à l’intérieur de métal dense est l’imagerie par rayons X, à l’aide de faisceaux très intenses comme ceux produits par l’Advanced Photon Source, une installation utilisateur du Bureau des sciences du DoE.

Dans cette étude, les chercheurs ont corrélé les images aux rayons X de l’intérieur des échantillons avec les images thermiques de la piscine de fusion et ont découvert que la formation d’un pore en trou de serrure produit un signal distinct à la surface du matériau, détectable par des caméras thermiques. Ils ont d’abord entraîné un modèle d’apprentissage automatique avec des images aux rayons X pour prédire la formation de pores à partir des seules images thermiques. Ensuite, ils ont testé la capacité du modèle à interpréter les signaux thermiques complexes et à prédire la formation de pores dans des échantillons non étiquetés. Les chercheurs ont constaté que cette approche permettait de détecter l’instant exact de la formation d’un pore durant le processus d’impression, à des échelles de temps inférieures à une milliseconde.