Elaboration d'une approche basée sur le Deep Learning pour la Modélisation et l’Optimisation des Coûts de la Consommation d'Energie et du Temps d'Impression 3D FDM

fr

Date

Abstract

Compte tenu de l’importance des systèmes d'impression par fabrication additive (FA) et de leurs apports avantageux par rapport aux systèmes basés sur les techniques de la fabrication conventionnelle qu’elles soient soustractives ou formatives, la technologie de la FA est de plus en plus adoptée en impression 3D, avec des taux d'utilisation en forte hausse. Cette remarquable croissance a eu un impact significatif et direct non seulement sur la consommation d'énergie mais aussi sur le temps de la fabrication, où nous pouvons enregistrer des surcoûts importants. Par conséquent, ce problème a attiré l'attention des acteurs de l'industrie et de la communauté des chercheurs, dont plusieurs études se sont concentrées sur l’évaluation, la prédiction et l’optimisation de la consommation d'énergie et du temps d’impression 3D, devenant ainsi l'un des principaux objectifs de la recherche actuelle dans le domaine de la fabrication additive, en particulier, pour une impression de modélisation par dépôt en fusion (Fused Deposition Modeling (FDM)), vu son utilisation fréquente en impression 3D et de la popularité reconnue de ce procédé en industrie manufacturière. Cependant, et jusqu’à présent, il n'existe toujours pas un modèle de prédiction efficace pour optimiser simultanément les coûts de la consommation d'énergie et du temps d'impression 3D FDM, tout en tenant compte de l'orientation correcte de la pièce, de tel modèle devrait minimiser ces deux coûts lors de l’éxecution d’une impression additive. Pour résoudre cette problématique, nous nous sommes basés sur les techniques de l’intelligence artificielle, et tout particulièrement sur les algorithmes de l’apprentissage profond, vu leur performance éprouvée en la matière. Dans un premier temps, douze algorithmes optimisés de l’apprentissage automatique ont été utilisés pour modéliser et prédire la consommation d'énergie seule dans un processus de fabrication FDM et ce, à l'aide d'une base de données 3D FDM de Composants Mécaniques Isovolumétriques (r3DIM Benchmark). Le modèle le plus efficace a été choisi sur la base de quatre critères de performance qui sont: l'Erreur Absolue Moyenne (MAE), l'Erreur Quadratique Moyenne (RMSE), le R au carré (R2) et le Score de la Variance Expliquée (EVS). D’après les résultats de notre étude, le modèle à base du GPR (Gaussian Process Regression), il surpasse les autres modèles en termes de performance et de la grande précision qu’il apporte, tout en ayant les mesures statistiques suivantes: 99,16% pour la valeur de la Variance Expliquée, 99,14% pour la valeur du R2, et des valeurs respectives du MAE et du RMSE qui sont: 3,88 et 5,79. Ainsi, avec le modèle adopté dans cette étude et avant chaque impression, nous pourrons prédire l'énergie nécessaire à l'impression en fonction des différentes orientations de la pièce. Egalement, ce modèle offre aussi à l’utilisateur de cette technologie, la possibilité de comparer entre les valeurs d’énergie selon diverses orientations de la pièce, chose qui permettra une prise de décision sur la meilleure orientation à utiliser afin de minimiser la consommation d'énergie dans la phase de préimpression. Dans un second lieu, nous avons proposé un modèle de prédiction simultanée de la consommation d'énergie et du temps d’impression FDM, tout en tenant compte de l’orientation correcte de la pièce à imprimer, avec laquelle ces deux coûts sont optimisés. Dans ce sens, la base de données des Composants Mécaniques Isovolumétriques a été utilisée pour la création des modèles appropriés, qui sont basés sur quatre algorithmes d'apprentissage automatique (MLP, XGBoost, RF et SVM), ces algorithmes ont été utilisés, compte tenu de leur performance en matière de la prédiction et de leur capacité en apprentissage des données. Par conséquent et selon les résultats de l’étude comparative, le modèle du réseau neuronal proposé (dont l’architecture adoptée a été choisie parmi les 156 architectures testées) est nettement meilleur en précision par rapport aux autres modèles. Ainsi, la performance globale de ce modèle, elle affiche les valeurs statistiques suivantes: 0,018% pour la MSE, 0,989% pour la MAE, 1,355% pour la RMSE, avec 99,60% pour la valeur de la Variance Expliquée et 99,59% pour la valeur du R2. Par ailleurs, en prenant au hasard quelques échantillons des pièces imprimées en 3D FDM, et en appliquant le modèle MLP adopté dans cette étude sur ces pièces d’échantillon, nous pouvons ainsi économiser selon l’orientation correcte, au mois 23 watts en consommation d’énergie et plus de 20 minutes dans le temps d’impression, ce qui reste un acquis très important surtout pour les fabrications sérielles. Cette étude reste utile pour comprendre les besoins en consommation d'énergie et du temps de la fabrication 3D FDM, ce qui pourrait fournir un outil d'aide à la décision pour les praticiens, afin d'améliorer les facteurs d'inefficacité en matière d'énergie et du temps d’impression. En outre, ce travail peut être étendu à d'autres procédés de la fabrication assistée par ordinateur, tout en bénéficiant de l'applicabilité des résultats de la recherche actuelle, en étudiant aussi l'effet d'autres paramètres qui peuvent influencer l’impression 3D, y compris l’aspect environnemental, d’où l’appel aux pratiques d’écologie industrielle et de l’ingénierie environnementale.

Description

Keywords

Impression 3D, Fabrication Additive, Modélisation par Dépôt en Fusion, Apprentissage Automatique, Apprentissage Profond, Réseau Perceptron Multicouche, Régression par Processus Gaussien, Consommation d'énergie, Temps d'impression

Citation