Le procédé de fusion laser sur lit de poudre (LPBF) connaît aujourd’hui un fort essor grâce à sa capacité à produire des géométries complexes. Cependant, sa maîtrise reste limitée par une optimisation paramétrique longue, des instabilités du procédé et un manque d’outils numériques fiables pour prédire ou contrôler la fabrication.

Dans ce contexte, le projet CINDERELLA vise à lever ces verrous en concrétisant une approche intégrée combinant expérimentation avancée, modélisation numérique multiphysique et intelligence artificielle. L’objectif est de mieux comprendre l’interaction laser–matière, d’optimiser les paramètres de fabrication et de prédire la microstructure des pièces obtenues, ouvrant ainsi la voie à un jumeau numérique du procédé LPBF pour accélérer son industrialisation, notamment pour des matériaux nouveaux ou difficiles à traiter.

Le sujet du stage s’inscrit clairement dans ce projet. Son objectif est d’identifier et de modéliser les liens entre les paramètres procédé du LPBF et la microstructure obtenue, en s’appuyant sur différentes approches d’intelligence artificielle telles que l’optimisation bayésienne, la classification par forêts aléatoires (Random Forest), ou encore les réseaux de neurones. Ces méthodes permettront d’explorer l’espace paramétrique, de déterminer les facteurs influents et de proposer des prédictions fiables de la microstructure. Dans un premier temps, on s’intéressera à un matériau bien connu dans la littérature du procédé comme l’acier inoxydable 316L ou la base nickel Inconel 718. Le stage s’inscrit dans la continuité d’un projet qui se prolongera par une thèse.

Les missions à réaliser durant le stage comprennent :

-  Réaliser un état de l’art sur les approches de fouille de données appliquées au L-PBF et identifier les sources de données bibliographiques pouvant compléter les données expérimentales du stage. Cette analyse de la littérature devra permettre d’élaborer une première base de données sur les relations entre les paramètres du procédé et les microstructures obtenues pour le matériau retenu,

-  Réaliser des échantillons par L-PBF en faisant varier les différents paramètres procédés,

-  Caractériser les échantillons et collecter les données microstructurales (MEB, EBSD…),

-  Construire un jeu de données d’entrainement issues des essais expérimentaux et de la littérature,

-  Tester plusieurs techniques de modélisation et d’apprentissage (Optimisation Bayésienne, Random Forest, Réseaux de Neurones)

-  Comparer les performances des différents modèles

-  Quatrième ou cinquième année d’école d’ingénieur (ou master) en science et génie des matériaux ou chimie des matériaux

-  Bonnes connaissances en matériaux métalliques,

-  Connaissances en procédés de fabrication

-  Connaissances de langage de programmation (Python)

-  La connaissance d’outils d’intelligence artificielle pour l’analyse des données est la bienvenue

-  Motivation et intérêt pour la recherche

-  Rigoureux

-  Esprit de synthèse

-  Bon niveau en anglais