Analyse et optimisation des fichiers d'impression 3D à l'aide de méthodes d'apprentissage automatique

La fabrication additive, également connue sous le nom d'impression 3D, occupe une place de plus en plus importante dans l'industrie. Elle révolutionne les méthodes traditionnelles de fabrication en permettant la création d'objets solides et complexes à partir de modèles numériques et répond aussi bien à des besoins de production de petite et moyenne série, de prototypage ou de fabrication à la demande.

Pour toutes ces applications, le temps d’impression est un facteur important que l’on désire évidemment réduire ce qui nécessite de l’estimer finement et rapidement pour guider le choix des paramètres de tranchage en fonction des contraintes utilisateurs. Or, les trancheurs de modèles 3D actuels ne permettent pas d’obtenir une estimation précise du temps d’impression par dépôt de filament. En revanche des travaux en cours dans l’équipe de recherche PACAP ont permis une telle estimation en s’appuyant sur une exécution virtualisée du micrologiciel (firmware) d’impression. L’estimation obtenue est très précise, mais le temps de calcul nécessaire à cette estimation est trop important pour l’utiliser dans un optimiseur. Cette thèse consiste à utiliser des modèles d’apprentissage automatique dédiés aux séquences, dans un premier temps pour accélérer cette prédiction précise, puis pour optimiser les temps d’impression.

Les modèles proposés s’appuieront notamment sur les réseaux de neurones récurrents et les transformers pour traiter la séquence d’actions d’impression décrite en G-code. Ils incluront aussi des composant traitant les informations statiques influant sur le temps d’impression, telles que l'imprimante 3D ciblée, sa cinématique, son système d'extrusion et les contraintes liées aux matières utilisées lors de la fabrication. Dans un second temps, nous explorerons l’utilisation de tels modèles dans un cadre génératif afin de générer directement des G-code pertinents. Les modèles seront alors entrainés sur des exemples de G-code efficaces.

Cette thèse est dans la continuité de travaux débutés l’année dernière dans le cadre d’un stage de Master 1 et actuellement poursuivis lors d’un stage du Mater 2 SIF.