Cet article démontre l'application de la conception générative à l'impression 3D métal par fusion sélective au laser (SLM) afin de réduire le temps d'impression et les coûts de matériaux. L'étude porte sur un échantillon de 30 modèles 3D de conception traditionnelle, auxquels la conception générative a été appliquée, avec modification de la topologie. Les résultats montrent une réduction significative du temps d'impression 3D (28,5 % en moyenne) et de la masse de poudre métallique utilisée (31,09 % en moyenne). L'étude a également constaté une augmentation des besoins en matériaux de support pour une impression 3D efficace, avec une hausse moyenne de 38 %, ce qui est prévisible compte tenu de la nature de la génération de modèles. Malgré ces résultats positifs, la mise en œuvre efficace des technologies de conception générative dans l'industrie de la fabrication additive nécessitera le développement d'un marché de logiciels et la formation d'une main-d'œuvre hautement qualifiée pour produire des modèles 3D répondant aux normes de qualité d'impression 3D.

introduction

Ces dernières années, la fabrication additive, en particulier l'impression 3D métal, est devenue un acteur clé des processus de fabrication dans une variété d'industries, telles que l'aérospatiale, l'automobile, l'énergie et
génie mécanique. Ces technologies offrent une grande flexibilité de conception, la possibilité de créer
géométries complexes et déchets réduits par rapport aux méthodes de production traditionnelles [1]. Cependant,
Malgré leurs avantages, l’optimisation des processus de production pose un certain nombre de défis.

L’objectif de l’étude est d’étudier l’efficacité de l’utilisation de la conception générative pour optimiser les processus d’impression 3D métal en termes de réduction de la consommation de matériaux et du temps d’impression.

La conception générative est une approche innovante qui permet l'automatisation
le processus de conception utilisant des technologies additives et créant des conceptions optimisées avec une utilisation minimale de matériaux tout en conservant les caractéristiques de résistance [2]. Ce
particulièrement pertinent dans le contexte des demandes croissantes de développement durable et de responsabilité environnementale. La conception générative a un grand potentiel, mais elle n’est pas sans défis. Dans [3], des problèmes liés aux coûts de calcul et à la nécessité d’un post-traitement à différentes étapes de la production sont notés.

L’exploration du potentiel de la conception générative peut contribuer à développer des processus de fabrication plus durables et plus rentables, un objectif important pour les secteurs clés de l’économie.

Le concept de conception générative

La conception générative est une méthode de conception moderne qui utilise des processus algorithmiques et la technologie informatique pour créer des formes et des structures optimisées à partir d'un modèle source. Cette approche permet aux concepteurs et aux ingénieurs de définir des paramètres spécifiques, tels que
tels que les matériaux, les dimensions, les charges et les contraintes de fabrication, après quoi le système génère une variété d'options de solutions qui répondent aux critères spécifiés [4].

Le processus est basé sur une modélisation algorithmique qui imite les processus de sélection naturelle, ce qui nous permet de trouver les formes et les structures les plus efficaces qui peuvent ne pas être évidentes dans la conception traditionnelle. [5]. Cette méthode vise à optimiser la conception en tenant compte de divers facteurs tels que la résistance, le poids, le coût et la fonctionnalité. Cela permet de créer des produits plus légers et plus résistants, ce qui revêt une importance supplémentaire dans des secteurs tels que l’aérospatiale et l’automobile [6].

La conception générative s'adapte parfaitement aux technologies d'impression 3D car elle permet la création de modèles complexes.
formes géométriques difficiles ou impossibles à produire à l’aide de méthodes traditionnelles [7].

Génération d'une nouvelle topologie de produit

Dans cette étude, la conception générative a été mise en œuvre à l’aide du logiciel Autodesk Inventor 2025. Cet outil permet des approches algorithmiques pour créer des formes géométriques optimisées en fonction de paramètres et de contraintes spécifiés (Fig. 1).

Riz. 1. Exemple d'optimisation de la topologie d'une pièce issue d'un boîtier
modèles de recherche

Le processus commence par la définition des exigences du produit telles que les charges mécaniques, la taille et les limitations des matériaux. Autodesk Inventor génère ensuite plusieurs options de conception parmi lesquelles la plus efficace est sélectionnée.

Après avoir généré les modèles, l'utilisateur a la possibilité d'évaluer chacun d'entre eux à l'aide d'outils intégrés tels que l'analyse statique et dynamique, ainsi que d'évaluer la stabilité des structures [8]. Cela permet non seulement d’identifier les solutions optimales, mais aussi de comprendre comment différents paramètres influencent l’efficacité des transformations.

Au cours de l’étude, les paramètres suivants ont été identifiés pour la mesure :

  • Temps d'impression : Le temps total nécessaire pour terminer l'impression de chaque échantillon a été mesuré, ce qui a permis d'évaluer la productivité du processus ;
  • Volume de matériau : la quantité de poudre métallique nécessaire pour imprimer chaque échantillon a été mesurée, ce qui nous a permis d'évaluer la rentabilité du processus et le potentiel de réduction des coûts de matériau.

Tester des échantillons avant et après l'application de la conception générative

Les tests des échantillons comprenaient plusieurs étapes.

  • Préparation des échantillons : des modèles 3D de conception traditionnelle ont d’abord été sélectionnés, puis de nouveaux modèles ont été créés par conception générative dans Autodesk Inventor. Les 30 échantillons ont été conçus pour l’impression sur une imprimante 3D SLM Solution 280 v2. Le matériau utilisé était de l’acier AISI 440C.
  • La méthode des éléments finis (MEF) a été utilisée pour analyser les contraintes et les déformations des échantillons. Cette méthode permet de simuler le comportement des matériaux sous l’influence de diverses charges, fournissant des prédictions précises sur la résistance et la stabilité des structures. [9]. Les modèles ont été créés dans le logiciel correspondant, où une analyse des contraintes a été effectuée pour les deux types d'échantillons (Fig. 2).

Riz. 2. Analyse des contraintes et des déformations à l'aide de la méthode des éléments finis

  • Le calcul des paramètres susceptibles de varier – temps d’impression et coûts des matériaux – a été effectué à l’aide du logiciel NetFabb.

3. NetFabb calcule le temps d'impression total en fonction des facteurs suivants :

  • temps de numérisation : déterminé par la vitesse du laser et le nombre de passages nécessaires pour remplir chaque couche ;
  • Temps de trajet : cela prend en compte le temps nécessaire pour déplacer le laser entre les zones d’impression ;
  • nombre total de couches : l'épaisseur de chaque couche et la hauteur totale du modèle sont prises en compte.

Le calcul de la quantité de poudre nécessaire pour imprimer un modèle est basé sur :

  • volume de matière : calculé en fonction de la géométrie du modèle et de la densité spécifiée du matériau ;
  • pertes de matière : prend en compte les pertes lors du nettoyage et du recyclage de la poudre non utilisée après impression.

4. Analyse des résultats : l’évolution des paramètres des modèles sélectionnés dans l’étude après l’application de la conception générative a été évaluée. Une attention particulière a été portée à l’augmentation de l’efficacité de l’utilisation des matériaux et à la réduction des coûts énergétiques tout en maintenant les caractéristiques de résistance.

Analyse comparative des paramètres du produit avant et après l'application de la conception générative

À la suite de l’étude, des indicateurs ont été calculés qui permettent de déterminer l’efficacité du changement génératif des modèles originaux (tableau).

Sur la base des données du tableau, des indicateurs relatifs de réduction de masse, de volume et de temps d'impression ont été calculés :

  • les économies de matériaux nécessaires à la production des produits varient de 8,9 à 61,64 % sur l'ensemble de données sélectionné, avec une valeur moyenne de 31,09 % ;
  • la variation du volume du modèle 3D varie de 3,3 à 64,55% avec une valeur moyenne de 35% ;
  • Les économies de temps d’impression 3D nécessaires à la production de produits varient de 3,33 à 60 %, avec une valeur moyenne de 28,5 %.

En termes absolus, l'utilisation de la conception générative pour la banque de modèles étudiée nous a permis d'économiser 872 heures d'impression et 30,8 kg de poudre métallique.

L'étude a également révélé des résultats négatifs concernant la masse (augmentation de 6,5 %) et le temps d'impression (augmentation de 7,4 %) pour l'un des 30 échantillons. Malgré la réduction de la masse du produit lui-même, la masse du matériau de support a augmenté, ce qui a conduit à un résultat global négatif, tant pour le temps d'impression que pour la quantité de matériau nécessaire. Par conséquent, l'influence de la conception générative sur la variation de la masse du support a fait l'objet d'une analyse plus approfondie (Figure 3).

Riz. 3. Modification de la masse du matériau de support

Tableau. Résultats des calculs d'indicateurs pour les échantillons traditionnels et génératifs

Numéro de pièce Modèles 3D originaux Modèles transformés par la conception générative
Le volume,
sm3		 Masse, g Poids avec nacelle. mat.1, g temps
Impression 3D, h		 Volume cm3 Masse, g Poids avec nacelle.
mat., g		 temps
Impression 3D,
heure
1 121,3 929,0 968,1 26,5 74,5 570,7 618,7 17,3
2 787,5 6032,3 6476,5 179,0 279,2 2138,4 2889,6 90,3
3 304,0 2328,5 2474,0 74,0 217,5 1666,2 1834,7 57,3
4 370,4 2837,2 2965,2 87,0 228,5 1750,3 2101,4 64,5
5 489,7 3751,3 3884,5 111,0 301,8 2311,6 2712,9 80,5
.........
25 124,8 955,9 1001,9 27,5 86,1 659,2 703,6 19,5
26 188,4 1443,1 1501,4 40,5 113,4 869,0 911,3 25,0
27 11,5 87,7 112,6 6,0 9,3 71,3 101,9 5,8
28 1803,0 13810,7 14874,1 464,8 1137,3 8711,9 9705,1 303,0
29 395,0 3025,7 3069,1 83,0 203,5 1558,8 1647,4 46,0
30 48,4 370,7 398,8 12,0 29,6 226,8 252,7 8,0

Dans 16 des 30 échantillons, la masse du support a augmenté en moyenne de 38 %. Ceci s'explique par le fait que la conception générative crée des formes plus complexes et détaillées, nécessitant un support supplémentaire pour éviter toute déformation du produit lors de l'impression [10]. Néanmoins, malgré cet effet négatif lié à l'augmentation de la quantité de support, nous considérons les résultats globaux de l'étude comme positifs : la conception générative nous a permis de réduire la masse, le volume et le poids de l'impression d'un tiers en moyenne.

Conclusion

L'importance pratique des résultats obtenus réside dans le soutien à la prise de décision dans le processus de gestion des ressources de production lors de l'utilisation de technologies additives afin d'augmenter la productivité, la durabilité environnementale et l'adaptation aux changements du marché.

Les résultats expérimentaux obtenus, indiquant une réduction du temps d’impression et de la quantité de matière utilisée, ont un impact significatif sur la logistique de production. La réduction des temps d’impression permet des cycles de production plus rapides, ce qui permet à son tour une réponse plus rapide aux
évolution de la demande et amélioration de la flexibilité globale de la production. De plus, la réduction de la quantité de déchets utilisés
Le matériau réduit les coûts des matières premières et améliore l'efficacité économique globale du processus dans les coûts de production.

Il convient de noter que l’un des défis liés à l’utilisation de la technologie de conception générative dans l’impression 3D est le marché limité des logiciels et le manque de personnel hautement qualifié pour préparer des modèles répondant aux exigences d’une impression 3D de haute qualité. Nous espérons que la tendance générale vers le développement des technologies d’intelligence artificielle, ainsi que la demande croissante des industries consommant des produits de technologie additive, contribueront à surmonter cet obstacle.

Références

  1. Pakhtaeva A. Ya. Méthodes de conception générative // ​​NOEMA. 2021. N° 2 (7), P. 213-220.
  2. Golubev O.V., Degtyareva A.N., Sapelkin M.E. Possibilités de réduction des émissions de carbone grâce aux technologies additives // Automatisation dans l'industrie. 2023. N° 11. 
  3. Zhang, Y., Wang, Z., Zhang, Y., Gomes, S., & Bernard, A. Conception générative bio-inspirée pour la génération et l'optimisation de structures de support dans la fabrication additive (FA) // CIRP Annals. 2020. 69(1). 117-120. 
  4. Baker, S., Liu, Y., Zhang, H. Conception générative : un nouveau paradigme pour l'ingénierie de conception // Journal of Mechanical Design. 2019. 141(10). 101-115.
  5. Zhu, J., Zhou, H., Wang, C., Zhou, L., Yuan, S., & Zhang, W. Revue de l'optimisation topologique pour la fabrication additive : État des lieux et défis // Chinese Journal of Aeronautics. 2021. 34(1), 91-110.
  6. Ashby, M.F., Johnson, K. Matériaux et conception : l'art et la science de la sélection des matériaux dans la conception des produits. 2018. Butterworth-Heinemann
  7. Gibson, I., Rosen, DW, Stucker, B. Technologies de fabrication additive : impression 3D, prototypage rapide et fabrication numérique directe. 2015. Springer.
  8. Gonzalo Acosta-Zazueta, Jorge Alcaide-Marzal, José Antonio Diego-Más. (). Logiciels de conception générative et différentes approches // Actes de DARCH. 1ère Conférence internationale sur l'architecture et le design, 2021. 101-108.
  9. Vergazova O.B., Korolev E.A. Application de la méthode des éléments finis à la résolution de problèmes techniques // Moderne
    Recherches européennes. 2021. N° 2. P. 76-81.
  10. Mirzendehdel, A. M., & Suresh, K. (2016). Optimisation topologique contrainte par la structure de support pour la fabrication additive // ​​Conception assistée par ordinateur. 81. 1-13.

Anna Nikolaevna Degtyareva est étudiante de troisième cycle à l'Université nationale des sciences et technologies MISIS et directrice générale adjointe du développement. Studia3D,
Sapelkin Maxim Eduardovich - étudiant de troisième cycle de l'Université nationale des sciences et technologies MISIS, chef de projet de la SA RASU,
Golubev Oleg Valentinovich - Docteur en ingénierie, professeur agrégé, NUST MISIS,
Kamonichkin Dmitry Tamashevich - Directeur général Studia3D.
Courriel : anvishnevskay@mail.ru