Logiciels

Dans le logiciel de fabrication additive d’apprentissage automatique de Senvol – ImpressionEn3D.com

Échantillons d’impression 3D métal en cours d’évaluation [Source: Senvol]

Le système d’analyse de la fabrication additive basée sur les données de Senvol est désormais moins mystérieux pour nous.

Dans un article publié dans Metal AM, Senvol, basé à New York, a expliqué de manière très détaillée la nature de son système d’apprentissage automatique en pleine croissance, Senvol ML, pour la fabrication additive.

Le problème qu’ils attaquent est les tests fastidieux et coûteux nécessaires pour déterminer les paramètres d’impression 3D optimaux pour une impression métallique donnée. C’est une question assez complexe, car il y a plusieurs facteurs à considérer et autant de compromis disponibles.

Ce problème est devenu, au cours des dernières années, beaucoup plus important en raison de l’adoption généralisée de l’impression 3D métal par l’industrie pour fabriquer des pièces de qualité de production. En passant à des méthodes de production additives, les fabricants trouvent que leurs connaissances approfondies antérieures des technologies de fabrication traditionnelles ne sont plus aussi utiles.

Étant donné le besoin de pièces de production par opposition à de simples prototypes, il est essentiel pour un fabricant de les produire dans les tolérances d’ingénierie désignées. Pour ce faire, le travail d’impression doit utiliser un ensemble optimal de paramètres d’impression, qui ne sont pas évidents.

Aujourd’hui, ce dilemme est généralement résolu par essais et erreurs: une opération d’impression sur métal imprimera un nombre (parfois important) de petits échantillons représentatifs de la géométrie de la pièce finale en utilisant une variété de paramètres d’impression possibles.

Ces échantillons d’impressions sont ensuite examinés en détail, même leur microstructure moléculaire, pour vérifier que les paramètres d’impression fonctionnent ou non.

Le problème est que tout cela demande un effort considérable à accomplir: non seulement vous utilisez de la poudre métallique précieuse sur des impressions non vendables, mais vous prenez également beaucoup de temps pour organiser et inspecter les impressions finales. Finalement, les paramètres «corrects» sont découverts et la production peut commencer en les utilisant.

See also  Mac Odyssey d'Anarkik3D - ImpressionEn3D.com

Senvol ML adopte une approche assez différente. Au lieu d’effectuer des tests sans fin et de «choisir le gagnant», ils utilisent une approche axée sur les données. Leur système surveille attentivement quatre aspects différents:

  1. Données de paramètres de processus (par exemple, puissance du laser, vitesse de balayage, espacement des hachures)

  2. Données de signature de processus (par exemple, données de surveillance in situ telles que la température du bain de fusion ou la profondeur du bain de fusion)

  3. Données sur les propriétés du matériau (par exemple, microstructure, densité, porosité, rugosité de surface)

  4. Données de performance mécanique (p. Ex. Résistance à la traction, résistance à la fatigue)

, Dans le logiciel de fabrication additive d'apprentissage automatique de Senvol
Un exemple de modèle mathématique «enveloppe de qualité» des résultats d’impression sur métal [Source: Senvol]

L’idée est de rassembler autant d’informations que possible pour chaque catégorie afin de développer un modèle mathématique du scénario. Ensuite, le système peut fournir une prédiction raisonnable des quatre aspects si un est spécifié.

L’approche permet à un opérateur d’effectuer un certain nombre de tests, puis les résultats de ceux-ci sont utilisés pour créer un modèle de tous les scénarios. Ensuite, des prédictions sont faites pour des scénarios spécifiques qui n’ont pas été réellement réalisés. Cela devrait être beaucoup plus rapide que de faire tous les tests et permettre une identification beaucoup plus rapide du «sweet spot» des paramètres d’impression.

Mieux encore, Senvol ML pourrait utiliser les données obtenues précédemment à partir d’autres tests pour affiner les modèles et réduire le besoin de tests dans des situations données.

Si vous souhaitez en savoir plus sur le fonctionnement de Senvol ML de manière beaucoup plus détaillée, cliquez sur le lien ci-dessous. Ils comprennent une étude de cas impliquant la marine américaine tentant de déterminer les paramètres optimaux pour une impression en acier inoxydable 316L sur un appareil Renishaw.

See also  Les programmes GKN AIRLIFT et DAM visent à innover dans l'impression 3D

Toutes les imprimantes 3D ont le problème d’identifier les paramètres d’impression optimaux pour une situation donnée. Cependant, les applications de production utilisant des procédés métalliques sont particulièrement intéressantes en raison des coûts et des risques encourus. Des outils tels que Senvol ML devraient grandement simplifier les efforts pour réussir.

Via Senvol (PDF)

Back to top button

Adblock Detected

Veuillez désactiver votre bloqueur de publicité pour pouvoir afficher le contenu de la page. Pour un site indépendant au contenu gratuit, c'est littéralement une question de vie ou de mort que d'avoir des publicités. Merci de votre compréhension ! Merci