En recherchant l’avenir de la fabrication chez I-Form, le Dr Vivek Mahato pense que les systèmes intelligents peuvent aider à réduire davantage les déchets et à améliorer la qualité des produits.
Après avoir obtenu un baccalauréat, le Dr Vivek Mahato a commencé sa carrière en tant que développeur Web en Inde. Mais son intérêt pour la recherche en science des données l’a amené en Irlande.
Cela l’a amené à obtenir une maîtrise à l’University College Dublin, suivie d’un doctorat en apprentissage automatique en fabrication additive (plus communément appelée impression 3D) à I-Form, le centre de recherche de la Science Foundation Ireland pour la fabrication avancée.
Bien que l’UCD soit l’institution chef de file pour I-Form, ses recherches s’étendent à d’autres partenaires universitaires, dont la Dublin City University (DCU). C’est ici que Mahato a pris un poste postdoctoral afin de prolonger la recherche qu’il a commencée sous son doctorat.
« La curiosité, associée à une aptitude au codage, propulse ma carrière de chercheur en apprentissage automatique »
– DR VIVEK MAHATO
Qu’est-ce qui vous a poussé à devenir chercheur ?
Je me revois en cinquième année dans une classe de M. Sanjay Adhikary, notre professeur de sciences. Son excellence en enseignement et ses histoires captivantes m’ont poussé à être curieux.
En grandissant, je me suis davantage investi dans la recherche de nouvelles voies pour effectuer une tâche, autres que les méthodes traditionnelles enseignées. Parfois, l’approche était plus complexe, et parfois j’ai trouvé un moyen plus simple.
La curiosité, associée à une aptitude pour le codage, propulse ma carrière de chercheur en apprentissage automatique, et je l’apprécie.
Sur quelles recherches travaillez-vous actuellement ?
L’accessibilité de la puissance de calcul élevée et des données de processus de fabrication additive (AM) in situ a favorisé des mécanismes plus complexes axés sur les données. Avec le temps, les questions de recherche ont évolué de l’analyse des propriétés macro d’un produit à la prédiction de ses propriétés micro.
Dans nos recherches, nous essayons de prédire la porosité du produit lors de sa fabrication. Notre évaluation de l’apprentissage automatique (ML) se déroule parallèlement au processus de FA en temps réel. Nos modèles fonctionnent efficacement dans la tâche de classer les balayages de trame individuels comme normaux ou anormaux. Cette étude a été menée à I-Form sous la supervision du professeur Pádraig Cunningham (UCD) et du professeur Dermot Brabazon (DCU).
Dans la prochaine étape, nous cherchons à rendre les modèles ML plus robustes et agnostiques de processus. Nos recherches en cours, avec l’aide du Dr Annalina Caputo (DCU), ciblent également la recommandation de paramètres et l’optimisation d’un processus de FA.
À votre avis, pourquoi votre recherche est-elle importante?
Avoir un contrôle prédictif sur un processus de fabrication additive a des avantages et un impact directs. Lors de la fabrication, en cas d’apparition d’une anomalie ou d’un défaut pouvant impacter la qualité du produit (comme un pore), le système pourra signaler l’incident et avertir l’opérateur. L’opérateur peut ensuite régler le paramètre en utilisant les réglages recommandés, pour atténuer les incidents futurs et refondre la couche posée pour éliminer les pores qui se sont produits.
Un tel système intelligent permet de réduire davantage le gaspillage de matériaux et les coûts énergétiques. Il aide également à régir la qualité du produit et le débit de l’usine de fabrication.
L’évaluation ML de la qualité du produit favorise également un recours moins fréquent à des techniques de mesure coûteuses et lentes pour évaluer la qualité de la pièce après la production.
Quelles applications commerciales envisagez-vous pour votre recherche ?
Malgré les progrès de la technologie AM en métal, les difficultés pour obtenir un contrôle de processus optimal et une répétabilité de processus sont toujours importantes. Nous pouvons relever ce défi en étudiant de manière approfondie le processus de FA et en utilisant des approches et des outils basés sur les données. Par conséquent, nous pouvons construire un processus plus robuste et efficace qui réduit le gaspillage de matériaux et d’énergie.
Le potentiel d’application de ces technologies dans un cadre commercial est énorme. La fabrication traditionnelle est un processus soustractif, où un gros bloc de matériau est tranché pour fabriquer une pièce. Par conséquent, la méthode limite la flexibilité de conception du produit et génère beaucoup de déchets sous forme de matériaux restants.
En utilisant un système de FA intelligent, nous fabriquerions des produits personnalisés en fonction des besoins de l’application dans une plus grande mesure, et réduirions les frais généraux de production et de contrôle qualité, ainsi que l’impact environnemental.
Quels sont les plus grands défis auxquels vous êtes confronté en tant que chercheur en fabrication additive ?
À mon avis, AM est relativement nouveau sur la plate-forme mondiale. Le défi majeur est l’accès limité aux données de production open source informatives dans la communauté des chercheurs. Par conséquent, l’accès aux données de production est limité à celles générées par les laboratoires internes.
Cependant, comme la recherche dans ce domaine augmente, je pense que la disponibilité des données de production ne sera plus un obstacle.
En outre, avec la FA, on peut s’attendre à des dépenses initiales importantes en outils et certaines poudres spécialisées sont plus coûteuses que les matières premières courantes.
Existe-t-il des idées fausses courantes sur la fabrication additive ?
Lorsque l’on entend « fabrication additive » ou « impression 3D », les idées fausses courantes tombent souvent dans : « l’impression 3D, c’est imprimer des objets en plastique » ; « Les produits fabriqués par AM ne sont pas si solides » ; ou « AM est cher et difficile à exploiter ».
Bien que les imprimantes 3D dans le passé étaient assez complexes à utiliser, les imprimantes 3D sont désormais livrées avec un logiciel convivial qui ne nécessite pas beaucoup d’expertise. Il existe une abondance d’imprimantes 3D à moins de 250 € qui utilisent des thermoplastiques pour construire un produit.
Au fur et à mesure que nous progressons et développons le domaine de la FA, les systèmes disponibles sur le marché deviennent de plus en plus accessibles et les budgets peuvent s’étendre aux imprimeurs spécialisés. Une imprimante 3D a désormais la possibilité de choisir parmi un large éventail de matières premières comme le verre, les métaux (acier, titane ou or) et la bio-encre créée à l’aide de cellules souches.
Nous pouvons ajuster le processus AM pour personnaliser les propriétés de la pièce – par exemple, la résistance à la traction, la rigidité et l’épaisseur. Par conséquent, selon l’application, la fabrication de pièces solides et solides est possible.
Quels sont les domaines de recherche que vous aimeriez voir abordés dans les années à venir ?
Les modèles physiques et statistiques traditionnels simulent efficacement le processus de fabrication. Cependant, ils sont assez lents et précis pour une tâche ou une production spécifique.
Pour être précis, une compréhension approfondie des matériaux et de l’environnement de la chambre de construction est requise. L’évaluation de l’apprentissage automatique ne relève pas ce défi car elle essaie de découvrir des modèles directement à partir des données. Il est possible d’utiliser ces approches en combinaison pour simuler et valider un processus de fabrication.
Il existe également un besoin d’améliorer la répétabilité d’un processus de FA pour maintenir une qualité de produit constante.
Vous êtes chercheur avec un projet intéressant à partager ? Faites-le nous savoir par e-mail éditorial@siliconrepublic.com avec la ligne d’objet « Science Uncovered ».
Auteur/autrice
