Stage M 2 : Développement de modèles prédictifs pour la fabrication additive métallique via le machine learning H/F
Société : CESI Lieu : Bas-Rhin (Grand Est)
Descriptif du poste
Société : CESI Catégorie : Stage Filiere : Marketing Lieu : Bas-Rhin (Grand Est)
Mission
Intégrer Linéact au sein de CESI pour un stage de recherche serait une formidable opportunité de contribuer à des projets innovants, tout en approfondissant mes compétences dans un environnement à la pointe de la transformation numérique et de l’industrie 4.0. Projet de stage Contexte scientifique Le machine learning suscite un intérêt croissant pour l’amélioration de la qualité de la fabrication additive métallique [1,2]. En exploitant des bases de données et des connaissances sur les relations entre les paramètres de fabrication et les propriétés des pièces produites, les algorithmes de machine learning permettent de développer des modèles prédictifs capables d’évaluer et d’optimiser la qualité des pièces. Parmi les techniques de fabrication additive, la fusion sélective par laser sur lit de poudre (SLM : Selective Laser Melting) connaît une forte expansion dans divers secteurs industriels. Utilisée notamment sur la plateforme de CESI dédiée à l’industrie du futur, cette méthode permet de réaliser des pièces aux géométries complexes (cavités, structures lattices, etc.) [3]. Cependant, cette méthode présente quelques limites, notamment un manque de reproductibilité et l’apparition de défauts dans les pièces fabriquées, ce qui peut engendrer des défaillances fonctionnelles [4]. Parmi ces défauts, on retrouve la formation de porosités, une rugosité de surface élevée et des contraintes résiduelles. Ces anomalies sont souvent liées aux cinétiques de fusion-solidification lors de l’impression et résultent généralement de paramètres de fabrication inappropriés ou mal maîtrisés. Les aciers inoxydables et les alliages Ti-6Al-4V font partie des matériaux les plus couramment utilisés en SLM, en raison de leur vaste champ d’application. L’intégration du machine learning pour traiter et résoudre certaines anomalies de production dans le procédé SLM est encore récente [5-7], mais quelques travaux de recherche prometteurs ont été réalisés. Notre équipe a notamment récemment réussi à prédire avec une grande précision le taux de porosité dans l’acier inoxydable 316L [8]. Objectifs du stage et missions Dans ce contexte, l’objectif de ce stage est de traiter des données expérimentales afin de développer des modèles prédictifs capables d’évaluer la qualité des pièces imprimées en acier inoxydable ou en alliage Ti-6Al-4V. Pour cela, le/la stagiaire sera intégré(e) à l’équipe de recherche du CESI Strasbourg et aura pour missions : • Réaliser une étude bibliographique sur le sujet. • Collecter et trier les données expérimentales portant sur les relations entre la formation des défauts et les paramètres du procédé SLM. • Prétraiter et analyser les jeux de données disponibles. • Utiliser des algorithmes de machine learning pour classifier les données et développer des modèles prédictifs de la formation des défauts. • Analyser, comparer et évaluer les performances des différents modèles afin de déterminer l’approche la plus optimale. • Rédiger un rapport final de stage ainsi qu’un article scientifique en vue d’une publication. Outils numériques à utiliser : bibliothèques Python open source : TensorFlow, Keras, Scikit-Learn, PyTorch. Matlab, OpenCV. Programme de travail Production scientifique/technique attendue Développement des modèles prédictifs concernant la qualité de l’impression 3D par fusion sur lit de poudre en utilisant Python. Valorisation ce travail à travers d’une publication scientifique. Contexte Présentation du laboratoire CESI LINEACT (UR 7527), Laboratoire d'Innovation Numérique pour les Entreprises et les Apprentissages au service de la Compétitivité des Territoires, anticipe et accompagne les mutations technologiques des secteurs et des services liés à l’industrie et au BTP. La proximité historique de CESI avec les entreprises est un élément déterminant pour nos activités de recherche, et a conduit à concentrer les efforts sur une recherche appliquée proche de l’entreprise et en partenariat avec elles. Une approche centrée sur l’humain et couplée à l’utilisation des technologies, ainsi que le maillage territorial et les liens avec la formation, ont permis de construire une recherche transversale ; elle met l’humain, ses besoins et ses usages, au centre de ses problématiques et aborde l’angle technologique au travers de ces apports. Sa recherche est organisée selon deux équipes scientifiques interdisciplinaires et plusieurs domaines applicatifs. L’équipe 1 "Apprendre et Innover" relève principalement des Sciences cognitives, Sciences sociales et Sciences de gestion, Sciences et techniques de la formation et celles de l’innovation. Les principaux objectifs scientifiques visés sont la compréhension des effets de l'environnement, et plus particulièrement des situations instrumentées par des objets techniques (plateformes, ateliers de prototypage, systèmes immersifs...) sur les processus d'apprentissage, de créativité et d’innovation. L’équipe 2 "Ingénierie et Outils Numériques" relève principalement des Sciences du Numérique et de l'Ingénierie. Les principaux objectifs scientifiques portent sur la modélisation, la simulation, l’optimisation et le pilotage de composants, systèmes et processus complexes et des interactions Humains-systèmes dans des systèmes cyber-physiques et jumeaux numériques. Ces deux équipes développent et croisent leurs recherches dans les domaines applicatifs de l'Industrie du Futur, de la Ville du Futur et des services numériques, soutenues par des plateformes de recherche, principalement celle de Rouen dédiée à l’Usine du Futur et celles de Nanterre dédiée à l’Usine et au Bâtiment du Futur. Positionnement dans les axes de recherche du laboratoire Le sujet de stage s’inscrit dans les activités de l’équipe 2 "Ingénierie et Outils Numériques" de CESI LINEACT et en particulier dans les thématiques : ‘Intégration de matériaux et procédés’ et ‘Gestion et décision’. Vos compétences : Compétences scientifiques et techniques : Maitrise des techniques de Machine Learning Maitrise de la programmation sous Python Bon niveau d'anglais exigé Connaissances en science des matériaux sera apprécié Compétences relationnelles : Etre autonome, avoir un esprit d’initiative et de curiosité, Savoir travailler en équipe et avoir un bon relationnel, Etre rigoureux Communiquer efficacement avec son encadrant Gratification à 15% du plafond horaire de la Sécurité Sociale Date de début : Février 2025 Votre candidature devra comporter : Un Curriculum-Vitae détaillé : En cas de rupture dans le cursus universitaire, merci de donner une explication ; Une lettre de motivation explicitant vos motivations à poursuivre une thèse de doctorat ; Les résultats du MASTER 1 et les bulletins de notes correspondant ; Toute autre pièce que vous jugerez utile. Références. [1] : X. Qi, G. Chen, Y. Li, X. Cheng, C. Li. Applying Neural-Network-Based Machine Learning to Additive Manufacturing: Current Applications, Challenges, and Future Perspectives. Engineering, 5(4), 721-729, 2019. [2] : L. Meng, B. McWilliams, W. Jarosinski, H.Y. Park, Y.Gil. Jung, J. Lee, J. Zhang. Machine Learning in Additive Manufacturing: A Review. JOM, 72, 2363-2377, 2020. [3] : A. GroBmann, J. Gosmann, C. Mittelstedt. Lightweight lattice structures in selective laser melting: Design, fabrication and mechanical properties, Materials Science & Engineering A, 766, 138356, 2019. [4] : L. Dowling, J. Kennedy, S. O'Shaughnessy, D. Trimble. A review of critical repeatability and reproducibility issues in powder bed fusion. Materials & Design, 186, 108346, 2020. [5] : M. Zhang, C.N. Sun, X. Zhang, P.C. Goh, J. Wei, D. Hardacre, H. Li. High cycle fatigue life prediction of laser additive manufactured stainless steel: A machine learning approach. Int. J. Fatigue, 128, 105-194, 2019. [6] : W. Zhang, A. Mehta, P.S. Desai, C. Higgs. Machine learning enabled powder spreading process map for metal additive manufacturing (AM), Solid Freeform Fabrication Proceedings, Austin: Univ. Tex, pp. 1235–1249, 2017. [7] : A. Costa, G. Buffa, D. Palmeri, G. Pollara, L. Fratini. Hybrid prediction-optimization approaches for maximizing parts density in SLM of Ti6Al4V titanium alloy. Journal of Intelligent Manufacturing, 33, 1967-1989, 2022. [8] : A. Hodroj, R. Bouglia, Y. Ding, M. Zghal. Machine learning for density prediction and process optimization of 316L stainless steel fabricated by selective laser melting. Accepted for publication in the Journal of Intelligent Manufacturing.CLIQUER ICI POUR POSTULER
