Caractérisation métrologique de systèmes de spectroscopie par résonance ultrasonore pour la fabrication additive

Ce projet vise à entreprendre la caractérisation métrologique de deux systèmes RUS (resonant ultrasound spectroscopy) et NRUS (non-linear resonant ultrasound spectroscopy) commerciaux complémentaires afin d’établir leur fiabilité pour le contrôle qualité des pièces complexes réalisées en FA permettant ainsi de soutenir le développement industriel.

La FA intéresse de plus en plus les secteurs industriels de pointe tels que l’aérospatial, le naval, l’énergie, la défense et le médical pour les possibilités qu’elle offre de manufacturer des pièces personnalisées, optimisées mécaniquement en terme de masse (optimisation topologique), de géométries complexes telles que des structures en nid d’abeille (lattices) ou encore des cavités ou canaux internes. Cependant, dans ces secteurs industriels de pointe, l’intégrité des pièces doit être garantie pour permettre leur certification. Cela implique un contrôle volumique des pièces avec des méthodes de contrôle non-destructif (CND) caractérisées métrologiquement.

La méthode de CND la plus performante à ce jour pour inspecter les pièces en volume est la tomographie informatisée à rayons X (XCT pour “X-ray computed tomography”). En effet, cette méthode permet d’imager en trois dimensions la géométrie externe mais également interne d’une pièce en réalisant des radiographies de celle-ci sous différents angles de vues suivi d’une reconstruction mathématique de l’image en 3D. Toutefois cette méthode est coûteuse, l’analyse des images est longue et les fichiers très volumineux. De plus, elle n’est pas adaptée aux pièces de grand volume ou de forte densité à moins de disposer d’XCT à fortes énergies encore plus coûteux. Par ailleurs, un intérêt de la FA est la possibilité de fabriquer en masse des pièces personnalisées lors d’un même cycle de fabrication et ce, sans surcoût. Cette particularité de la FA séduit particulièrement le secteur médical. Or, le scan XCT systématique de l’ensemble de ces pièces est inenvisageable dans le médical. Ainsi, les industriels sont en quête de méthodes alternatives à l’XCT, plus rapides et moins coûteuses.

Les méthodes de CND alternatives les plus performantes à ce jour sont celles dites de spectroscopie par résonance acoustique (RUS). Elles consistent, après excitation mécanique des pièces testées, en l’analyse des spectres en fréquence de leurs modes propres de vibration par comparaison à des pièces de référence identiques, supposés sans défaut. Ces méthodes sont globales puisqu’elles permettent de détecter si la pièce est défectueuse, mais pas de localiser le défaut. En revanche, elles conviennent quel que soit le volume, la densité et la géométrie de la pièce. Par ailleurs, elles sont faciles à mettre en œuvre et rapides. Elles sont donc particulièrement intéressantes pour une première inspection des pièces, et pour le contrôle de routine.

Plus récemment, les méthodes RUS non-linéaires (NRUS) ont fait leur apparition. Elles consistent également en l’analyse des spectres en fréquence des modes propres de vibration des pièces testées mais ce, à plus hautes fréquences afin d’étudier les harmoniques, ou en faisant varier l’amplitude d’excitation d’un mode. La présence d’un défaut entrainant un effet non linéaire se traduira sur la signature spectrale par la présence d’harmoniques ou à un décalage en fréquence en fonction de l’amplitude, respectivement.

La caractérisation métrologique des méthodes RUS et NRUS nécessite d’être établie notamment pour démontrer leur potentiel, leur limite de détection et leur fiabilité.

Ce type de système utilisé jusqu’à ce jour principalement dans l’industrie automobile pour des tests « tout ou rien » n’a pas encore dévoilé toutes ses possibilités. Les objectifs de ce projet étaient donc d’analyser en détail les signatures spectrales afin d’en extraire toute l’information qu’elles recèlent, de substituer les pièces de référence à des simulations, d’automatiser la détection et s’efforcer d’accroître les performances des méthodes par apprentissage automatique (machine learning) et ce avec une ambition métrologique.

La méthode RUS a permis la détection de pièces non-conformes dans un groupe de pièces de référence conformes. La capabilité de la méthode a été démontrée sur un ensemble de pièces conformes et avec des caractéristiques internes connues, simulant des défauts typiques de la FA, conçus dans le modèle numérique, sur des pièces en FA denses en acier inoxydable contenant une quantité variable de caractéristiques internes. Il a ainsi été montré que la RUS permettait de séparer les pièces denses conformes des pièces non-conformes mais ne pouvait pas classer les pièces en fonction du nombre de caractéristiques qu'elles contenaient.

En revanche, sur des structures lattices en FA, en cobalt-chrome, avec des nombres différents d'entretoises manquantes, non seulement l'analyse des données RUS a permis de séparer les pièces avec et sans entretoises manquantes, mais la quasi-totalité des pièces a pu être classée en fonction de leur nombre d'entretoises manquantes.

Le projet doit permettre de proposer aux industriels deux nouvelles méthodes de référence complémentaires, alternatives à l’XCT, pour le contrôle qualité des pièces de géométrie complexe réalisées en FA.

Par ailleurs, il doit permettre de définir un protocole pour l’étalonnage de tels systèmes pouvant servir de base à la rédaction d’une norme dans ce domaine d’application.

• A.-F. Obaton, A. Van den Bossche, O. Burnet, B. Butsch, I. Zouggarh, F. Soulard, and W. Johnson, “Novel or Improved NDE Inspection Capabilities for Additively Manufactured Parts,” Additive Manufacturing 2020, ed. N. Shamsaei and M. Seifi (West Conshohocken, PA: ASTM International, STP1637, 2022).
• A-F. Obaton, G. Weaver, L. Fournet Fayard, C. Cayron, F. Montagner, O. Burnet, and A. Van den Bossche, “Classification of metal L-PBF parts manufactured with different process parameters using resonant ultrasound spectroscopy”, submitted to Welding in the World 13/04/2022.
• A.-F. Obaton, N. Fallahi, A. Tanich, L.-F. Lafon, G. Weaver, “Statistical analysis and automation through machine learning of resonant ultrasound spectroscopy data from