Note ABES Predicting laser welding parameters with machine learning Prédiction de paramètres de soudage laser par apprentissage automatique Soudage laser Optimisation Apprentissage automatique Prédiction Modélisation empirique Laser welding Optimisation Machine learning Prediction Empirical modelling Soudage laser Apprentissage profond Conception technique Le soudage laser offre des avantages majeurs en qualité, vitesse et automatisation, d’où sa large adoption dans l’industrie. Cependant, sa complexité physique et ses nombreux paramètres le rendent difficile à maîtriser. IREPA LASER, partenaire industriel, se demande si l’Intelligence Artificielle (IA) peut réduire le temps d’optimisation des paramètres de soudage d’une semaine à quelques jours. Cette thèse est centrée sur l’intégration de l’IA en pré-processus. Un jeu de données, couvrant 5 matériaux, est utilisé pour son entraînement afin de prédire la pénétration des soudures à partir des paramètres. Pour surmonter les limites découvertes (faible précision de prédiction sur un matériau inconnu), une modélisation hybride est proposée : un modèle empirique inspiré de Suder réduit l’espace des paramètres, tandis qu’une IA sélectionne les meilleurs candidats. Testé en conditions réelles, son utilisation a permis l’obtention de soudures proches de celle souhaitée en quelques secondes. Laser welding offers advantages in quality, speed and automation, hence its wide adoption in manufacturing. However, its physical complexity and numerous parameters make it difficult to master. IREPA LASER, our industrial partner, asks whether Artificial Intelligence (AI) could reduce the time needed to optimise the process parameters from a week to a few days. This thesis is centred on integrating AI in pre-process. A dataset containing welds from 5 materials is used to train an AI-model to predict weld-penetration from sets of process parameters. To overcome the limitations uncovered (low accuracy on unknown material), a hybrid-modelling approach is proposed : an empirical model inspired by Suder reduces the parameter space, from which an AI selects the best candidates. Tested in practical conditions, its use enabled us to obtain welds with dimensions close to targeted ones in a few seconds. Electronic Thesis or Dissertation Text en PDF 49193561 http://www.theses.fr/2025STRAD053/abes Hayot Victor 1999-03-03 FR 293633282 2410000459S 22220816 4200046 https://theses.fr/2025STRAD053 2025STRAD053 https://doi.org/10.70675/9fc2b207z2caaz4cdczb16dzdbd266670a96 2025-12-16 Génie Industriel / Conception Strasbourg 131056549 Doctorat Docteur es non oui Chabrol Grégoire MADS_DIRECTEUR_DE_THESE_1 6300 273831151 Lecler Sylvain MADS_DIRECTEUR_DE_THESE_2 146824288 Semmar Nadjib MADS_PRESIDENT_DU_JURY 154967521 Alves Ferreira Andre MADS_MEMBRE_DU_JURY_1 293633800 Paciornik Sidnei MADS_MEMBRE_DU_JURY_2 293633878 Semmar Nadjib MADS_RAPPORTEUR_1 154967521 Previtali Barbara MADS_RAPPORTEUR_2 293633533 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 269 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 260728 176969721 ddc:620 Chabrol Grégoire Lecler Sylvain Semmar Nadjib Alves Ferreira Andre Paciornik Sidnei Semmar Nadjib Previtali Barbara École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) PDF 49193561 confidentialité 2025-12-16 2030-12-16 confidentialité 2025-12-16 2030-12-16 confidentialité 2025-12-16 2030-12-16 confidentialité 2025-12-16 2030-12-16