Précision alimentée par l’IA pour transformer l’impression 3D métallique à base de laser

Dans le monde de l’impression 3D ou de la fabrication additive, le traitement métallique à base de laser est une technique populaire qui permet une production automatisée, précise et rapide de composants complexes.

Le traitement des métaux à base de laser consiste à utiliser un laser comme source d’énergie pour manipuler le métal. Un laser est un faisceau amplifié de lumière ou de rayonnement électromagnétique qui peut se propager en ligne droite avec peu de divergence. 

Cela rend les lasers très utiles dans le traitement des matériaux, où ils sont utilisés pour l’usinage, l’assemblage et l’ingénierie de surface. En fabrication additive, les lasers sont utilisés pour faire fondre les matériaux et fabriquer des composants couche par couche.

La fabrication additive consiste simplement à créer un produit couche par couche. Elle a commencé avec l’utilisation de plastiques comme matériau, grâce à la facilité de mise en forme. Mais elle s’est désormais étendue à tous les types de matériaux, y compris les matériaux métalliques.

Les matériaux métalliques sont reconnus pour leurs propriétés attrayantes, telles qu’une excellente conductivité électrique, une haute résistance, ductilité et point de fusion, ce qui les rend très utiles dans les applications biomédicales, énergétiques, architecturales et militaires. 

Le traitement laser des métaux offre quant à lui des avantages uniques tels qu’une densité d’énergie élevée, une zone affectée par la chaleur étroite et peu de contamination. C’est pourquoi les procédés laser sont utilisés dans de nombreux secteurs, en particulier là où une précision maximale et une forte personnalisation sont requises. Mais ils comportent leurs propres complications et défis techniques. 

“Pour garantir que les procédés à base de laser puissent être utilisés de manière flexible et obtenir des résultats cohérents, nous travaillons à une meilleure compréhension, surveillance et contrôle de ces procédés.”

– Elia Iseli, responsable du groupe de recherche au laboratoire de traitement avancé des matériaux d’Empa

Dans ce but, les chercheurs Giulio Masinelli et Chang Rajani d’Empa à Thun rendent les techniques de fabrication à base de laser plus accessibles, abordables et efficaces, en utilisant l’apprentissage automatique.

Comprendre les avantages et les défis de la fusion par lit de poudre laser (PBF-LB)

Dans le domaine plus large du traitement métallique à base de laser, la fusion par lit de poudre est une technique populaire, qui consiste à utiliser un laser pour faire fondre de fines couches de poudre métallique aux emplacements précis et les souder ensemble pour produire le composant final.

La fusion par lit de poudre avec faisceau laser (PBF-LB), quant à elle, est une technique spécialisée qui a suscité beaucoup d’attention ces dernières années. Dans cette technologie de fabrication additive de premier plan, des lasers à très haute puissance sont utilisés pour faire fondre spécifiquement les poudres métalliques couche par couche avant de les assembler en composants personnalisés et très précis. 

Cette technique permet la production de géométries complexes tout en offrant des possibilités de personnalisation et en assurant l’efficacité du matériau. 

Ces caractéristiques rendent le PBF-LB particulièrement bénéfique pour des industries telles que l’automobile, le médical, l’aérospatiale et les produits de consommation, où l’on a besoin de pièces légères et complexes, de conceptions personnalisées, de précision, de réduction de poids et de prototypage rapide, respectivement. 

Bien que polyvalente et efficace, la technique rencontre plusieurs obstacles pour atteindre une adoption plus large et une optimisation.

Cela inclut la difficulté à identifier le cadre de traitement idéal pour la poudre métallique utilisée.

“Même un nouveau lot de la même poudre de départ peut nécessiter des réglages complètement différents.”

– Masinelli

L’apport d’énergie élevé nécessaire à la fusion du métal dans cette technique crée en réalité des mécanismes physiques complexes qui affectent négativement la qualité des pièces. Ces mécanismes comprennent des incohérences dans les propriétés du matériau, l’influence des gaz atmosphériques et l’interaction du laser avec le panache de vapeur. Tous ces phénomènes posent des problèmes d’identification des paramètres.

Cela est principalement dû aux deux modes. L’un est le mode conduction dans lequel le métal est simplement fondu, et il est idéal pour les composants fins et précis. L’autre option est le mode trou de clé, dans lequel le métal peut être vaporisé dans certains cas. Il est plus rapide mais aussi moins précis, ce qui le rend adapté aux composants plus épais.

La frontière entre ces modes dépend toutefois de différents paramètres, et obtenir la meilleure qualité dans les produits finaux nécessite les réglages appropriés, qui varient selon le matériau traité. 

Les interactions complexes entre le matériau et le laser rendent également le processus sensible à de très petites variations, ce qui peut alors entraîner des problèmes de production, et cela rend la technique gourmande en temps et en ressources. En conséquence, le PBF-LB nécessite un réglage minutieux des paramètres pour obtenir des résultats cohérents.

Cela ne s’arrête pas là non plus. Les échantillons produits à ce stade sont ensuite analysés à l’aide de différentes techniques telles que l’analyse microstructurale, les mesures de densité et la tomodensitométrie (CT) aux rayons X. 

Ces méthodes fournissent des informations détaillées sur les structures internes et détectent les défauts, ce qui est essentiel pour évaluer la qualité et les performances des pièces PBF-LB, mais encore une fois, elles nécessitent un équipement spécialisé et une expertise, en plus d’être coûteuses et chronophages.

“C’est pourquoi de nombreuses entreprises ne peuvent pas se permettre le PBF dès le départ.”

– Masinelli

Pour résoudre tous ces problèmes, des chercheurs d’Empa ont utilisé l’apprentissage automatique afin de rendre les procédés laser plus efficaces, économiques et précis.

Cliquez ici pour découvrir comment la fabrication additive transforme les industries.

Exploiter l’IA pour le contrôle en temps réel dans l’impression 3D métallique

Pour l’analyse des échantillons, les chercheurs se sont tournés vers des méthodes de surveillance en temps réel utilisant des capteurs tels que l’émission acoustique (AE), l’imagerie thermique à grande vitesse et les capteurs optiques.

La surveillance en temps réel a été choisie en raison de sa capacité à détecter les événements indésirables pendant le processus de fabrication. Cela permet des ajustements immédiats, ce qui, à son tour, économise des ressources en éliminant et en refondant les défauts. 

Ces techniques de surveillance en temps réel sont généralement basées sur des algorithmes d’apprentissage automatique (ML).

Un domaine d’étude en intelligence artificielle, le ML concerne le développement d’algorithmes statistiques qui apprennent à partir des données. Ces algorithmes extraient des motifs significatifs à partir de données à haute dimensionnalité puis font des prédictions, dans le cas du traitement du métal, sur la qualité des pièces, sans avoir besoin de programmer explicitement des modèles physiques complexes.

Ces approches IA ne sont toutefois pas sans limites. Les défis incluent le fait que le modèle apprend à détecter les changements de paramètres du processus au lieu du régime du processus et de la formation de défauts.

La dérive naturelle des paramètres de la machine au fil du temps constitue également un obstacle à la généralisation de ces modèles, limitant l’applicabilité pratique des modèles IA dans les environnements de fabrication réels. Ensuite, il y a des problèmes d’automatisation, qui nécessitent un équipement spécialisé et se compliquent avec de multiples paramètres, dont l’exploration est également difficile et consommatrice de ressources.

Il existe un besoin clair d’algorithmes capables de naviguer de manière autonome dans l’espace des paramètres du PBF, en considérant de multiples variables de processus, afin d’identifier les conditions optimales et de comprendre les régimes de fusion sous-jacents.

Ce besoin est désormais abordé par des chercheurs d’Empa, qui ont proposé une nouvelle méthode utilisant la collecte non supervisée de données optiques avec un accent sur l’identification du régime de fusion, sans nécessiter de données étiquetées ni d’analyse post-traitement exhaustive.

Mise en œuvre de l’apprentissage non supervisé pour optimiser les paramètres du PBF-LB

La nouvelle technique non supervisée développée par les chercheurs d’Empa se concentre sur deux paramètres principaux : la puissance du laser et la vitesse de balayage, identifiés comme ayant l’impact le plus significatif sur le régime de fusion.

Alors que létude¹ se concentrait sur ces deux paramètres, la technique peut également être utilisée pour d’autres paramètres de processus. À l’avenir, les chercheurs intégreront le débit de gaz, l’espacement des sillons et l’épaisseur de couche dans leur algorithme afin de permettre une exploration plus complète de l’espace des paramètres du PBF-LB.

Pour l’instant, la méthode proposée indique avec précision la transition entre le mode conduction et le mode trou de clé.

L’approche non supervisée fournit également une base pour extraire des cartes de traitement sans dépendre de données étiquetées, ce qui représente un avantage considérable dans le PBF-LB, où l’obtention de données étiquetées est à la fois coûteuse et difficile.

L’étude s’appuie en fait sur cette base et introduit une méthode originale qui combine des parties d’apprentissage actif (sélection des points de données les plus informatifs) et d’optimisation bayésienne (stratégie d’échantillonnage itérative utilisant un modèle probabiliste) pour dériver efficacement des cartes de traitement.

Ce qui rend l’approche différente, c’est qu’elle commence sans données puis construit progressivement le jeu de données en décidant où réaliser chaque nouvelle expérience, permettant ainsi au processus expérimental de s’optimiser.

Il est à noter que, malgré l’utilisation d’une approche itérative pour le raffinement, le modèle reste non supervisé tout au long du processus, car il ne nécessite pas de données étiquetées. Pour identifier les régimes de fusion, l’algorithme s’appuie sur des caractéristiques extraites des données optiques, et les résultats sont ensuite utilisés pour entraîner un classificateur de processus gaussien (GPC) afin de fournir une estimation probabiliste de la carte. 

Quant à l’aspect itératif, l’algorithme sélectionne de nouveaux réglages d’essai en fonction des zones présentant une forte incertitude dans les prédictions, ce qui améliore l’estimation de la carte de traitement.

En gros, l’algorithme apprend à détecter quel mode de soudage le laser utilise pendant un essai, en utilisant les données des capteurs optiques déjà intégrés dans les machines laser. Sur cette base, l’algorithme définit les paramètres pour le test suivant.

« Nous espérons que notre algorithme permettra aux non-experts d’utiliser les appareils PBF », a déclaré Masinelli. Il suffit qu’il soit intégré au firmware des machines de soudage laser par les fabricants.

Évaluer l’efficacité du modèle IA dans les applications PBF-LB

Le nouvel algorithme présenté par les chercheurs pour éliminer le besoin d’un réglage exhaustif des paramètres, qui limite l’adoption plus large du PBF-LB, identifie de manière indépendante les régimes de fusion en utilisant les données des photodiodes.

Et lorsqu’il a été testé en laboratoire, l’équipe a constaté que la méthode était très précise, atteignant un score F1 de 89,2 % sur deux matériaux. Pour évaluer les performances, les chercheurs ont imprimé plusieurs pièces dans deux matériaux. 

Le premier était le Ti-6Al-4V, l’un des alliages de titane (alpha-bêta) les plus couramment utilisés, offrant une excellente résistance à la corrosion et une haute résistance spécifique. Le second était l’acier inoxydable 316L, une version à faible teneur en carbone du 316, couramment utilisé dans la transformation alimentaire, les équipements pharmaceutiques, les dispositifs médicaux, la joaillerie, les montres de luxe, le traitement des eaux usées et l’industrie chimique.

En particulier, l’équipe a réalisé des inspections de la zone de fusion pour vérifier les prédictions de l’algorithme. 

L’évaluation a montré que l’approche réduisait le besoin d’essais expérimentaux de 67 % dans les deux métaux tout en maintenant des performances solides. Cela peut réduire considérablement le coût de l’exploration des paramètres. Par ailleurs, il n’y a eu qu’une diminution maximale de 8,88 % du score F1 par rapport à une conception expérimentale factorielle complète traditionnelle.

The study stated:

« Ces résultats soulignent l’efficacité de notre méthode dans le contexte de la dérivation autonome de cartes de traitement pour les processus de fabrication avancés. »

La méthode présentée ici, selon les chercheurs, peut « grandement améliorer » à la fois l’efficacité et la fiabilité du PBF-LB, ce qui pourrait conduire à une adoption plus large en renforçant son efficacité globale dans divers secteurs. Selon l’étude :

« Nos résultats démontrent le potentiel de cette méthode pour rationaliser l’optimisation du PBF-LB, la rendant plus réalisable pour les applications industrielles et ouvrant la voie à son adoption plus large. »

Améliorer les processus de soudage laser grâce à l’IA et à l’intégration FPGA

En plus d’optimiser les expériences préliminaires, les chercheurs ont également amélioré le processus de soudage dans un autre projet. 

En ce qui concerne le soudage laser, même avec des réglages idéaux, le processus peut encore produire des écarts imprévisibles, et même un léger peut entraîner des défauts graves du produit.

« Il n’est actuellement pas possible d’influencer le processus de soudage en temps réel », a déclaré le chercheur Rajani. « Cela dépasse les capacités des experts humains. »

– Chercheur Rajani

En fait, même les ordinateurs peinent avec la vitesse à laquelle les données doivent être examinées et les décisions prises. Les chercheurs ont utilisé ici un type de puce informatique spécialisé.

Cette puce s’appelle un champ logique programmable (FPGA), conçu pour le calcul haute performance (HPC) et le prototypage. La puce peut être programmée après sa sortie du fabricant et adaptée à différents cas d’utilisation sans nécessiter de modification physique du matériel. Leur polyvalence, combinée à leurs hautes performances, les rend très précieuses dans les industries aérospatiale, automobile et des télécommunications.

« Avec les FPGA, nous savons exactement quand ils exécuteront une commande et combien de temps l’exécution prendra – ce qui n’est pas le cas avec un PC conventionnel. »

Les chercheurs ont relié le FPGA à un PC pour servir de « cerveau de secours ». Alors que la puce observe et contrôle les paramètres du laser, ces données sont également utilisées par l’algorithme sur le PC pour l’apprentissage.

« Si nous sommes satisfaits des performances de l’algorithme dans l’environnement virtuel sur le PC, nous pouvons le « transférer » au FPGA et rendre la puce plus intelligente d’un seul coup. »

– Masinelli

Les chercheurs estiment que le ML et l’IA ont le potentiel de contribuer de manière significative au traitement métallique à base de laser. Ainsi, ils continueront à développer leurs algorithmes et modèles, ainsi qu’à élargir leur domaine d’application, en collaboration avec d’autres groupes de recherche et partenaires industriels.

Explorer les opportunités d’investissement dans les technologies d’impression 3D

Aujourd’hui, un acteur clé du design et de la fabrication additive métallique est Colibrium Additive. Il fait partie de General Electric Company (GE.TO ) (GE ), qui exerce désormais ses activités sous le nom de GE Aerospace. 

Anciennement connu sous le nom de GE Additive, il a été relancé sous le nom de Colibrium Additive l’été dernier, et dans le cadre du rebranding, Concept Laser et Arcam EBM ont été retirés.

« Bien que nous changions de nom, nous maintenons notre concentration inébranlable sur nos clients, la qualité et la fiabilité. Nous continuerons à mener l’industrie de la fabrication additive depuis le front et à la perturber positivement. »

– PDG Alexander Schmitz

General Electric (GE )

En ce qui concerne les imprimantes 3D proposées par Colibrium Additive, elles comprennent des imprimantes à fusion par lit de poudre à faisceau d’électrons (EB-PBF), des imprimantes à fusion par lit de poudre laser (L-PBF) et le Binder Jet. 

Quant à la performance du marché de l’entreprise, elle a vraiment prospéré au cours des dernières années. 

Avec une capitalisation boursière de plus de 260 milliards de dollars, les actions de GE se négocient actuellement autour de 244 $, en hausse de 46 % cette année. L’action de l’entreprise approche rapidement de son pic d’environ 290 $, atteint en 2000. Son BPA (TTM) est de 6,35, et le PER (TTM) est de 38,46, tandis que le rendement du dividende disponible pour les actionnaires est de 0,59 %.

Parallèlement, les états financiers de l’entreprise montrent un premier trimestre 2025 solide, au cours duquel GE a enregistré un chiffre d’affaires total de 9,9 milliards de dollars, en hausse de 11 % tandis que les commandes totales ont bondi de 12 % à 12,3 milliards de dollars.

Ce démarrage solide en 2025 a été stimulé par les services commerciaux, a déclaré le PDG H. Lawrence Culp, Jr., tout en soulignant les dynamiques macroéconomiques qui obligent l’entreprise à prendre des mesures stratégiques, telles que le contrôle des coûts et l’exploitation des programmes commerciaux disponibles.

Le bénéfice d’exploitation a bondi de 38 % au 1T25 pour atteindre 2,1 milliards de dollars, tandis que le BPA ajusté a augmenté de 60 % pour atteindre 1,49 $. Au cours de cette période, GE a également rapporté 1,5 milliard de dollars de trésorerie provenant des activités opérationnelles (GAAP) tandis que le flux de trésorerie disponible a augmenté de 14 % pour atteindre 1,4 milliard de dollars. L’entreprise a également déclaré un carnet de commandes de services commerciaux de plus de 140 milliards de dollars.

Dans ce contexte, Propulsion & Additive Technologies n’a progressé que de 1 %, l’entreprise notant que les prix et le volume ont compensé la baisse des expéditions résultant d’un démarrage doux prévu des ventes d’équipements.

Dans son rapport annuel de cette année, GE a déclaré « des déclins dans l’industrie de la fabrication additive en raison d’une adoption plus lente de la technologie », mais en même temps, elle a souligné que Colibrium Additive était « une activité cruciale pour la technologie actuelle et future chez GE Aerospace alors que nous continuons à nous concentrer sur les domaines où elle peut créer le plus de valeur. »

Dernières nouvelles et développements des actions General Electric (GE)

Conclusion

Alors que l’IA continue de progresser et de transformer les industries, elle aide également à redéfinir ce qui est possible dans la fabrication moderne en accélérant l’optimisation des processus et en permettant une adaptabilité en temps réel. 

En réduisant considérablement le temps et le coût associés au réglage des paramètres et à la détection des défauts dans le PBF et en obtenant un contrôle en temps réel du soudage laser, la fabrication additive à base de laser est prête à une adoption plus large, ouvrant la voie à une nouvelle ère de production efficace, accessible et personnalisée.

Cliquez ici pour une liste des meilleures actions d’impression 3D.

Études référencées :

^{1. Masinelli, G., Schlenger, L., Wasmer, K., Ivas, T., Jhabvala, J., Rajani, C., Jamili, A., Logé, R., Hoffmann, P., & Atienza, D. (2025). Exploration autonome de l’espace des paramètres PBF-LB : un algorithme piloté par l’incertitude pour la génération automatisée de cartes de traitement. Additive Manufacturing, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}