3D Generative Adversarial Networks for Design, Optimization and Validation in Additive Manufacturing
Réseaux Antagonistes Génératifs 3d pour le design, l’optimisation et la validation numérique en fabrication additive
Résumé
The growing need for fast, organic, cost and material efficient products in the industrial world is driving research to develop new design methods. Topological optimization (TO) is one of them. TO takes mechanical constraints as input and generates optimal complex shapes in terms of material and mechanical performance. Additive manufacturing (AM) completes it; it allows the fabrication of any shape. However, this synergy between TO and AM is not ideal. Indeed, AM requires the conformity of the design to geometrical criteria like overhangs, thicknesses, Etc., which are difficult to integrate into TO. Moreover, TO is iterative and computationally expensive; it is based on finite elements (FE). Therefore, designing printable parts requires the interpretation of the shapes proposed by TO by experts, knowing that this can deteriorate the initial optimality. With TO software, generating a design takes seconds to days depending on the complexity of the mechanical conditions. This is acceptable if the Design for Additive Manufacturing (DfAM) process is limited to this step. However, TO, in its commercial form, does not consider AM constraints. The engineer must test several configurations to find the optimal, printable design and risks getting stuck in a design and performance test loop. With the flourishing role of AM in the industry, it is imperative to find a method that considers mechanical and geometric constraints at the same conceptual level to speed up the DfAM process. We find in the state of the art four approaches:1. Formalizing AM design rules and guidelines for novice users. However, modifying the geometry of the design proposed by TO in the drawing phase often deteriorates its initial mechanical performance.2. Integrating AM constraints into FE-TO. This helps to speed up the DfAM process. However, not all AM constraints can be defined analytically and are often contradictory. Moreover, this approach inherits the shortcomings of FE-TO: the general shape is identified in the first iterations, which prevents the method from modifying it to comply with the geometrical constraints, also, convergence is not guaranteed when the number of constraints increases.3. Assisting FE-TO methods with Machine and Deep Learning (DL). This accelerates the TO phase of DfAM only and still inherits the defects of TO.4. Replacing FE-TO with DL. This approach does not incorporate any FA criteria and does not avoid the loop in later phases of the DfAM process.Our goal is to accelerate the whole DfAM process. Indeed, the design phase has the minimum cost and the maximum impact on the overall cost and quality of a part. But, provided that the acceleration of this phase is not sufficient, we propose DL-AM-TO which joins the best of the two approaches 2 and 4. The main contributions of the thesis are:- The creation of a dataset of 2D designs with their mechanical and geometrical constraints of AM, GMCAD.- The creation of DL-AM-TO which takes as input the mechanical and geometrical conditions of AM simultaneously and generates a 2D design, a difficult task to accomplish with FE-TO. It is based on convolutional neural networks, so it is fast and computationally inexpensive, independent of the design’s dimensions and the complexity of the constraints. It tailors the design’s geometry to meet the mechanical and geometrical requirements of AM, thus avoiding the design and test loop and accelerating the whole DfAM process up to 1.4 times.- Any AM constraint or other business rule can be integrated into DL-AM-TO, not only those formulated analytically, thanks to the flexibility of DL models.- DL-AM-TO can be industrialized as a lightweight generative design module in design software in the future.
Le besoin croissant de produits organiques et efficaces en coûts, matériaux et temps en industrie, incite la recherche à développer des nouvelles méthodes de design. L'optimisation topologique (TO) en fait partie. TO prend des contraintes mécaniques en entrée et génèrent des formes complexes optimales en termes de matériau et de performance mécanique. La fabrication additive (FA) vient la compléter; elle permet la fabrication de n'importe quelle forme. Cependant, cette synergie entre TO et FA n'est pas idéale. En effet, la FA requiert la conformité du design à des critères géométriques de surplomb, d’épaisseurs, etc. difficilement intégrables à TO. De plus, TO, basée sur les éléments finis (FE), est itérative et coûteuse en calcul. Alors, concevoir des pièces imprimables nécessite l’interprétation par des experts des formes proposées par TO, sachant que cela peut détériorer l'optimalité initiale. Avec les logiciels de TO, générer un design prend des secondes à des jours selon la complexité des conditions mécaniques. Cela est acceptable si le process de conception pour FA (Design for Additive Manufacturing, DfAM) se limite à cette étape. Cependant, TO, dans sa forme commerciale, ne considère pas les contraintes FA. L’ingénieur(e) doit tester plusieurs configurations pour trouver le design optimal et imprimable et risque de se coincer dans une boucle de dessin et test de performance. Avec le rôle florissant de FA dans l'industrie, il est impératif de trouver une méthode considérant les contraintes mécaniques et géométriques au même niveau conceptuel pour accélérer le process DfAM. Nous trouvons dans l’état de l’art quatre approches:1. La formalisation de règles de dessin de design de FA pour les utilisateurs novices. Cependant, modifier la forme du design proposé par TO dans la phase de dessin détériore souvent sa performance mécanique initiale;2. l’intégration de contraintes FA dans FE-TO. Cela permet d’accélérer le process DfAM. Toutefois, les contraintes FA ne peuvent pas être toutes définies analytiquement et sont souvent contradictoires. De plus, elle hérite des défauts de FE-TO: la forme générale est identifiée dès les premières itérations, ce qui empêche la méthode de la modifier pour respecter les contraintes géométriques et la convergence n'est plus garantie lorsqu'il y en a plusieurs;3. l’assistance des méthodes FE-TO avec du Machine et Deep Learning (DL). Cela accélère la phase TO du DfAM uniquement et hérite toujours des défauts de TO;4. le remplacement de FE-TO par du DL. Cette approche n'intègre aucun critère FA et ne permet pas d'éviter la boucle dans les phases ultérieures du process DfAM.Notre objectif est d'accélérer l'ensemble du process DfAM. Certes, la phase de design a le coût minimal et l’impact maximal sur le coût global et la qualité d’une pièce. Mais, pourvu que l'accélération de cette phase ne soit pas suffisante, nous proposons DL-AM-TO qui rejoint le meilleur des deux approches 2 et 4. Les principales contributions de la thèse sont:- la création d'un dataset de designs 2D avec leurs contraintes mécaniques et géométriques de FA, GMCAD;- la création de DL-AM-TO qui prend en entrée les conditions mécaniques et géométriques de FA simultanément et génère un design 2D, une tâche difficile à accomplir avec FE-TO. Elle est basée sur les réseaux convolutifs de neurones, ainsi, elle est dotée de rapidité, et de couts de calcul avantageux et indépendants de l’échelle du design et de la complexité des contraintes. Elle taille la géométrie du design afin de respecter les conditions mécaniques et géométriques de FA et ainsi nous éviter la boucle de dessin et test et accélérer l'ensemble du process DfAM jusqu’à 1.4 fois;- toute contrainte FA ou autre règle métiers peut être intégrée à DL-AM-TO, et pas seulement celles formulées analytiquement, grâce à la flexibilité des modèles DL;- DL-AM-TO pourra être industrialisée comme un module de design génératif léger dans un logiciel de design à l'avenir.
Origine : Version validée par le jury (STAR)