Soutenance de thèse de Valentine CAZAUBON

26 novembre 2021

SOUTENANCE PUBLIQUE DE THÈSE

Vendredi 26 Novembre 2021 à 10h30 par Valentine CAZAUBON

pour obtenir le grade de docteur de l’Université de Bordeaux

Spécialité : Mécanique

Lieu : Amphi 300, Estia Berri, 90 Allée Fauste d’Elhuyar, 64210 Bidart

Sujet

Procédé de Fabrication Additive par Dépôt de Fil Fondu : Modèles, Méthodes et Stratégies pour la Correction de Défaut de Pièce Mécanique

Jury

M. ROUCOULES, Lionel                 Professeur, ENSAM Centre Aix-en-Provence                      Rapporteur

M. VIGNAT, Frédéric                      MCF HDR, Université Grenoble Alpes                                 Rapporteur

Mme LARTIGUE, Claire                  Professeure, Université Paris-Saclay, Cachan                    Examinatrice

Mme POIRSON, Emilie                  Professeure, Ecole Centrale de Nantes                               Examinatrice

M. SEBASTIAN, Patrick                  MCF HDR, Université de Bordeaux                                       Examinateur

Mme RIAS, Anne-Lise                    Docteure, AddUp                                                                     Examinatrice

M. FISCHER, Xavier                         Professeur, ESTIA                                                                    Directeur

Mme. ABI AKLE, Audrey               Professeure assistante, ESTIA                                                Encadrante

M. MICHAUD, Pierre                     Docteur, Plateforme Technologique Addimadour            Invité

 

Résumé
La fabrication additive métallique regroupe un ensemble de procédés de fabrication, notamment le procédé de dépôt par fusion laser de fil, LMD-w en anglais. Grâce à ces procédés, il est possible de fabriquer, de corriger ou d’ajouter de nouvelles fonctions aux pièces mécaniques. Dans le cadre de nos travaux de recherche nous avons choisi de nous concentrer sur la correction par fabrication additive métallique de défauts de pièce mécanique. L’objectif de cette recherche est l’aide au choix de la paramétrie machine adaptée à un problème de correction de pièce par ajout de matière. Pour cela nous avons développé un modèle de comportement intégrant la complexité de mise en œuvre du procédé LMD-w liée à des phénomènes multiphysiques et multi-échelles. Pour la construction de ce modèle , nous avons menés trois campagnes d’expérimentations consistant à fabriquer des cordons - géométrie élémentaire de fabrication additive - puis de les analyser à l’aide d’un instrument optique antérieurement validé. Ce modèle a permis d’établir des relations entre les paramètres d’entrée étudiés - puissance laser, vitesse d’avance de fil, vitesse de déplacement de l’outil- et les sorties géométriques-hauteur de cordon et de dilution, largeur de cordon et de dilution, angle de contact et déplacement du substrat -. Dès lors, un modèle de connaissance a été développé. Il est composé d’un réseau de neurones et d’un modèle de simulation numérique du procédé LMD-w. Ces deux sous-modèles communiquent entre eux grâce à la génération d’un maillage de la géométrie à simuler, en sortie de réseau de neurones. Enfin pour compléter notre proposition d’aide au choix de paramétrie machine adaptée à un problème de correction, nous avons développé un algorithme d’optimisation reposant sur le principe de dominance au sens de Pareto. En sortie de cet algorithme, les données sont visualisées sur un graphique interactif le « parallel coordinates plot ». L’ensemble de nos travaux permet ainsi de simuler des solutions optimales de quatre stratégies de correction de pièces mécaniques avec le procédé LMD-w, d’explorer l’espace de conception constitué de ces solutions optimales et de sélectionner une solution dite « préférée » à l’aide d’une visualisation interactive des espaces de performance et de décision.

Mots-clés 
Fabrication additive – Pièce mécanique – Correction de Défauts – Modèle de connaissance – Modèle de comportement – Aide à la décision.

Abstract

Metal additive manufacturing is a group of manufacturing processes, including the process of deposition by laser melting of wire, LMD-w in English. With these processes, it is possible to manufacture, correct or add new functions to mechanical parts. Within the framework of our research work, we have chosen to focus on the correction of mechanical part defects by metallic additive manufacturing. The objective of this research is to help in the choice of the machine parameters adapted to a problem of correction of part by adding material. For this purpose, we have developed a behavioral model integrating the complexity of the implementation of the LMD-w process related to multiphysical and multiscale phenomena. For the construction of this model, we have conducted three experimental campaigns consisting in manufacturing beads - elementary geometry of additive manufacturing - and then analyzing them with an optical instrument previously validated. This model allowed us to establish relationships between the input parameters studied - laser power, wire feed speed, tool displacement speed - and the geometric outputs - bead and dilution height, bead and dilution width, contact angle and substrate displacement -. Therefore, a knowledge model was developed. It consists of a neural network and a numerical simulation model of the LMD-w process. These two sub-models communicate with each other thanks to the generation of a mesh of the geometry to be simulated, at the output of the neural network. Finally, we have developed an optimization algorithm based on the principle of dominance in the Pareto sense to complete our proposal to help in the choice of machine parameters adapted to a correction problem. At the output of this algorithm, the data are visualized on an interactive graph called "parallel coordinates plot". Our work allows us to simulate optimal solutions of four correction strategies for mechanical parts with the LMD-w process, to explore the design space constituted by these optimal solutions and to select a "preferred" solution with the help of an interactive visualization of the performance and decision spaces.

Key words

Additive Manufacturing – Mechanical Parts – Defects Correction – Behaviour Model – Knowledge Model – Decision Support

Laboratoires d’accueil 

ESTIA-Recherche

École doctorale

Science Physiques et de l’Ingénieur (EDSPI)

Soutiens

 

Les travaux de recherche menés avec cette thèse doctorale sont financés par le projet FUI Addimafil.