Jury :

• Anne Françoise OBATON, Ingénieure de Recherche HDR, LNE (Rapporteur)
• Jean-Yves DANTAN, Professeur des Universités, Arts et Métiers Metz, LCFC (Rapporteur)
• Alain BERNARD, Professeur des Universités, Ecole Centrale Nantes, LS2N (Examinateur)
•  François VILLENEUVE, Professeur des Universités, Université Grenoble Alpes, G-Scop (Examinateur)
• Tiberiu MINEA, Professeur des Universités, Université Paris-Saclay, LPGP (Examinateur)
• Nabil ANWER, Professeur des Universités, Université Paris-Saclay, LURPA (Directeur de thèse)
• Luc MATHIEU, Professeur des Universités, Université Paris-Saclay, LURPA (Co-Directeur de thèse)

Résumé :

La maitrise de la qualité constitue le principal obstacle à une adoption plus accrue des procédés de fabrication additive. L'analyse des données, la modélisation des processus physiques, la mesure des pièces et leur évaluation métrologique sont de plus en plus utilisées pour parvenir à une meilleure maitrise de la qualité. Cependant, il existe encore des défis importants en matière de modélisation, de mesure et de traitement en raison du large éventail de paramètres impliqués qui affectent la qualité de la pièce finale. Dans cette thèse, nous proposons de remédier à certaines des limitations liées à la qualité des pièces en fabrication additive. Nous proposons une approche de modélisation prédictive pour effectuer la caractérisation de la porosité et déterminer la plage des paramètres de fabrication en fonction d'un ensemble restreint de données collectées. L'approche systématique de modélisation proposée utilise un apprentissage statistique à base de processus Gaussiens (GP) pour permettre des prédictions sur l'ensemble de l'espace expérimental en fonction des données de mesures. Le modèle proposé exploite des fonctions de covariance, de l'inférence bayésienne, et des chaînes de Markov pour estimer les paramètres du modèle, à partir des données acquises. Les données sont obtenues à partir d'un plan d'expérience et d'un protocole d'analyse d'images par tomographie. Pour une mise en œuvre efficace de cette approche, nous mettons en avant des corrélations entre les conditions du processus de fabrication et les caractéristiques du produit. Ces caractéristiques clés (KCs) sont évaluées en fonction de leur importance et sont ordonnées hiérarchiquement d'un point de vue statistique.