MOFASSAL - Modélisation multiphysique et Optimisation du procédé de FAbrication directe de pièceS métalliques par projection laSer à l’aide d’une méthode sAns maiLlage.

MOFASSAL - Multiphysics modeling and process Optimization of manuFActured partS by direct laSer metal deposition using A meshLess method.

• Auteur / Autrice : Tahar Anedaf
• Direction : Boussad Abbes, Yu ming Li
• Type : Thèse de doctorat
• Discipline(s) : Matériaux, mécanique, structures
• Date : Soutenance le 04/11/2021
• Etablissement(s) : Reims
• Ecole(s) doctorale(s) : Ecole doctorale Sciences du Numérique et de l’Ingénieur (Reims, Marne)
• Partenaire(s) de recherche : Laboratoire : Matériaux et Ingénierie Mécanique (MATIM) (Reims, Marne)
• Jury : Président / Présidente : Pascal Lafon
• Jury : Examinateurs / Examinatrices : Boussad Abbes, Yu ming Li, Hamid Zahrouni, Zhi-Qiang Feng, Fazilay Laraba Abbes
• Jury : Rapporteurs / Rapporteuses : Hamid Zahrouni, Zhi-Qiang Feng

Mots clés

Mots clés contrôlés

Métallisation au pistolet

Procédés de fabrication

Prototypage rapide

Mots clés libres

Fabrication additive métallique

Méthode sans maillage FPM

Procédé de dépôt de matière sous flux d’énergie concentrée

Métamodèles

Réseau de neurones

Metal additive manufacturing

Direct energy deposition

Meshless method

Metamodels

Neural network

Résumé

Le procédé de dépôt de matière sous flux d’énergie concentrée appliqué aux matériaux métalliques permet de fabriquer des pièces de géométrie complexe à partir d’un jet de poudre. Les pièces sont obtenues en projetant un jet de poudre métallique grâce à une buse de projection coaxiale en direction d’un bain de métal liquide obtenu par fusion laser d’un substrat. Cependant, l’exploitation de cette technologie est limitée par la multitude de paramètres procédé et de phénomènes physiques complexes ne permettant pas sa maîtrise totale. Il devient alors nécessaire de mieux maîtriser le processus de fabrication afin d’étudier l’influence des paramètres opératoires sur les caractéristiques finales de ces pièces et de les optimiser. Dans le cadre de cette thèse, un modèle multiphysique du procédé de dépôt de matière sous flux d’énergie concentrée (DED) appliqué aux matériaux métalliques est d’abord proposé. Ce modèle est basé sur la méthode sans maillage FPM (Finite Pointset Method). Des comparaisons avec les résultats expérimentaux et numériques existants dans la littérature montrent la bonne capacité de la méthode à prédire la distribution de température et la géométrie du dépôt induites par le procédé DED lors du dépôt de cordons ou de parois minces. Un métamodèle basé sur les réseaux de neurones a été ensuite proposé comme alternative efficace et peu coûteuse aux méthodes traditionnelles pour déterminer les paramètres optimaux pour le procédé DED. Enfin, nous avons réalisé une étude expérimentale en collaboration avec la Plateforme Platinium 3D sur un acier inoxydable 316L. Des cordons unitaires, des parois de plusieurs couches et des cylindres ont été fabriqués en faisant varier les paramètres machines (Puissance laser, Vitesse de balayage et Débit massique de poudre) que nous avons ensuite comparé aux simulations numériques.

The direct energy deposition process applied to metallic materials allows to manufacture parts of complex geometry with a powder jet. The parts are obtained by projecting a jet of metal powder through a coaxial projection nozzle in the direction of a pool of liquid metal obtained by laser fusion of a substrate. However, the use of this technology is limited by the multitude of process parameters and complex physical phenomena that do not allow its full control. It then becomes necessary to better control the manufacturing process to study the influence of the operating parameters on the final characteristics of these parts and to optimize them. As part of this thesis, a multiphysics model of the direct energy deposition process (DED) applied to metallic materials is first proposed. This model is based on the FPM (Finite Pointset Method) meshless method. Comparisons with the experimental and numerical results existing in the literature show the good ability of the method to predict the temperature distribution and the geometry of the deposition induced by the DED process during the deposition of beads or thin walls. A metamodel based on neural networks was then proposed as an efficient and inexpensive alternative to traditional methods to determine the optimal parameters for the DED process. Finally, we carried out an experimental study in collaboration with the Platinum 3D Platform on a 316L stainless steel. Individual beads, walls of several layers and cylinders were manufactured by varying the machine parameters (Laser power, Scanning speed and Mass flow rate of powder) which we then compared to numerical simulations.