02 août 2022 (Actualités Nanowerk) Les scientifiques et les ingénieurs développent constamment de nouveaux matériaux dotés de propriétés uniques pouvant être utilisés pour l'impression 3D, mais déterminer comment imprimer avec ces matériaux peut s'avérer une énigme complexe et coûteuse. Souvent, un opérateur expert doit recourir à des essais et des erreurs manuels, réalisant éventuellement des milliers d'impressions, pour déterminer les paramètres idéaux permettant d'imprimer systématiquement et efficacement un nouveau matériau. Ces paramètres incluent la vitesse d’impression et la quantité de matériau déposée par l’imprimante. Les chercheurs du MIT ont maintenant utilisé intelligence artificielle pour rationaliser cette procédure. Ils ont développé un système d'apprentissage automatique qui utilise la vision par ordinateur pour observer le processus de fabrication, puis corriger les erreurs dans la façon dont il traite le matériau en temps réel («Contrôle en boucle fermée de l'écriture directe à l'encre via l'apprentissage par renforcement»). Des chercheurs du MIT ont formé un modèle d'apprentissage automatique pour surveiller et ajuster le processus d'impression 3D en temps réel. (Image : avec l'aimable autorisation des chercheurs) Ils ont utilisé des simulations pour enseigner à un réseau neuronal comment ajuster les paramètres d'impression afin de minimiser les erreurs, puis ont appliqué ce contrôleur à une véritable imprimante 3D. Leur système imprimait les objets avec plus de précision que tous les autres contrôleurs d’impression 3D auxquels ils l’avaient comparé. Le travail évite le processus extrêmement coûteux consistant à imprimer des milliers ou des millions d’objets réels pour entraîner le réseau neuronal. Et cela pourrait permettre aux ingénieurs d’incorporer plus facilement de nouveaux matériaux dans leurs impressions, ce qui pourrait les aider à développer des objets dotés de propriétés électriques ou chimiques particulières. Cela pourrait également aider les techniciens à apporter des ajustements au processus d'impression à la volée si les conditions matérielles ou environnementales changent de manière inattendue. "Ce projet est vraiment la première démonstration de la construction d'un système de fabrication utilisant l'apprentissage automatique pour apprendre une politique de contrôle complexe", déclare l'auteur principal Wojciech Matusik, professeur de génie électrique et d'informatique au MIT qui dirige le Computational Design and Fabrication Group (CDFG). ) au sein du Laboratoire d'Informatique et d'Intelligence Artificielle (CSAIL). « Si vous disposez de machines de fabrication plus intelligentes, elles peuvent s'adapter en temps réel à l'environnement changeant du lieu de travail, pour améliorer les rendements ou la précision du système. Vous pouvez tirer davantage de profit de la machine. Les co-auteurs principaux de la recherche sont Mike Foshey, ingénieur en mécanique et chef de projet au CDFG, et Michal Piovarci, postdoctorant à l'Institut des sciences et technologies d'Autriche. Les co-auteurs du MIT incluent Jie Xu, étudiant diplômé en génie électrique et informatique, et Timothy Erps, ancien associé technique du CDFG.

[Contenu intégré]

Paramètres de sélection

La détermination des paramètres idéaux d'un processus de fabrication numérique peut être l'une des parties les plus coûteuses du processus, car de nombreux essais et erreurs sont nécessaires. Et une fois qu’un technicien a trouvé une combinaison qui fonctionne bien, ces paramètres ne sont idéaux que pour une situation spécifique. Elle dispose de peu de données sur la façon dont le matériau se comportera dans d'autres environnements, sur un matériel différent ou si un nouveau lot présente des propriétés différentes. L’utilisation d’un système d’apprentissage automatique présente également de nombreux défis. Premièrement, les chercheurs devaient mesurer ce qui se passait sur l’imprimante en temps réel. Pour ce faire, ils ont développé un système de vision industrielle utilisant deux caméras pointées vers la buse de l’imprimante 3D. Le système éclaire le matériau au fur et à mesure de son dépôt et, en fonction de la quantité de lumière qui le traverse, calcule l'épaisseur du matériau. « Vous pouvez considérer le système de vision comme une paire d'yeux observant le processus en temps réel », explique Foshey. Le contrôleur traiterait ensuite les images qu'il reçoit du système de vision et, en fonction de toute erreur détectée, ajusterait la vitesse d'alimentation et la direction de l'imprimante. Mais former un contrôleur basé sur un réseau neuronal pour comprendre ce processus de fabrication nécessite beaucoup de données et nécessiterait de réaliser des millions d'impressions. Les chercheurs ont donc construit un simulateur.

Simulation réussie

Pour former leur contrôleur, ils ont utilisé un processus appelé apprentissage par renforcement dans lequel le modèle apprend par essais et erreurs avec une récompense. Le modèle était chargé de sélectionner les paramètres d'impression qui permettraient de créer un certain objet dans un environnement simulé. Après avoir vu le résultat attendu, le modèle a été récompensé lorsque les paramètres qu'il a choisis ont minimisé l'erreur entre son impression et le résultat attendu. Dans ce cas, une « erreur » signifie que le modèle a soit distribué trop de matériau, le plaçant dans des zones qui auraient dû être laissées ouvertes, soit n'en a pas distribué suffisamment, laissant des endroits ouverts qui devraient être remplis. À mesure que le modèle effectuait davantage d'impressions simulées , il a mis à jour sa politique de contrôle pour maximiser la récompense, devenant de plus en plus précise. Cependant, le monde réel est plus compliqué qu’une simulation. Dans la pratique, les conditions changent généralement en raison de légères variations ou du bruit dans le processus d'impression. Les chercheurs ont donc créé un modèle numérique qui se rapproche du bruit de l’imprimante 3D. Ils ont utilisé ce modèle pour ajouter du bruit à la simulation, ce qui a conduit à des résultats plus réalistes. "Ce que nous avons découvert d'intéressant, c'est qu'en implémentant ce modèle de bruit, nous avons pu transférer la politique de contrôle qui était purement entraînée en simulation sur du matériel sans formation avec aucune expérimentation physique", explique Foshey. « Nous n'avons pas eu besoin de peaufiner l'équipement par la suite. » Lorsqu’ils ont testé le contrôleur, celui-ci a imprimé les objets avec plus de précision que toute autre méthode de contrôle qu’ils ont évaluée. Il a été particulièrement performant en impression intercalaire, qui consiste à imprimer l’intérieur d’un objet. Certains autres contrôleurs ont déposé tellement de matière que l'objet imprimé a gonflé, mais le contrôleur des chercheurs a ajusté le chemin d'impression pour que l'objet reste de niveau. Leur politique de contrôle peut même apprendre comment les matériaux se propagent après avoir été déposés et ajuster les paramètres en conséquence. « Nous avons également pu concevoir des politiques de contrôle permettant de contrôler différents types de matériaux à la volée. Ainsi, si vous aviez un processus de fabrication sur le terrain et que vous vouliez changer le matériau, vous n'auriez pas besoin de revalider le processus de fabrication. Il suffisait de charger le nouveau matériel et le contrôleur s'ajusterait automatiquement », explique Foshey. Maintenant qu’ils ont montré l’efficacité de cette technique pour l’impression 3D, les chercheurs souhaitent développer des contrôleurs pour d’autres procédés de fabrication. Ils aimeraient également voir comment l'approche peut être modifiée pour des scénarios dans lesquels plusieurs couches de matériau ou plusieurs matériaux sont imprimés en même temps. De plus, leur approche supposait que chaque matériau avait une viscosité fixe (« siruposité »), mais une future itération pourrait utiliser l’IA pour reconnaître et ajuster la viscosité en temps réel.