Développement logiciel pour optimiser des objets et trajectoires d’outils pour la conception assistée par ordinateur (CAO)

Ce projet consiste à développer des outils d’optimisation en C++ combinés avec la librairie Open Cascade. Le projet vise à réduire les erreurs entre un objet modélisé en conception assistée par ordinateur (CAO) et l’objet réel fabriqué. Le projet dans son entier utilisera trois stratégies pour réduire l’erreur : (1) l’optimisation des surfaces des objets, (2) l’optimisation des découpes et (3) l’optimisation du remplissage.

La première stratégie (optimisation de la surface) se concentrera sur les erreurs 3D mesurées entre un objet préparé en CAO et un objet construit par fabrication additive. Pour compenser ces erreurs, nous allons créer une deuxième version transformée qui, une fois construite, résultera en un objet plus proche de la géométrie recherchée. Pour ce faire, nous allons déformer les surfaces du nouvel objet pour compenser l’erreur. Cette déformation sera obtenue par une approche de minimisation (par exemple la descente de gradient ou les moindres carrés linéaires) et utilisera comme intrant les déviations mesurées. Le défi sera de conserver une représentation riche et continue des surfaces tout en proposant un algorithme efficace qui minimisera les coûts de calcul.

Pour la deuxième stratégie (optimisation des découpes), nous allons développer un système permettant de bien visualiser les surfaces, les découpes, les objets optimisés, etc. Nous allons identifier et implémenter les méthodes de découpe les plus pertinentes en lien avec les procédés additifs de fabrication. Ensuite, nous optimiserons le positionnement des découpes en considérant les caractéristiques du procédé de fabrication tel que la mise en forme incrémentale. Tenant compte de ces caractéristiques et de la discrétisation visée, cette approche optimisera les paramètres de la méthode de découpe afin de mitiger les problèmes de précision. L’optimisation couplera des simulations du procédé par le CNRC qui prédiront les erreurs géométriques.

La troisième stratégie porte sur l’optimisation du remplissage en lien avec les procédés de fabrication par déposition. Nous considérerons le procédé de déposition à froid de poudres métalliques qui peut être modélisé par le balayage d’une gaussienne. Nous prendrons en compte la variabilité de la taille de la gaussienne venant des variations de vitesse d’avance du contrôleur. Ceci permettra de tenir compte de l’erreur résultante et, par une boucle d’optimisation, de la compenser. Nous considérerons plusieurs passes de déposition en variant l’orientation de l’outil afin de compenser le manque de matériel en périphérie de la gaussienne.

La personne recrutée s’attardera à une ou plusieurs de ces trois stratégies selon son profil et expertise.