---
title: "L’apprentissage automatique prédit la performance du Ti6Al4V imprimé en 3D"
url: https://www.voxelmatters.com/fr/prediction-des-performances-du-ti6al4v-imprime-en-3d-par-apprentissage-automatique/
date: 2025-08-11
modified: 2025-08-11
lang: fr
author: "Edward Wakefield"
description: "Des chercheurs de l'Université des sciences & technologies du Sud de la Chine ont récemment publié un article dans Frontiers of Mechanical Engineering, proposant une approche axée sur les données,..."
categories:
  - "Fabrication additive métal"
  - "IA"
  - "Logiciels de FA"
  - "Recherche sur la FA"
tags:
  - "future"
image: https://www.voxelmatters.com/wp-content/uploads/2025/08/1-1.webp
word_count: 417
---

# L’apprentissage automatique prédit la performance du Ti6Al4V imprimé en 3D

Des chercheurs de l'Université des sciences & technologies du Sud de la Chine [ont récemment publié un article dans *Frontiers of Mechanical Engineering*](https://link.springer.com/article/10.1007/s11465-024-0796-0), proposant une approche axée sur les données, fondée sur le *stacking ensemble learning *(apprentissage par empilement), pour prédire les propriétés mécaniques de l’alliage Ti6Al4V formé par [fusion sur lit de poudre laser (LPBF) à grande échelle](https://www.voxelmatters.com/tekna-receives-cad-1-6-million-order-of-lpbf-titanium-powder/).

[Lors de la fabrication de pièces en Ti6Al4V parts par LPBF](https://www.voxelmatters.com/fotec-integrates-am-into-industrial-process-chains/), le procédé implique de nombreux paramètres interdépendants, ce qui rend difficile la détermination des réglages appropriés. Les techniques d’apprentissage automatique peuvent résoudre ce problème, mais les modèles uniques ont du mal à capturer des relations complexes. Les modèles de type *stacking*, qui combinent les avantages de plusieurs modèles afin d’améliorer les performances, sont utilisés dans cette étude pour prédire les propriétés mécaniques de l’alliage Ti6Al4V dans le domaine de la FA.

[De la poudre sphérique de Ti6Al4V](https://www.voxelmatters.com/hoganas-offers-ti6al4v-3d-printing-capabilities-digital-metal-technology/)[![Researchers from South China University of Technology use machine learning to predict 3D printed Ti6Al4V performance. ](https://www.voxelmatters.com/wp-content/uploads/2025/08/image-23.png)](https://www.voxelmatters.com/hoganas-offers-ti6al4v-3d-printing-capabilities-digital-metal-technology/)
a été utilisée pour préparer des éprouvettes de traction sur un équipement LPBF spécifique. Les plages de paramètres pour la puissance laser, la vitesse de balayage et l’espacement des passes ont été définies, et 64 combinaisons de paramètres ont été obtenues grâce à des expériences selon un plan orthogonal. Des algorithmes tels que ANN, ENet, KRR, GBR et Lasso ont été employés pour construire un modèle de *stacking* destiné à prédire la résistance à la traction. L’optimisation bayésienne et la validation croisée ont été utilisées pour optimiser le modèle, et plusieurs indicateurs ont permis d’évaluer ses performances.

L’analyse du coefficient de corrélation de Pearson a révélé que la vitesse de balayage a l’impact le plus important sur la résistance à la traction, suivie par la puissance laser, l’espacement des passes ayant l’effet le plus faible. Après optimisation, la combinaison optimale de modèles de base pour le modèle de *stacking* a été déterminée. Les résultats d’entraînement et de test montrent que le modèle de *stacking* présente une précision de prédiction plus élevée et une meilleure stabilité que le modèle ANN, capturant plus efficacement les relations complexes entre les paramètres de procédé et la résistance à la traction.

Le modèle de *stacking ensemble learning* proposé par l'Université des sciences & technologies du Sud de la Chine offre un cadre efficace pour prédire la résistance à la traction de l’alliage Ti6Al4V fabriqué par LPBF à grande échelle. Cette étude détermine le degré d’influence des paramètres clés, valide les avantages du modèle de *stacking* sous plusieurs aspects et propose une méthode fiable pour prédire les propriétés mécaniques des [pièces métalliques dans le procédé LPBF](https://www.voxelmatters.com/fr/voxelmatters-metal-am-focus-2024-ebook/).