Intelligence Artificielle Informée par la Physique de Nankin : Une Percée dans la Prédiction Thermique en Temps Réel pour la Fabrication Additive Métallique

Des chercheurs éminents de l'Université de Technologie de Nankin ont mis au point un modèle d'intelligence artificielle révolutionnaire, marquant une avancée majeure dans le domaine de la fabrication additive. Ce système, dont la conception repose sur des principes physiques solides, a été spécifiquement élaboré pour anticiper rapidement les régimes de température pendant le processus de fabrication additive à l'arc électrique et fil (WAAM).

La publication des résultats de cette étude dans la prestigieuse revue Communications Engineering constitue une étape cruciale vers l'amélioration de la qualité et de la robustesse des pièces métalliques imprimées. L'essence de cette innovation réside dans la création d'un réseau neuronal récurrent géométrique, informé par la physique. Cette approche hybride parvient à fusionner les lois fondamentales de la physique avec la puissance de l'apprentissage profond, permettant ainsi une modélisation dynamique du comportement thermique du matériau.

L'atout majeur et critique de cette réalisation est sa vélocité. Alors que les méthodologies classiques, telles que la modélisation par éléments finis, peuvent exiger jusqu'à une heure pour délivrer des résultats précis, le nouveau modèle affiche une performance stupéfiante : il fournit une prédiction en seulement 12 millisecondes. Cette rapidité est absolument essentielle pour l'implémentation de boucles de rétroaction fermées dans les environnements industriels.

L'équipe, dirigée par Minxuan Tian de l'École de Mécanique et d'Ingénierie de l'Énergie, a résolu un double défi : surmonter la lenteur computationnelle inhérente aux simulations classiques et minimiser l'accumulation d'erreurs, souvent observée dans les modèles purement basés sur les données. Au cours des essais, qui comprenaient l'impression de structures en acier à paroi mince couche par couche via une installation robotisée WAAM, le modèle a démontré une erreur de prédiction maximale d'environ 4,5 % dans les simulations et de 13,9 % lors des tests réels.

Le système est capable de projeter l'évolution de la température de manière stable sur une période allant jusqu'à 10 secondes. Cette fenêtre temporelle est fondamentale pour maîtriser les flux thermiques et, par conséquent, réduire les contraintes résiduelles. Le contrôle précis de la température dans l'impression 3D métallique est la pierre angulaire du processus, car un chauffage ou un refroidissement inégal conduit inévitablement à des défauts, tels que des fissures et des déformations, compromettant l'intégrité de la pièce finale.

L'intégration directe des contraintes physiques dans l'architecture même du réseau neuronal garantit que les prédictions restent physiquement plausibles. Cela permet au système de généraliser efficacement les données à diverses géométries et à différents régimes de processus. De plus, les chercheurs ont souligné que la réduction du temps de formation grâce à l'apprentissage par transfert augmente considérablement l'applicabilité pratique et l'adaptabilité de cette technologie à une grande variété de conditions de production. Ce bond méthodologique ouvre la voie à la mise en œuvre de systèmes de contrôle prédictif (feed-forward control) dans la fabrication additive, permettant aux machines d'ajuster des paramètres cruciaux, comme l'apport de chaleur ou la vitesse d'alimentation du fil, avant même que des problèmes ne surviennent.