Une équipe de recherche dirigée par le Dr. Jeong Min Park de la Division de recherche sur les nanomatériaux du Korea Institute of Materials Science (KIMS), en collaboration avec le Dr. Jaemin Wang et le Prof. Dierk Raabe de l’Institut Max Planck en Allemagne, a développé un modèle basé sur l’intelligence artificielle (IA) capable d’évaluer la probabilité et les caractéristiques des défauts internes lors de la conception des processus. Cette réalisation de recherche devrait considérablement améliorer la fiabilité des pièces de fabrication additive métallique et étendre grandement leur applicabilité pour la production de masse en milieu industriel.
La fabrication additive métallique a attiré l’attention en tant que technologie de production de nouvelle génération capable de fabriquer des composants complexes à haute valeur ajoutée. Cependant, son application industrielle a été limitée en raison des défauts internes microscopiques générés pendant le processus, qui peuvent entraîner la défaillance des composants et la dégradation des performances. L’évaluation conventionnelle de la qualité s’est principalement concentrée sur des indicateurs simples tels que la porosité. En pratique, cependant, l’impact sur les performances mécaniques varie considérablement selon la forme, la taille, l’emplacement et la distribution des défauts.
Pour relever ces défis, l’équipe de recherche a développé un modèle d’intelligence artificielle explicable (Explainable AI) capable d’analyser et de prédire systématiquement les relations entre les conditions de processus de fabrication additive métallique, la morphologie des défauts et les performances mécaniques. Cette approche permet de prédire les défauts internes potentiels et leur impact sur les performances dès l’étape de conception du processus, présentant ainsi un nouveau cadre pour la conception de processus tenant compte des défauts et la gestion de la qualité.
La caractéristique principale du modèle d’IA développé réside dans sa capacité à analyser et prédire les défauts internes générés pendant le processus de fusion laser sur lit de poudre (LPBF) de la fabrication additive métallique sur la base de caractéristiques morphologiques—telles que la forme et la distribution—plutôt que simplement le nombre ou la fraction de défauts. En utilisant des images microstructurales, le modèle analyse automatiquement la taille des pores, la non-circularité et la distribution spatiale, et corrèle directement ces facteurs avec les propriétés mécaniques, permettant une explication quantitative de la façon dont les défauts influencent les performances réelles. En particulier, le modèle est conçu pour expliquer pourquoi les défauts augmentent et les performances se détériorent sous certaines conditions de processus, le distinguant des modèles d’IA « boîte noire » conventionnels dont les processus de décision ne sont pas transparents.
L’équipe de recherche a analysé de manière exhaustive les conditions de processus, les caractéristiques de la poudre, les images de défauts et les données de propriétés mécaniques pour divers matériaux de fabrication additive métallique, y compris l’acier, les alliages d’aluminium et les alliages de titane, et a utilisé ces ensembles de données pour entraîner le modèle d’IA. Grâce à cette approche, ils ont établi un cadre intégré capable de prédiction étape par étape—évaluant comment les variables de processus et les caractéristiques de la poudre influencent la formation des défauts, et comment la morphologie des défauts affecte ensuite les performances mécaniques.
Cette technologie peut considérablement améliorer la fiabilité de la qualité des composants métalliques imprimés en 3D et accélérer leur production de masse pour les pièces à haute valeur ajoutée. En particulier, elle peut être utilisée pour l’optimisation des processus et le contrôle de la qualité de la fabrication additive métallique dans les industries nécessitant des composants métalliques hautement fiables, telles que l’aérospatiale, la défense et la mobilité. En réduisant les taux de défauts ainsi que le gaspillage de matériaux et les coûts de retouche, elle devrait améliorer l’efficacité globale de la production industrielle.
Newsletter Enerzine
Recevez les meilleurs articles
Énergie, environnement, innovation, science : l’essentiel directement dans votre boîte mail.
Le Dr. Jeong Min Park du KIMS, l’inventeur principal, a déclaré : « Cette recherche va au-delà de la simple réduction des défauts dans les composants métalliques imprimés en 3D ; elle établit un cadre scientifique qui explique comment des types spécifiques de défauts influencent directement les performances. Nous espérons que ce travail contribuera à une adoption industrielle plus large de la fabrication additive métallique, en particulier dans les secteurs hautes performances comme l’aérospatiale, l’espace et la défense. »
Cette recherche a été soutenue par le Programme de recherche fondamentale du KIMS (Chercheur principal : Dr. Sang-Woo Kim, Division de recherche sur le traitement des matériaux), le Programme de développement des technologies des matériaux et composants financé par le Ministère du commerce, de l’industrie et de l’énergie (Chercheur principal : Dr. Kyung Tae Kim, Division de recherche sur les nanomatériaux), et le Programme de développement des technologies d’innovation pour l’efficacité énergétique (Chercheur principal : Dr. Jeong Min Park, Division de recherche sur les nanomatériaux). Les résultats de la recherche ont été publiés en ligne le 1er janvier 2026 dans Acta Materialia (IF 9.3), l’une des revues les plus prestigieuses au monde dans le domaine de la métallurgie.
L’équipe de recherche prévoit de mener des études de suivi pour étendre cette technologie à un système de gestion de la qualité basé sur le jumeau numérique applicable en milieu industriel.
Article : Data-Driven analysis relates mechanical properties to pore morphology in laser powder bed fusion – Journal : Acta Materialia – DOI : Lien vers l’étude
Source : KIMS
