Objectif du défi

L'objectif est de développer des méthodes de modélisation hybrides pour les produits/processus industriels combinant la physique/connaissance et l'apprentissage automatique pour développer des modèles plus fiables et explicables notamment dans les processus de production utilisant la fabrication additive.

Les enjeux

Au cours des dernières décennies, la fabrication additive (AM), également connue sous le nom d'impression 3D, a révolutionné le secteur de la fabrication. Alors que les méthodes de production traditionnelles enlevaient de la matière par l'usinage, la sculpture, le façonnage, etc., l'impression 3D fait l'inverse : elle produit en ajoutant de la matière. Cette approche offre une extraordinaire liberté de conception tout en offrant le potentiel d'une solution de fabrication (presque) sans déchets. L'AM sert les industries dans des domaines aussi divers que l'aérospatiale, la défense ou la santé, d'une importance stratégique particulière en Wallonie. Pourtant, son adoption par l'industrie n'est pas généralisée car elle implique des paramètres nombreux et complexes à surveiller et à contrôler pendant le processus de production pour atteindre un niveau acceptable de précision et de qualité. L'introduction de l'IA pourrait potentiellement résoudre cette complexité et améliorer l'efficacité de l'impression, favorisant ainsi l'adoption de l'AM pour atteindre son plein potentiel industriel.

Challenges

Les défis sont de deux ordres : la complexité du processus de fabrication additive (décrite ci-dessus) et la difficulté de concevoir des solutions d'IA pour surmonter cette complexité. Les solutions d'IA ne peuvent réussir que si elles intègrent conjointement différentes sources de données complexes relatives au processus d'impression 3D : simulations numériques, données expérimentales/de surveillance et, éventuellement, connaissances humaines/expertes préalables.

Solutions IA possibles

Un certain nombre de solutions d'IA contribueront à relever les défis décrits ci-dessus :

• Fusionner/fusionner des données hétérogènes (données expérimentales, données simulées de différents niveaux de fidélité) pour concevoir des systèmes hybrides efficaces et réduire la quantité de données requises, vers des jumeaux numériques, c'est-à-dire des copies numériques actualisées et précises des propriétés et des états de l'objet physique, notamment sa forme, sa position, son état et son mouvement ;
• Hybrider l'ingénierie/les connaissances des experts avec l'apprentissage automatique via des réseaux neuronaux informés/guidés.
• Utiliser une IA explicable pour exposer les corrélations entre le processus, les propriétés et les performances ;
• Combiner l'apprentissage par renforcement et le retour d'information humain pour optimiser le contrôle des processus.

L'application efficace de l'IA/apprentissage automatique aux processus industriels nécessite une coopération étroite entre les experts en informatique et en fabrication. Il s'agit d'un défi passionnant pour nos chercheurs en IA.

Sujets clés

• Modèles de fabrication basés sur l'IA et utilisant des jumeaux numériques
• Reconnaissance d'objets, de caractéristiques et d'actions dans les environnements de fabrication
• Apprentissage à partir de quelques échantillons (par exemple, pour les défauts)
• Réseaux neuronaux basés sur la physique
• IoT industriel

Contacter le responsable

Caroline Sainvitu (caroline.sainvitu@cenaero.be)