Reconstruction 3D quasi temps réel basée sur l’apprentissage machine dans un jumeau numérique d’impression 3D
En impression 3D, une pièce peut contenir des défauts internes (par exemple de petites zones de porosité) qui sont difficiles à voir pendant la fabrication, mais qui peuvent réduire la qualité et la fiabilité. Ce projet vise à estimer plus tôt ces défauts internes en utilisant un capteur rapide déjà disponible : un scanner laser 3D (Gocator 3210) qui mesure la surface de chaque couche juste après son dépôt. Le stagiaire construira une méthode basée sur l’apprentissage automatique qui apprend le lien entre ces scans couche par couche et des scans aux rayons X en 3D (micro-CT) réalisés hors ligne, afin de produire une reconstruction 3D “probable” de l’intérieur de la pièce et des indicateurs de qualité faciles à interpréter (porosité, zones à risque, etc.). La solution sera ensuite intégrée à un jumeau numérique mis à jour après chaque couche, pour améliorer la détection précoce des dérives, réduire les rebuts et les délais d’inspection, et renforcer la traçabilité qualité des pièces imprimées.
View Full Project DescriptionMohamed Habibi
Institut d'Optique Graduate School
Engineering
Education
Université du Québec à Trois-Rivières
Globalink Research Award
