Le défi de la fatigue dans la fabrication additive : une approche basée sur la simulation

Fabrication additive : aider l'industrie à fabriquer de meilleurs produits

La fabrication additive (FA), également connue sous le nom d'impression 3D, permet de produire des composants complexes couche par couche, en utilisant uniquement le matériau dont vous avez besoin. Il s'agit d'une méthode contraire à la fabrication soustractive, qui consiste à découper des matériaux inutiles dans des volumes de matériaux plus importants. La fabrication additive s'est avérée avantageuse grâce à sa grande liberté de conception, à la réduction du gaspillage de matériaux et au peu de temps nécessaire après la conception d'une structure en 3D, puisqu'elle peut être directement imprimée en 3D. Elle fonctionne pour les métaux et les polymères, qui utilisent toute une série de procédés. Dans ce texte, nous nous attacherons à relever le défi de la fatigue dans le cadre de la fabrication additive d'alliages métalliques.

Les procédés de fabrication additive des métaux peuvent conduire à des artefacts locaux dans la structure imprimée, comme une rugosité de surface variable, des porosités et une microstructure. Le contrôle de l'apparition et de la cause de ces artefacts locaux n'est pas encore bien compris et dépend du type de procédé. En outre, il y a un manque d'outils IAO disposant d'une qualité prédictive de la performance dynamique complexe qui peut tenir compte de l'effet de tels artefacts locaux induits par le procédé de fabrication additive. Par conséquent, l'industrie (automobile, aéronautique, machines...) doit souvent compter sur des tests de prototypes coûteux, pour lesquels la disponibilité des résultats intervient très tardivement dans le processus de développement du produit.

Siemens Digital Industries Software propose des solutions basées sur la simulation pour améliorer la compréhension de la structure des matériaux, ainsi que pour prévoir et optimiser les performances du produit imprimé. Cela devient de plus en plus important depuis que la fabrication additive passe des études de conception à l'impression de composants fonctionnels, pour lesquels la performance (durabilité, intégrité des structures...) est essentielle. Cet article de blog traite de l'attribut de performance de durabilité. Vous pouvez également consulter notre site web sur la durabilité automobile.

Le défi de la fatigue dans la fabrication additive

Plusieurs facteurs du procédé de fabrication additive ont une influence sur la performance de la fatigue induite. Le processus de fabrication additive est moins contrôlé que le procédé de fabrication conventionnel et conduit à des artefacts induits par la fatigue du procédé. Ces artefacts influençant la fatigue dépendent fortement de la géométrie et présentent donc une nature locale.

Tous ces éléments font qu'il est difficile de prévoir la performance en fatigue des matériaux utilisés dans la fabrication additive. Le défi de la fatigue en fabrication additive est illustré dans le schéma 1. Les principaux facteurs d'influence de la performance en fatigue sont la microstructure, les porosités, la rugosité de surface et les contraintes résiduelles. La durée de vie en fatigue d'un produit imprimé est toujours le résultat de l'influence combinée de multiples facteurs locaux. Il n'est pas possible de séparer ces facteurs dans un composant imprimé, et il n'est pas possible d'avoir un modèle mathématique décrivant l'interaction et l'impact séparé de ces facteurs [1].

Comme indiqué précédemment, la fabrique additive permet de produire des géométries complexes, résultant souvent de formes optimisées sur le plan topologique, comme le composant représenté sur le schéma 1. La qualité du composant imprimé en 3D dépend de plusieurs procédés de fabrication additive et d'aspects liés à la conception.

Rugosité de surface d'un composant imprimé en 3D

Par exemple, la direction de production aura un impact implicite sur l'orientation des différentes surfaces de la géométrie imprimée. Étant donné que la rugosité de la surface d'un composant imprimé en 3D dépend également de l'angle de dépassement (l'angle entre le plan du plateau de production (x-y) et la tangente de la surface de dépassement dans le plan x-z (ou y-z)), une orientation différente du composant dans le plateau de production entraînera une répartition différente de la rugosité de la surface. On peut vouloir optimiser l'utilisation de l'espace de production et empiler plusieurs instances du même composant avec des orientations différentes dans la production pour produire autant de composants que possible en une seule fois.

Le fait d'avoir orienté plusieurs composants de manière différente conduira à des composants présentant des distributions différentes de la rugosité de surface, de la distribution de la porosité et de la microstructure locale. Le schéma 2 illustre la même chose pour la rugosité de surface.

Impression 3D de composants porteurs essentiels pour la sécurité

La rugosité de surface étant un facteur d'influence majeur pour la fatigue, les différents composants présenteront un comportement de fatigue différent, même s'ils ont la même géométrie et ont été produits avec la même machine et à partir du même matériau.

En outre, la contrainte résiduelle dans la pièce pendant le processus de fabrication additive et les différents traitements thermiques appliqués après le processus de fabrication influencent également la performance en fatigue du composant.

Pour permettre l'impression 3D de composants porteurs essentiels pour la sécurité, il est vital de pouvoir prévoir l'effet des artefacts locaux induits par la fabrication additive sur la durée de vie en fatigue de la pièce produite. Pour ce faire, la prévision des artefacts locaux n'est qu'une pièce du puzzle. Il faut également avoir les moyens d'évaluer directement l'impact des artefacts locaux induits par la fabrication additive sur le comportement en fatigue du matériau imprimé en 3D. En outre, il est nécessaire de disposer d'un solveur de durabilité capable de traiter efficacement les artefacts locaux influençant la fatigue. Les paragraphes suivants détaillent ces aspects.

Utiliser l'apprentissage automatique pour prévoir avec précision la performance en fatigue des structures fabriquées additivement

La performance en fatigue du matériau imprimé en 3D dépend de plusieurs aspects tels que le processus de fabrication et le matériau utilisé, la géométrie et les conditions de charge, la microstructure, les contraintes résiduelles, la rugosité de surface, les porosités et les post-traitements (traitements de surface et de volume). Lors de la caractérisation de la résistance à la fatigue d'un matériau, la géométrie de l'échantillon, le processus de fabrication et les aspects liés à la charge restent tous stables. Les effets des autres paramètres sont ensuite évalués. Toutefois, dans le cas de la fabrication additive, de nombreuses conditions sont étroitement liées les unes aux autres. Par exemple, l'orientation de la production aura un impact implicite sur la rugosité de la surface de l'échantillon et sur la microstructure (puisque le dépôt couche par couche favorisera certaines trajectoires de croissance des grains de métal).

Comme indiqué dans le paragraphe précédent, dans un composant complexe imprimé en 3D, de nombreuses combinaisons de ces facteurs sont présentes, et il faut disposer de données sur toutes les combinaisons possibles de facteurs influençant la fatigue, afin de pouvoir évaluer avec précision la performance en fatigue. Cela signifie que la caractérisation de la performance en fatigue d'un matériau imprimé en 3D conduit inévitablement à une vaste campagne de tests visant à couvrir autant de combinaisons de facteurs que possible. Il est également très difficile d'élaborer des modèles capables de s'adapter à des combinaisons non testées et d'en permettre l'évaluation.

Nouvelle approche pour évaluer la performance en fatigue

Siemens Digital Industries Software (DI SW) a développé une nouvelle approche pour évaluer la performance en fatigue des composants imprimés en 3D en tirant parti de la puissance de l'apprentissage automatique [2][3].

Pour revenir à l'exemple du composant du schéma 2, pour pouvoir prévoir avec précision la performance en fatigue de cette pièce imprimée en 3D, il faut un modèle de matériau capable de prévoir l'effet des artefacts locaux induits par la fabrication additive sur la propriété de fatigue du matériau. Un modèle de matériau basé sur l'apprentissage automatique (ML) a été développé et s'appuie sur un ensemble limité de données d'apprentissage. Ce modèle d'apprentissage automatique peut s'adapter à l'espace multi-attributs des courbes SN (courbes de Wöhler) déterminées expérimentalement pour un ensemble de conditions différentes (orientation dans la fabrication, divers traitements de surface, traitements thermiques, etc.) et peut prédire la courbe SN pour des combinaisons de conditions non testées. Le modèle de matériau issu de l'apprentissage automatique a été intégré en tant que module d'amélioration de la fabrication additive dans notre environnement ouvert de résolution des problèmes de durabilité, afin de tenir compte de l'effet des facteurs d'influence de la fatigue locale induite par la fabrication additive [4].

Les données expérimentales nécessaires à l'entraînement de l'algorithme d'apprentissage automatique ont été produites à l'aide du dispositif expérimental et de la procédure de test décrits dans la source [2]. Cela inclut des spécimens imprimés par des systèmes 3D selon un ensemble fixe de paramètres de traitement, pour lesquels les tests en fatigue ont été réalisés par le département MAPS ( Processus et systèmes de fabrication) de la KU Leuven, à l'aide d'un Instron ElectroPuls E10000 tout en tenant compte d'un ensemble de traitements de surface et thermiques [5]. Compte tenu du coût des tests en fatigue sur les composants fabriqués additivement, il n'est pas réaliste de tester toutes les combinaisons de paramètres possibles.

Approche de régression par processus gaussien

En outre, les tests au niveau des coupons ne permettent pas de reproduire toutes les conditions possibles, qui peuvent par exemple être rencontrées dans des sections à parois minces ou à proximité de cavités internes. Il faut donc une méthodologie capable d'extrapoler les propriétés de fatigue pour une multitude d'artefacts à partir d'un ensemble minimal de résultats de tests. L'apprentissage automatique (ML) est employé à cette fin, en utilisant ce que l'on appelle la régression par processus gaussien. L'avantage de cette approche par rapport aux approches plus classiques d'interpolation/extrapolation est qu'elle pose un minimum d'hypothèses sur les modèles mathématiques autorisés pour l'approximation des données de tests. Ceci est important, étant donné les interactions complexes entre les différents paramètres et les données limitées disponibles pour l'étalonnage.

L'approche par apprentissage automatique a été mise en œuvre en étendant le solveur de durabilité existant dans Simcenter 3D Specialist Durability. Les données qui influencent les propriétés en fatigue peuvent être définies par zone ou par élément. De plus, elles peuvent être saisies par l'utilisateur, via un fichier ou à l'aide d'un outil automatique qui attribue à chaque élément des paramètres de fatigue adéquats, comme le montre le schéma 2.

Flux de travail

Une représentation schématique du flux de travail est donnée dans le schéma 3. Elle relie efficacement les facteurs d'influence de la fatigue induite par la fabrication additive à l'effet qu'ils ont sur la propriété de fatigue locale du matériau imprimé en 3D pour permettre une solution de durabilité améliorée par la fabrication additive. Sur le côté gauche, l'approche par apprentissage automatique est décrite. Elle prend les artefacts locaux prévus comme entrées et renvoie les courbes SN locales estimées correspondantes vers le solveur de durabilité. Sur le côté droit sont illustrés le modèle CAO (1) nécessaire pour l'analyse EF (dont les résultats ne sont pas présentés) et l'outil d'extraction automatique des caractéristiques (2) qui prévoit les facteurs locaux d'influence de la fatigue induite par la fabrication additive nécessaires en tant qu'entrée pour le modèle d'apprentissage automatique (3). La simulation de la durabilité améliorée par la fabrication additive peut ensuite être réalisée. Les charges définies par l'utilisateur ne sont pas incluses dans l'illustration.

Le flux de travail présenté ci-dessus permet à l'utilisateur, par exemple, d'évaluer l'impact de l'orientation du composant dans le plateau de production sur la performance en fatigue. Dans le cas décrit ci-dessus, avec plusieurs instances du même composant avec différentes orientations dans le plateau de production, en utilisant l'approche montrée dans le schéma 3, l'utilisateur peut prévoir la rugosité de surface locale pour une orientation de production sélectionnée du composant. La rugosité de la surface est disponible par élément dans le modèle, qui est transmis au modèle de matériau issu de l'apprentissage automatique, avec d'autres paramètres adéquats tels que le traitement thermique du matériau sélectionné.

Le modèle de matériau issu de l'apprentissage automatique est utilisé pour dériver les courbes SN locales à chaque élément de surface du maillage structurel qui correspond au modèle géométrique CAO, en fonction des facteurs locaux d'influence de la fatigue. Pour calculer les performances de durabilité de l'ensemble du composant imprimé, un calcul de durabilité est ensuite effectué à l'aide de la solution Simcenter 3D Specialist Durability, améliorée par la fabrication additive. Il effectue l'accumulation des dommages pour l'ensemble de la structure en fonction des conditions locales, y compris deux nouvelles caractéristiques très importantes : le traitement efficace des propriétés locales des matériaux et la cartographie des courbes SN locales sur le modèle. Cette approche virtuelle évite potentiellement des centaines, voire des milliers de tests, en utilisant l'apprentissage automatique avec un ensemble de tests limité, ce qui permet d'obtenir un modèle capable d'interpoler/extrapoler pour des conditions non testées.

Résultats et perspectives

L'application de l'apprentissage automatique pour modéliser plus précisément la performance de la durée de vie en fatigue des composants fabriqués additivement présente plusieurs avantages. Premièrement, il n'est pas nécessaire de tirer des conclusions sur la manière dont la combinaison de différents artefacts affecte la durée de vie en fatigue. De plus, l'approche est flexible, tient compte des phénomènes locaux, nécessite des tests limités, permet une extrapolation précise et permet d'étudier l'impact de différents facteurs de manière découplée (ce qui est souvent impossible à réaliser à partir de données expérimentales).

Le schéma 4 montre les résultats d'un test en aveugle pour valider le modèle. L'algorithme d'apprentissage automatique a été entraîné avec un sous-ensemble de courbes SN obtenues expérimentalement et correspondant à différentes combinaisons de facteurs. Certaines combinaisons ont été retirées de l'ensemble de formation, en particulier les échantillons orientés à 90 degrés qui ont été usinés et soumis à un traitement de pressage isostatique à chaud (HIP) et les échantillons usinés, orientés à 50 degrés entièrement trempés (FA) et soumis à un pressage isostatique à chaud. Dans le schéma 4, les lignes rouges continues représentent les courbes SN prévues pour les cas inédits mentionnés précédemment, en donnant également un intervalle de confiance correspondant (lignes pointillées). Les résultats réels des tests ont ensuite été reportés sur les prévisions, comme l'indiquent les cercles bleus sur l'image. Cela montre la bonne corrélation entre les prévisions et les mesures réelles.

La simulation de durabilité améliorée par la fabrication additive dans Simcenter 3D Specialist Durability combine le meilleur des deux mondes : les données expérimentales et la modélisation basée sur la physique. Il est également possible de s'appuyer uniquement sur des données expérimentales et/ou de simulation. Une analyse de durabilité personnalisée peut être effectuée, en utilisant la technologie Open Solver (du Simcenter 3D Specialist Sustainability Solver) pour calculer les performances de durabilité d'une structure, en tenant compte des principaux facteurs influençant la fatigue : la rugosité de surface, comme le montre cet article de blog, et d'autres phénomènes localisés (zones riches en vides, contraintes résiduelles, etc.). Des travaux sont en cours sur la prévision des courbes de performance en fatigue/SN qui s'appuie sur une modélisation multi-échelle, basée sur une méthode développée par l'Université de Gand [6].

Cet article de blog met en lumière la nouvelle solution pour le défi de la fatigue des pièces de fabrication additive. Dans une perspective plus large, Siemens Digital Industries Software travaille sur la capacité de simulation prédictive pour les matériaux de fabrication additive par le biais de différents attributs de performance (résistance, rigidité, durée de vie en fatigue...), visant à mettre en place une chaîne d'outils IAO prédictive pour la fabrication additive. Vous trouverez plus d'informations sur ce lien. De nouvelles méthodologies de simulation visant à prévoir la performance en fatigue des matériaux de fabrication additive sont développées dans le cadre du projet R&D FATAM. Vous en saurez plus sur FATAM en lisant notre article de blog précédent.  

Plus d'informations dans ce livre blanc

Si vous cherchez plus d'informations, il est recommandé de lire le livre blanc "Prévoir la durée de vie en fatigue pour la fabrication additive avec Simcenter 3D". Il fait état d'une avancée importante dans l'utilisation de l'apprentissage automatique pour prévoir les propriétés de fatigue locales afin d'alimenter notre calcul de durabilité dans Simcenter 3D. Il présente également une nouvelle stratégie qui permettra aux fabricants d'imprimer des pièces durables beaucoup plus rapidement et à moindre coût.  

Remerciements

Les auteurs remercient le projet IBO FATAM ("Fatigue of Additive Manufactured components – Relating AM process conditions to the long-term dynamic performance of metallic AM parts", 2017-2020), qui s'inscrit dans le programme de recherche MacroModelMat (M3), coordonné par Siemens (Siemens Digital Industries Software, Belgique) et financé par SIM (Strategic Initiative Materials in Flanders, voir ici) et VLAIO (agence gouvernementale flamande Flanders Innovation & Entrepreneurship, voir ici). 

Références

[1] H. Erdelyi, "ML-enhanced Fatigue Analysis of AM Components", Formnext 2019, Francfort, Allemagne, 19-22 novembre 2019.
[2] N. Lammens, H. Erdelyi, T. Craeghs, B. Van Hooreweder, W. Van Paepegem, "Effect of process induced artifacts on the fatigue life estimation of additive manufactured metal components", ESIAM19, Trondheim, Norvège, 9-11 septembre 2019.
[3] M. Schultz, N. Lammens, M. Hack, H. Erdelyi, "Machine Learning Enhanced Durability Analysis of Additively Manufactured Lightweight Components", NAFEMS Nordic Seminar, CAE in support of Sustainability and Durability, Billund, Danemark, 25-26 novembre 2019.
[4] N. Lammens, M. Schulz, M. Hack, H. Erdelyi, "Local Fatigue Parameter Prediction of Additively Manufactured Components using Machine Learning", Fatigue 2020, Downing College, Cambridge, Royaume-Uni, 29 juin - 1er juillet 2020.
[5] C. Elangeswaran, A. Cutolo, G. K. Muralidharan, C. de Formanoir, F. Berto, K. Vanmeensel, B. Van Hooreweder, "Effect of post-treatments on the fatigue behaviour of 316L stainless steel manufactured by laser powder bed fusion", International Journal of Fatigue, Vol. 123, pp. 31-39, 2019.
[6] T. D. Dinh, J. Vanwalleghem, H. Xiang, H. Erdelyi, T. Craeghs, W. Van Paepegem, "A unified approach to model the effect of porosity and high surface roughness on the fatigue properties of additively manufactured Ti6-Al4-V alloys", Additive Manufacturing, Vol. 33, 101139, mai 2020.