Cette étude propose une approche intégrée pour l’optimisation du soudage par friction-malaxage, combinant acquisition de données via capteurs, machine learning, et jumeaux numériques. Les capteurs d’acquisition furent utilisés pour enregistrer la vitesse de rotation et la vitesse d’avance, l’effort axial, le couple et la température durant la mise en œuvre du procédé. Ces paramètres furent corrélés avec des indicateurs de la qualité des soudures, tels que aspect de la surface, défauts volumiques et résistance à la traction.
132 éprouvettes furent produites et utilisées pour définir, avec supervision ou non, les modèles de machine learning, permettant d’obtenir un taux de classification correcte des défauts de 95 %. En parallèle des jumeaux numériques furent développés à l’aide de COMSOL afin de simuler les aspects thermomécaniques du procédé. Le modèle incorpora les propriétés du matériau de base en fonction de sa température, la génération de chaleur par la friction et le mode de déformation plastique afin de prédire les contraintes, les déformations et la répartition de la température. Les données ainsi établies furent validées par les données expérimentales recueillies.
Une fois implémenté dans des conditions industrielles, le système démontra qu’il était capable d’ajuster les paramètres du procédé pour optimiser les propriétés des assemblages réalisés. L’approche adoptée permet donc d’améliorer la stabilité du procédé, de réduire les pertes de matières premières et d’améliorer l’intégrité des soudures selon une méthode conforme aux notions de fabrication intelligente ou d’industrie 4.0.
- Auteur(s) : DELIR R.N., PATHAK R., SCHMIDT O., KOPP C., MUNCHINGER E., SCHILLING C., SALIM S., WIEGAND M., KAHLMEYER M., JIANG Y., BOHM S.
- Affiliation(s) : University of Kassel, Lauterbach Verfahrenstechnik GmbH, RRS Schilling GmbH, Beijing University of Science and Technology
- Pays : Allemagne, Chine
- Source : Welding in the World, Vol.70, n°03, mars 2026, pp. 935-948 (14 pages), en anglais
- Cote ISDOC : WW202603.935-948
