L’IA rend l’alliage aérospatial de la NASA plus facile à imprimer en 3D

L’impression 3D métallique peut créer des pièces de moteur de fusée avec des canaux de refroidissement internes et des géométries que la fabrication conventionnelle a du mal à produire. Cependant, la capacité de concevoir une composante avancée sur ordinateur ne signifie pas qu’un fabricant sait comment l’imprimer avec succès.

Chaque combinaison de puissance laser, de vitesse de balayage, d’alimentation en poudre, de débit de gaz et de hauteur de couche peut modifier le résultat. Une combinaison inadéquate peut engendrer des pores, des fissures ou une adhérence faible. Découvrir les bons réglages nécessite souvent des mois d’essais et d’erreurs coûteux.

Des chercheurs de la Washington State University et de l’University of Minnesota ont démontré¹ que l’intelligence artificielle peut rendre cette recherche nettement plus efficace. Leur système a identifié plusieurs façons d’imprimer le GRCop-42, un alliage de cuivre difficile développé par la NASA, en utilisant des imprimantes 3D métalliques à moindre puissance et plus largement disponibles.

La réalisation est importante au‑delà d’un seul alliage. Elle suggère que l’IA pourrait aider les fabricants à introduire de nouveaux matériaux en production plus rapidement, à réduire le coût du développement de processus et à augmenter le nombre d’installations capables de produire des composants aérospatiaux spécialisés.

Pourquoi le GRCop-42 est précieux pour la fabrication aérospatiale

Le GRCop-42 est un alliage de cuivre, de chrome et de niobium développé pour des environnements où les composants doivent résister à des températures extrêmes. Il combine une haute conductivité thermique avec résistance, résistance à l’oxydation, résistance au fluage et résistance à la fatigue thermique.

Ces propriétés le rendent particulièrement utile dans les chambres de combustion de moteurs de fusée, les échangeurs de chaleur et d’autres systèmes à fort flux thermique. Le cuivre conduit bien la chaleur, mais les alliages de cuivre conventionnels peuvent perdre en résistance à des températures élevées. Le GRCop-42 a été conçu pour équilibrer ces deux exigences.

Les mêmes caractéristiques qui rendent l’alliage précieux le rendent également difficile à imprimer. Le cuivre reflète une grande partie de l’énergie infrarouge produite par les lasers à fibre courants. Il dissipe également la chaleur absorbée du bain de fusion très rapidement. Si l’imprimante ne peut pas créer et maintenir un bain de fusion stable, le matériau déposé peut ne pas se lier correctement.

Les fabricants peuvent compenser en utilisant des équipements plus puissants, mais cela augmente le coût d’accès. Les chercheurs se sont donc demandé si le GRCop-42 pouvait être déposé avec succès en dessous de 900 watts, avec un intérêt particulier pour la plage de 500 à 700 watts prise en charge par de nombreuses machines supplémentaires.

Comment l’IA a remplacé un processus coûteux d’essais et erreurs

L’équipe a développé un cadre appelé Conception Expérimentale Bayésienne pour la Fabrication Additive, ou BEAM. Il ne fait pas fonctionner l’imprimante de manière autonome ni n’invente une pièce. Au contraire, il décide quelles configurations d’impression sont les plus utiles à tester ensuite.

BEAM commence avec des expériences antérieures, y compris des impressions échouées. Il construit un modèle probabiliste reliant les réglages de l’imprimante à la probabilité de produire une structure acceptable, puis sélectionne un autre petit lot pour des tests physiques. Ces résultats sont réintégrés au modèle et le cycle se répète.

Il s’agit d’une utilisation pratique de l’IA car elle maintient l’expérimentation physique dans la boucle. D’autres chercheurs appliquent de manière similaire l’IA pour améliorer la précision du traitement métallique basé sur le laser. Le modèle n’a pas besoin de simuler parfaitement chaque interaction métallurgique. Il suffit qu’il rende chaque expérience coûteuse plus informative qu’une supposition largement manuelle.

L’incitation économique est importante. Selon l’article, une seule opération de dépôt d’énergie dirigée peut coûter entre 500 $ et 1 000 $. L’analyse post‑impression peut nécessiter 500 $ supplémentaires par échantillon et prendre de une à quatre semaines. Explorer la fenêtre de processus d’un nouvel alliage peut donc dépasser 100 000 $, même avant de prendre en compte des mois de main‑d’œuvre spécialisée.

Ce que les chercheurs ont testé

Les chercheurs ont utilisé un système de dépôt d’énergie dirigée à cinq axes équipé d’un laser à fibre infrarouge de 1 000 watts. Le dépôt d’énergie dirigée alimente la poudre métallique dans un bain de fusion généré par le laser, construisant progressivement le matériau sur une surface. Dans ce cas, le système a déposé du GRCop-42 sur de l’Inconel 718, un autre alliage largement utilisé dans les applications à haute température.

Les combinaisons potentielles de débit d’alimentation, de débit de gaz, de vitesse de balayage, de hauteur de couche et de puissance laser ont généré environ un million de configurations candidates à chaque niveau de puissance. Plutôt que d’explorer cet espace immense manuellement, BEAM a reçu un budget de seulement 10 expériences pour chaque puissance laser sélectionnée.

En trois mois, le cadre a trouvé au moins une configuration réalisable à chaque niveau de puissance. Les échantillons réussis comprenaient des intérieurs solides avec peu de défauts et une transition fluide entre les matériaux GRCop-42 et Inconel 718. L’équipe a également découvert que des vitesses de balayage exceptionnellement élevées et des couches plus fines que la normale étaient importantes pour produire des structures solides.

L’impression à basse puissance pourrait élargir l’accès aux alliages avancés

Imprimer le GRCop-42 à 500 watts ne réduit pas seulement la consommation électrique d’un laser. Cela change les équipements pouvant y participer. L’article estime que plus de 90 % des imprimantes concernées fonctionnent entre 500 et 1 000 watts. Trouver des réglages fiables dans cette plage pourrait permettre aux universités, aux petits fabricants et aux installations de recherche spécialisées de travailler avec un alliage qui, autrement, nécessiterait des systèmes plus coûteux.

Une opération à basse puissance peut également réduire la distorsion, améliorer la qualité de surface, limiter l’usure des optiques du laser et diminuer les exigences de post‑traitement. Ces avantages devraient être mesurés pour un processus de production spécifique, mais ils montrent pourquoi la découverte de paramètres influence l’économie de la fabrication autant que la faisabilité technique.

Les avantages potentiels incluent :

• Moins d’échecs de construction lors du développement du matériau
• Moins d’exigences en équipements et post‑traitement
• Qualification plus rapide de nouveaux matériaux et composants
• Production plus distribuée de pièces métalliques spécialisées

Ce dernier point est particulièrement pertinent pour l’aérospatiale et la défense. Ces industries ont besoin de faibles volumes de pièces spécialisées et sont souvent confrontées à des chaînes d’approvisionnement avec peu de fournisseurs qualifiés. Un processus transférable à davantage de machines pourrait rendre les petites séries de production moins dépendantes d’une installation unique.

L’IA pourrait devenir un outil de commercialisation des matériaux

L’opportunité plus large ne se limite pas au GRCop-42. La fabrication additive métallique prend en charge de nombreux alliages potentiellement précieux, mais chaque nouvelle combinaison de matériau et de machine nécessite sa propre fenêtre de processus. Un réglage qui fonctionne sur une imprimante peut ne pas se transférer parfaitement à une autre en raison de différences de lasers, de poudre, d’atmosphère, de géométrie et de comportement thermique.

Cela crée un goulot d’étranglement caché. Les scientifiques des matériaux peuvent formuler un alliage aux propriétés impressionnantes, tandis que les fabricants peuvent encore manquer d’une méthode abordable et reproductible pour le transformer en composants finis. Des méthodes similaires assistées par IA sont déjà utilisées pour développer des aciers imprimables en 3D plus résistants et plus résistants à la corrosion. La conception expérimentale guidée par l’IA peut aider à combler le fossé de fabrication restant en traitant les expériences échouées comme des données utiles et en orientant les ressources vers les parties de l’espace de recherche les plus susceptibles de produire des résultats viables.

À mesure que les entreprises collectent des données à travers les machines et les matériaux, les modèles pourraient éventuellement lancer des projets avec les connaissances acquises à partir d’alliages similaires. Cela transformerait l’historique du développement de processus en un actif de fabrication réutilisable.

Cependant, la présente étude ne doit pas être interprétée comme une preuve que des composants prêts à voler peuvent désormais être imprimés à 500 watts. Les chercheurs ont produit des échantillons de laboratoire, pas des moteurs de fusée certifiés. L’adoption aérospatiale nécessiterait encore des études de répétabilité, des essais mécaniques, une validation au niveau des composants et une approbation selon des systèmes de qualité exigeants. BEAM a accéléré la découverte de réglages réalisables, ce qui constitue une étape précoce mais coûteuse d’un processus de commercialisation bien plus long.

Investir dans la fabrication additive métallique assistée par IA

Pour les investisseurs intéressés par les entreprises opérant à l’intersection de l’aérospatiale, de l’IA et de la fabrication additive, Velo3D (VELO ) propose un exemple particulièrement pertinent. L’entreprise développe la gamme Sapphire de systèmes de fabrication additive métallique pour des applications aérospatiales et de défense critiques.

Velo3D a déjà qualifié le GRCop-42 pour sa plateforme. Sa technologie utilise la fusion laser sur lit de poudre plutôt que le processus de dépôt d’énergie dirigée testé dans l’article, de sorte que les configurations de BEAM ne peuvent pas être simplement copiées sur une imprimante Sapphire. Le principe plus large reste pertinent : la découverte guidée par l’IA pourrait aider les fabricants d’imprimantes à qualifier des matériaux difficiles et à réduire les coûts de développement.

Cela fournit une thèse d’investissement naturelle autour de l’accumulation de connaissances de processus. L’avantage concurrentiel à long terme dans l’impression métallique ne proviendra peut‑être pas uniquement de la puissance du laser ou du volume de construction. Il pourra également dépendre de l’entreprise capable de convertir de manière fiable la plus large gamme de matériaux avancés en pièces reproductibles et certifiables.

Velo3D reste une petite capitalisation spéculative exposée aux risques d’exécution, de financement, de concurrence et de concentration de clientèle. Néanmoins, son orientation aérospatiale et sa capacité existante avec le GRCop-42 en font une société cotée pertinente à surveiller alors que l’IA s’intègre davantage dans le développement de processus industriels.

L’IA change la façon dont les technologies physiques sont développées

La caractéristique la plus conséquente de BEAM est qu’elle applique l’IA à une contrainte industrielle physique. Elle ne génère pas un concept qui doit encore être testé. Elle choisit quel test réel doit être réalisé ensuite, apprend du résultat et rend l’expérience suivante plus éclairée.

Cette boucle fermée pourrait devenir un modèle déterminant pour l’IA dans la fabrication. À mesure que les matériaux et les composants deviennent plus spécialisés, l’expérimentation exhaustive devient trop lente et coûteuse. Les systèmes qui combinent apprentissage automatique et expertise peuvent restreindre la recherche sans exclure les scientifiques ou les ingénieurs du processus.

Pour les fabricants aérospatiaux, le résultat immédiat est une manière plus accessible d’imprimer un alliage précieux de la NASA. L’implication plus profonde est que l’IA pourrait raccourcir le chemin entre la découverte d’un matériau avancé et la production de pièces utiles à partir de celui‑ci. Cela pourrait étendre la fabrication additive au‑delà de la liberté géométrique et en faire une plateforme plus rapide pour la commercialisation des matériaux eux‑mêmes.

Références :

^{1. Fadhel, A., Zuckschwerdt, N. W., Deshwal, A., Bose, S., Bandyopadhyay, A., & Doppa, J. (2026). Discovery of feasible 3D printing configurations for metal alloys via AI-driven adaptive experimental design. Proceedings of the AAAI Conference on Artificial Intelligence, 40(47), 39939-39948. https://www.securities.io/ai-designed-3d-printed-rust-proof-steel/} en français.