Modélisation de substitution assistée par RBF et apprentissage automatique pour la prédiction des propriétés mécaniques en fabrication additive par friction stir : application aux alliages d'aluminium dissemblables AA6061/AA7075.

Pourquoi cela compte pour les pièces métalliques du futur

Les voitures et avions modernes exigent des pièces métalliques à la fois résistantes, légères et rapides à produire. Une technique prometteuse, la fabrication additive par friction stir (FSAM), permet d’empiler des couches d’aluminium sans les fondre, évitant ainsi de nombreux défauts des impressions 3D par fusion. Mais mener de nombreux essais par essais-erreurs pour ajuster les paramètres du procédé est coûteux et lent. Cette étude montre comment un petit ensemble d’essais réels, combiné à une interpolation mathématique et à l’apprentissage automatique, peut aider les ingénieurs à explorer quels réglages FSAM sont susceptibles d’améliorer la résistance et la dureté dans des pièces en aluminium mixtes — tout en distinguant clairement ce qui relève de la prédiction et ce qui doit encore être vérifié en laboratoire.

Construire les pièces en brassant, pas en fondant

La FSAM est un procédé en phase solide : un outil rotatif s’enfonce dans des plaques métalliques empilées et se déplace le long d’elles, générant une chaleur par friction qui ramollit — sans fondre — le matériau. Au fur et à mesure de l’avance de l’outil, il remue et soude du matériau frais dans la structure, couche par couche. Parce que le métal ne fond jamais complètement, la FSAM évite la porosité et les fissures qui affectent l’impression 3D par fusion et peut produire des grains fins et uniformes proches de ceux obtenus par forgeage. Les auteurs se concentrent sur des couches alternées de deux alliages d’aluminium couramment utilisés, AA6061 et AA7075, disposés selon deux ordres d’empilement (6061-sur-7075 et 7075-sur-6061), afin d’étudier comment les paramètres du procédé influent sur la résistance à la traction ultime et la dureté Vickers.

Faire plus avec seulement neuf expériences

Un défi majeur est la rareté des données : les essais FSAM à grande échelle sont coûteux, longs et limités par la disponibilité des machines et des contraintes de sécurité. Ici, seuls neuf essais soigneusement choisis (un plan Taguchi L9) ont été réalisés, en faisant varier trois réglages : la vitesse de rotation de l’outil, la vitesse d’avance et l’angle d’inclinaison. Pour combler les vides entre ces neuf points, l’équipe a utilisé une technique mathématique appelée interpolation par fonctions de base radiale (RBF). La RBF prend les données mesurées et construit une surface lisse à travers l’espace des trois paramètres. À partir de cette surface de substitution, ils ont généré 882 points de données synthétiques, créant ainsi une carte virtuelle dense de la façon dont la résistance et la dureté peuvent varier dans la fenêtre testée de vitesses et d’angles.

Apprendre le substitut, pas le monde

Sur cet ensemble enrichi de 891 points (9 réels + 882 synthétiques), les auteurs ont entraîné trois modèles de régression différents : régression par processus gaussien (GPR), régression par vecteurs de support (SVR) et régression ridge bayésienne. Ces modèles devaient prédire la résistance à la traction et la dureté pour les deux séquences d’empilage, à partir des trois paramètres de procédé. La GPR s’est distinguée, reproduisant les valeurs basées sur la RBF avec des erreurs souvent inférieures à 1 % et des scores R² élevés (typiquement supérieurs à 0,85 sur l’ensemble synthétique). La SVR a montré une sous-estimation modérée et principalement systématique, et la régression ridge bayésienne — méthode linéaire — a eu des difficultés avec le comportement fortement non linéaire, surtout pour la dureté. De manière cruciale, les auteurs soulignent que cette performance quasi parfaite signifie que les modèles ont bien appris le substitut RBF ; cela ne prouve pas encore qu’ils capturent toute la variabilité complexe des expériences FSAM réelles.

Quels réglages importent le plus dans ces conditions ?

Pour rendre les modèles interprétables, l’étude utilise SHAP (SHapley Additive exPlanations), un outil qui attribue un score d’importance à chaque paramètre d’entrée pour chaque prédiction. Dans l’espace de conception synthétique, la vitesse de rotation de l’outil apparaît comme le principal facteur influençant la résistance à la traction dans les deux ordres d’empilement, suivie de la vitesse d’avance, l’angle d’inclinaison restant en général un troisième facteur nettement moins influent. Pour la dureté, le tableau est plus équilibré : les vitesses de rotation et d’avance échangent leur importance selon que le 6061 se trouve au-dessus du 7075 ou l’inverse. L’analyse souligne également que la séquence d’empilement elle-même compte — la configuration 7075-sur-6061 tend à atteindre des résistances et duretés plus élevées sous conditions de traitement similaires, en accord avec la résistance de base plus élevée de l’AA7075.

Ce que ce cadre peut — et ne peut pas — prétendre

Pour vérifier le réalisme, les auteurs effectuent des tests leave-one-out sur les neuf expériences originales. Les erreurs y sont de plusieurs pourcents — beaucoup plus importantes que sur les points synthétiques — montrant que les mesures réelles sont plus bruyantes et que le substitut ne peut pas encore être considéré comme une vérité terrain. Les auteurs sont explicites sur cette limitation : leur cadre est une manière d’explorer les tendances et d’identifier des régions prometteuses de l’espace des paramètres lorsqu’on dispose seulement de quelques expériences. Tout réglage « optimal » choisi à partir des cartes synthétiques est, à ce stade, une hypothèse qui nécessite encore une confirmation expérimentale indépendante. Pourtant, l’approche offre un modèle réutilisable pour d’autres problèmes de fabrication avec peu de données, en combinant des expériences parcimonieuses, une interpolation lisse, de l’apprentissage probabiliste et une analyse explicable pour guider des essais de suivi plus intelligents plutôt que des tâtonnements aveugles.

Citation: Venkatachalam, K., Selvaraj, S.K., Mannayee, G. et al. RBF-assisted surrogate modeling and machine learning for mechanical property prediction in friction stir additive manufacturing: Application to dissimilar AA6061/AA7075 aluminum alloys.. Sci Rep 16, 14168 (2026). https://doi.org/10.1038/s41598-026-42608-7

Mots-clés: fabrication additive par friction stir, alliages d'aluminium, modélisation de substitution, régression par processus gaussien, données synthétiques