Comment Siemens utilise l'apprentissage automatique et ElectroPuls pour prédire la fatigue des pièces imprimées en 3D
En utilisant des données de fatigue réelles provenant d'un système Instron ElectroPuls E10000, Siemens Digital Industries Software a développé une méthode d'apprentissage automatique qui prédit les performances en fatigue des composants métalliques imprimés en 3D qui n'ont jamais été testés physiquement — réduisant ainsi le temps et le nombre de tests nécessaires pour caractériser les pièces fabriquées de manière additive.
À propos
Siemens AG est une entreprise multinationale allemande spécialisée dans l'automatisation industrielle, l'automatisation des bâtiments, le transport ferroviaire et les technologies de la santé. C'est la plus grande entreprise d'ingénierie d'Europe et un leader mondial du marché de l'IA industrielle, de l'automatisation et des logiciels industriels.
Lieu
Munich, Allemagne
Site web
La fabrication additive (FA), également connue sous le nom d'impression 3D, décrit un certain nombre de techniques de fabrication qui construisent des pièces tridimensionnelles couche par couche, en utilisant uniquement le matériau qui compose le composant final. Les processus de FA permettent non seulement de créer des pièces très complexes et structurellement efficaces, mais réduisent également considérablement les déchets de matériaux associés aux techniques soustractives telles que l'usinage à partir d'un volume de matériau plus important.
Siemens a utilisé les données d'une campagne de tests réalisée sur une machine d'essai de fatigue ElectroPuls E10000, optimisée pour les essais de fatigue des produits fabriqués de manière additive. Ces données ont été utilisées pour évaluer les défis associés à la FA pour les alliages métalliques et pour offrir une solution à certains de ces défis par le biais de Siemens Digital Industries Software.
Pourquoi la prédiction de la fatigue dans les pièces imprimées en 3D est si difficile
La performance en fatigue d'un composant métallique est déterminée par les caractéristiques de la microstructure du matériau et la géométrie de l'échantillon. Comme pour toute technique de fabrication, les composants produits par FA contiennent des caractéristiques inhérentes au processus — contraintes résiduelles, porosités ou différences de rugosité de surface — et leur présence dépend fortement de la géométrie locale du composant, comme le montre la figure 1. Cela signifie que la relation entre la géométrie d'un composant et les caractéristiques microstructurales qui dictent sa performance en fatigue devient très complexe ; la modélisation mathématique de l'interaction entre ces caractéristiques, et l'impact individuel de chaque caractéristique, devient effectivement impossible.
Pour les fabricants produisant des composants critiques en termes de performances, l'étude des caractéristiques de fatigue implique généralement une forte dépendance aux tests de prototypes et à des campagnes de tests étendues et coûteuses. Cela est dû à un manque d'outils d'ingénierie assistée par ordinateur (IAO) capables de prédire comment les performances dynamiques diffèrent en fonction de l'agencement et de la combinaison des caractéristiques trouvées localement dans chaque composant.
La rugosité de surface est un exemple clair de la façon dont les caractéristiques locales peuvent différer entre les composants imprimés en 3D, car les pièces sont construites par des couches de matériau en surplomb d'une petite quantité, comme le montrent les différentes distributions de la figure 2. Les fabricants doivent donc imprimer et tester les pièces dans autant d'orientations que possible pour déterminer celle qui produit les meilleures caractéristiques de fatigue.
Il n'est pas faisable de tester chaque orientation de fabrication ou d'évaluer chaque combinaison de caractéristiques microstructurales — sans parler des effets des conditions de chargement, des contraintes résiduelles et des post-traitements. Néanmoins, pour que les pièces imprimées en 3D soient utilisées dans des scénarios critiques pour la sécurité, ces effets doivent être prédits de manière fiable.
Une solution d'apprentissage automatique
Grâce à l'apprentissage automatique, Siemens Digital Industries Software peut évaluer les performances en fatigue des composants imprimés en 3D qui n'ont jamais été testés mécaniquement. La méthodologie a été évaluée sur des échantillons imprimés par 3D Systems selon un ensemble fixe de paramètres de traitement, les essais de fatigue et l'analyse étant réalisés par l'équipe de fabrication additive du département de génie mécanique de la KU Leuven, à l'aide d'un Instron® ElectroPuls E10000.
Avec sa table à rainures en T intégrée, l'ElectroPuls E10000 d'Instron est optimisé pour les essais de fatigue des produits fabriqués de manière additive. Sa conception entièrement électrique, associée au logiciel convivial WaveMatrix™3 et à des fonctionnalités telles que le réglage breveté basé sur la rigidité, se combinent pour former un système polyvalent et très efficace pour les essais dans un faible encombrement. La connectivité simple aux jauges de contrainte, aux caméras DIC et à une multitude d'autres capteurs permet aux utilisateurs d'enregistrer une cartographie détaillée des contraintes sur la surface de composants de test complexes — rendant la production d'un ensemble de données détaillé pour une campagne de test plus rapide et plus facile que jamais.
À partir des données S-N réelles acquises par le système ElectroPuls, le logiciel peut ensuite prédire la courbe S-N pour des combinaisons de conditions non testées.
L'approche d'apprentissage automatique utilise la régression par processus gaussien — une méthode qui fournit une distribution de probabilité pour les résultats basée sur un ensemble minimal de données d'entrée, offrant des avantages par rapport aux approches d'interpolation ou d'extrapolation classiques.
Des données de test aux prédictions de durabilité
Après l'intégration de l'apprentissage automatique dans le logiciel Siemens Simcenter 3D Specialist Durability, les propriétés de fatigue peuvent être définies par région ou par élément, y compris les traitements matériels supplémentaires. À partir du modèle CAO, le système identifie les caractéristiques affectant la fatigue dans le composant, et l'algorithme d'apprentissage automatique prédit les courbes S-N locales correspondant aux différents éléments de surface du modèle. Un calcul de durabilité quantifie ensuite l'accumulation des dommages pour l'ensemble de la structure, en fonction de ses caractéristiques locales, des propriétés du matériau et de la cartographie des courbes S-N sur le modèle — produisant une simulation comme celle représentée schématiquement à la figure 3.
Les résultats de la figure 4 montrent le comportement en fatigue prédit pour trois échantillons différents. Dans chaque cas, les données de test réelles pour cet échantillon (représentées par des points de données bleus) n'ont pas été introduites dans l'algorithme d'apprentissage automatique. L'algorithme a prédit avec succès le comportement de chaque échantillon, tous les points se situant dans les limites supérieure et inférieure de la prédiction et proches de la courbe S-N prédite (ligne rouge continue). Les échantillons comprenaient une construction orientée à 90 degrés avec usinage ultérieur et traitement de pressage isostatique à chaud (HIP), et deux constructions orientées à 50 degrés — l'une recevant un traitement de recuit complet (FA), l'autre un traitement HIP.
Une voie plus rapide vers des données de fatigue fiables
Cette approche d'apprentissage automatique de Siemens offre une méthode réussie pour caractériser les propriétés de fatigue des composants fabriqués de manière additive, sans nécessiter d'inférence spécifique de chaque facteur affectant la fatigue. La méthode est également suffisamment flexible pour tenir compte des phénomènes locaux au sein d'un échantillon donné.
Pour les installations de fabrication additive qui disposent généralement d'un nombre limité de personnel spécialisé mais d'une forte demande de tests, la combinaison de l'approche d'apprentissage automatique de Siemens et de l'efficacité des tests de l'ElectroPuls E10000 entraîne une réduction significative du temps et du nombre de tests requis pour obtenir un large éventail de résultats.
Lectures complémentaires
Lire l'article original de Siemens(s'ouvre dans un nouvel onglet)
Parlez à un expert Instron.
Vous ne savez pas si l'ElectroPuls E10000 convient à votre application d'essai de fatigue ou de fabrication additive ? Faites-nous part de vos besoins et nous vous aiderons à trouver la bonne solution.
Parlez à un ingénieur d’applications
Parlez-nous de vos besoins en matière de tests, et nous vous aiderons à configurer le bâti, le capteur de force, les mors et le logiciel adaptés à votre laboratoire. Veuillez remplir le formulaire ci-dessous, et nous vous répondrons dans un délai de 1 à 2 jours ouvrables. Pour une réponse plus rapide, appelez le +1-800-473-7838 ou le +1 781 828 2500 si vous êtes en dehors des États-Unis.
