Prédiction de la consommation d’énergie en dépôt d’énergie dirigée via apprentissage incrémental intégré au transfert d’apprentissage

Pourquoi une utilisation d’énergie plus intelligente en impression 3D compte

L’impression 3D métallique peut produire des pièces complexes pour moteurs d’avion et des implants médicaux, mais elle consomme souvent beaucoup d’électricité. Cette énergie a un coût financier et un coût climatique. Cet article explore une méthode permettant d’apprendre aux ordinateurs à prédire de façon fiable, et éventuellement à réduire, l’énergie utilisée dans un type particulier d’impression 3D métal, même lorsque seules de petites quantités de données sont disponibles. Pour quiconque s’intéresse à une fabrication plus verte ou à des produits high-tech moins coûteux, ce travail indique la voie vers des usines plus intelligentes et plus efficaces.

Comment les pièces métalliques sont construites par la lumière

Beaucoup d’imprimantes 3D métalliques fonctionnent en focalisant un laser ou un faisceau d’électrons intense sur un lit ou un flux de poudre métallique. Dans le procédé de dépôt d’énergie dirigée (Directed Energy Deposition, DED) étudié ici, la poudre est soufflée dans une minuscule piscine en fusion créée par un laser, construisant la pièce couche après couche. Bien que cette approche gaspille moins de matière première que l’usinage à partir de blocs, elle consomme malgré tout une grande quantité d’énergie parce que la machine doit faire fondre et solidifier le métal de manière répétée. L’énergie exacte utilisée dépend de l’alliage, de la puissance du laser, de la vitesse de déplacement et du débit d’alimentation en poudre, entre autres facteurs. Prédire la consommation d’énergie à partir de ces paramètres est difficile, mais crucial pour maîtriser les coûts et estimer les émissions de carbone.

Pourquoi les outils de prédiction habituels montrent leurs limites

Des chercheurs ont tenté d’utiliser à la fois des modèles physiques et l’apprentissage automatique conventionnel pour prévoir la consommation d’énergie en fabrication additive. Les modèles basés sur la physique peinent à capturer toutes les influences réelles et complexes, tandis que l’apprentissage automatique standard nécessite généralement de larges jeux de données riches incluant non seulement les réglages du procédé mais aussi des relevés de capteurs et des images. Collecter de telles données détaillées est coûteux et prend du temps. Pire encore, les modèles entraînés sur un métal ou une configuration machine peuvent échouer lorsque les conditions changent. Un modèle fonctionnant pour un alliage à base de nickel peut ne pas être adapté à un alliage cobalt-chrome, et un modèle ajusté pour une certaine puissance laser peut donner de mauvais résultats à une autre puissance.

Un cadre d’apprentissage qui s’appuie sur ce qu’il sait déjà

Les auteurs combinent deux idées — le transfert d’apprentissage et l’apprentissage incrémental — pour surmonter ces limites. Le transfert d’apprentissage permet à un modèle de réutiliser ce qu’il a appris sur la consommation d’énergie dans une situation donnée, par exemple l’impression avec du cobalt-chrome (CoCrMo), lorsqu’il est appliqué à une autre situation, par exemple l’impression avec un alliage à base de nickel (IN718). L’apprentissage incrémental permet de mettre à jour le modèle étape par étape à mesure que de nouvelles données arrivent, plutôt que de le réentraîner depuis zéro. Dans leur cadre, le modèle est d’abord entraîné par étapes sur un matériau, en commençant par des échantillons réalisés à des puissances laser plus faibles puis en ajoutant des échantillons à des puissances plus élevées. Le modèle entraîné est ensuite légèrement réentraîné sur seulement quelques échantillons du nouveau matériau ou du nouveau niveau de puissance afin qu’il puisse s’adapter sans nécessiter un grand jeu de données neuf.

Tester différentes façons pour les ordinateurs de reconnaître des motifs

Pour évaluer l’efficacité de ce cadre, l’équipe a imprimé 20 petites pièces d’essai en utilisant des poudres CoCrMo et IN718 tout en mesurant l’énergie électrique utilisée à chaque instant. Ils n’ont utilisé que six entrées simples — pas de temps, puissance du laser, vitesse de balayage, débit d’alimentation en poudre, numéro de couche et indicateur si la machine était en train de construire ou non — pour prédire l’énergie à chaque instant. Quatre types de modèles ont été comparés : une méthode par arbres (XGBoost), un réseau de neurones récurrent (LSTM), un réseau de convolution temporelle (TCN) et un modèle transformer utilisant des mécanismes d’attention. Sur trois tâches — passer de CoCrMo à IN718, d’IN718 à CoCrMo, et de faible à haute puissance laser sur IN718 — l’approche d’apprentissage par transfert incrémental a systématiquement produit des prédictions plus proches des mesures réelles que les modèles entraînés de la manière classique.

Quelle approche a le mieux fonctionné

Parmi les quatre modèles, le réseau de convolution temporelle s’est distingué. Avec le cadre de transfert d’apprentissage incrémental, il a atteint une erreur moyenne d’environ 4,65 % et a expliqué environ 92 % de la variation de la consommation d’énergie, tout en restant raisonnablement rapide à entraîner. Le LSTM a également bien performé, tandis que le transformer et XGBoost étaient légèrement en retrait en précision, bien que XGBoost ait été le plus rapide à entraîner. Les modèles améliorés ont été particulièrement meilleurs pour capturer les creux et les pics soudains de consommation — les sommets et les vallées qui correspondent aux moments où le laser démarre, s’arrête ou change de couche — plutôt que de les lisser.

Ce que cela signifie pour une fabrication plus propre

Concrètement, l’étude montre qu’une stratégie d’apprentissage intelligente et graduelle permet aux ordinateurs de prédire avec précision la puissance consommée par une imprimante 3D métal, même lorsque les ingénieurs ne disposent que de quelques essais et lorsque les matériaux ou les réglages du procédé changent. Ce type de prédiction est une étape clé pour ajuster automatiquement les imprimantes afin de réduire leur consommation d’énergie tout en conservant la qualité des pièces, et pour estimer les émissions sans mesures exhaustives. Bien que les usines réelles présentent encore plus de variations que les conditions contrôlées de cette étude, l’approche consistant à réutiliser et à mettre à jour progressivement les connaissances apprises offre une voie prometteuse vers une fabrication plus consciente de l’énergie et plus favorable au climat.

Citation: Duan, C., Zhou, F., Liu, Z. et al. Predicting energy consumption in directed energy deposition using incremental learning-integrated transfer learning. npj Adv. Manuf. 3, 6 (2026). https://doi.org/10.1038/s44334-025-00065-6

Mots-clés: fabrication additive métal, prédiction de la consommation d’énergie, transfert d’apprentissage, apprentissage incrémental, dépôt d’énergie dirigée