# A Chemical Reaction Engineering Framework for Intra-Layer Model Predictive Control in Laser Powder Bed Fusion: Defect Prevention via Reduced-Order Modeling and Real-Time State Estimation

## Metadata

- **SPORE ID**: SPR-2026-9A56
- **Domaines**: Chemical Engineering x Manufacturing Engineering
- **Date de generation**: 2026-04-12
- **Panel consensus score**: 6.9/10
- **Novelty score**: 0.8/1.0
- **Panel verdict**: publish_brief

## Abstract

If a first-principles computational fluid dynamics (CFD) model of the melt pool is reduced to a real-time executable form (latency < 100 µs) and coupled with a quantitative sensor-to-state transfer function, then implementing it in a model-predictive control (MPC) loop will reduce the volumetric defect density in 316L stainless steel parts by ≥50% compared to static parameter builds, because the controller can predict and preemptively correct deviations in keyhole stability and thermal gradients that lead to pore formation.

The proposed mechanism involves 5 causal steps: (1) A high-fidelity CFD model, validated against synchrotron X-ray imaging data, acc -> (2) A Proper Orthogonal Decomposition (POD) with Galerkin projection is applied to t -> (3) A quantitative transfer function, calibrated via coaxial melt pool monitoring an -> (4) The ROM is integrated into an MPC algorithm. The controller uses the real-time s.

Literature grounding on 3 verified references yields a novelty score of 0.8 (novel). A 3-phase experimental protocol (budget: €25k-120k, timeline: 8-14 months) is proposed, starting with in silico validation. A panel of 5 expert reviewers reached a consensus score of 6.9/10.

## 1. Hypothese et mecanisme propose

### 1.1 Formulation formelle

If a first-principles computational fluid dynamics (CFD) model of the melt pool is reduced to a real-time executable form (latency < 100 µs) and coupled with a quantitative sensor-to-state transfer function, then implementing it in a model-predictive control (MPC) loop will reduce the volumetric defect density in 316L stainless steel parts by ≥50% compared to static parameter builds, because the controller can predict and preemptively correct deviations in keyhole stability and thermal gradients that lead to pore formation.

### 1.2 Variables

**Variables independantes :**

| Variable | Type | Plage | Unite |
|----------|------|-------|-------|
| Control Strategy | categorical | Static Parameters, Intra-Layer MPC | NA |
| Laser Power Perturbation Amplitude | continuous | 0-50 | W |
| Reduced-Order Model (ROM) Latency | continuous | 10-1000 | µs |

**Variables dependantes :**

| Variable | Type | Direction attendue | Unite |
|----------|------|-------------------|-------|
| Volumetric Defect Density | continuous | decrease | pores/mm³ |
| Keyhole Depth Fluctuation (Standard Deviation) | continuous | decrease | µm |
| ROM Prediction Error (vs. High-Fidelity CFD) | continuous | decrease | Normalized Mean Absolute Error (NMAE) |

### 1.3 Chaine causale

1. Step 1: A high-fidelity CFD model, validated against synchrotron X-ray imaging data, accurately simulates melt pool dynamics, keyhole formation, and pore generation under transient laser conditions (R² > 0.85 for keyhole depth).
1. Step 2: A Proper Orthogonal Decomposition (POD) with Galerkin projection is applied to the CFD solution snapshots to create a Reduced-Order Model (ROM) that captures >95% of the system's energy with a computational latency < 100 µs on target hardware.
1. Step 3: A quantitative transfer function, calibrated via coaxial melt pool monitoring and off-axis pyrometry, maps sensor signatures (e.g., plasma plume intensity, melt pool emissivity) to the ROM's state variables (keyhole depth, temperature gradient) with a calibration R² > 0.9.
1. Step 4: The ROM is integrated into an MPC algorithm. The controller uses the real-time sensor-based state estimate as the initial condition, predicts keyhole collapse or lack-of-fusion 500 µs ahead, and computes an optimal laser power adjustment to maintain the melt pool within a stable operating envelope.
1. Step 5: The preemptive laser power adjustments stabilize the keyhole and thermal history, reducing the probability of vapor cavity entrapment (keyhole porosity) and insufficient overlap (lack-of-fusion porosity).

**Hypotheses cles :**

- The dominant defect-forming mechanisms (keyhole porosity, lack-of-fusion) are governed by melt pool fluid dynamics and thermal history, which are sufficiently captured by the chosen CFD physics (Navier-Stokes, VOF, ray-tracing laser absorption).
- The process disturbances (e.g., powder layer inhomogeneity, spatter) manifest as measurable perturbations in the selected sensor signatures (plume intensity, thermal emission).
- The system dynamics are sufficiently low-dimensional that a ROM with <50 degrees of freedom can provide predictive accuracy adequate for control purposes.
- The actuator (laser power modulator) has a bandwidth (>10 kHz) and response time sufficient to implement the MPC-calculated corrections within the intra-layer timescale.

**Inconnues identifiees :**

- The minimum sensor suite and sampling rate required for robust state estimation under all relevant disturbance types.
- The long-term stability and adaptability of the POD-based ROM across different geometric features (overhangs, thin walls).
- The quantitative trade-off between ROM prediction speed and its accuracy for extreme, out-of-calibration events.

### 1.4 Conditions aux limites

- **Material: 316L stainless steel gas-atomized powder (D10: 20 µm, D50: 35 µm, D90: 55 µm).** — The CFD model and its associated material properties (viscosity, surface tension coefficients) are calibrated for this widely studied alloy.
- **Layer thickness: 30 µm to 50 µm.** — Ensures the melt pool depth remains within a range where keyhole dynamics are the primary concern and the ROM remains valid.
- **Baseline laser power: 150 W to 300 W; scan speed: 800 mm/s to 1200 mm/s.** — Defines the nominal operating envelope where the process transitions from conduction to keyhole mode, which is the target regime for control.
- **Maximum allowable laser power modulation frequency: 50 kHz.** — Dictated by the hardware limits of the commercial laser system, establishing the upper bound for control bandwidth.

### 1.5 Cadre theorique

Chemical Reaction Engineering & Process Systems Engineering, specifically the paradigm of representing a complex physico-chemical system (the melt pool micro-reactor) with a first-principles model, reducing it for real-time application, and using it for model-predictive control based on estimated states.

## 2. Etat de l'art et positionnement

### 2.1 Travaux les plus proches

- **[2020] Computational fluid dynamics-based in-situ sensor analytics of direct metal laser solidification process using machine learning** — [10.1016/j.compchemeng.2020.107069](https://doi.org/10.1016/j.compchemeng.2020.107069)
  - Similarite: related
  - Difference cle: This paper applies a first-principles FEM model and machine learning for in-situ analytics in DMLS, aligning with the core idea of using first-principles modeling for control. However, it does not explicitly frame the problem within the chemical reaction engineering paradigm, nor does it propose the transfer of advanced model-predictive control techniques from chemical process control to create a closed-loop framework for defect prevention.
- **[2025] Additive Manufacturing and Chemical Engineering: Looking for Synergies from a Bibliometric Study** — [10.3390/app15062962](https://doi.org/10.3390/app15062962)
  - Similarite: related
  - Difference cle: This bibliometric study explicitly identifies and calls for more research on the synergies between additive manufacturing and chemical engineering. It supports the premise that such a cross-disciplinary transfer is underexplored but does not propose or test the specific methodological framework of applying reaction engineering and its control techniques to in-situ metal AM process control.

### 2.2 Base de preuves

- **[2020] Computational fluid dynamics-based in-situ sensor analytics of direct metal laser solidification process using machine learning** — [10.1016/j.compchemeng.2020.107069](https://doi.org/10.1016/j.compchemeng.2020.107069)
  - Type: direct | Citations: 19
  - Directly supports the use of first-principles modeling (CFD/FEM) for in-situ process analytics in metal AM (DMLS) to reduce defects, which is a core component of the hypothesis.
- **[2018] Optimization and control of a thin film growth process: A hybrid first principles/artificial neural network based multiscale modelling approach** — [10.1016/J.COMPCHEMENG.2018.08.029](https://doi.org/10.1016/J.COMPCHEMENG.2018.08.029)
  - Type: analogous | Citations: 78
  - Provides an analogous example from chemical engineering where a first-principles multiscale model (combining continuum and stochastic elements) is used for process optimization and control of a deposition/growth process, similar to the layer-by-layer growth in AM.
- **[2025] Additive Manufacturing and Chemical Engineering: Looking for Synergies from a Bibliometric Study** — [10.3390/app15062962](https://doi.org/10.3390/app15062962)
  - Type: indirect | Citations: 3
  - Indirectly supports the hypothesis by identifying a lack of compiled research on the specific synergies between AM and chemical engineering, and calls for more work in this area, validating the novelty and potential of the proposed cross-disciplinary approach.

### 2.3 Contre-preuves et limitations connues

Aucune contre-preuve identifiee.

### 2.4 Evaluation de nouveaute

- **Score**: 0.8/1.0
- **Verdict**: novel

## 3. Predictions falsifiables

| # | Prediction | Borne quantitative | Methode | H0 | Test statistique |
|---|-----------|-------------------|---------|-----|-----------------|
| 1 | Under identical intentional laser power perturbations (±40 W, 10 kHz square wave), builds controlled by the intra-layer MPC framework will produce parts with a lower volumetric defect density than builds with static, optimized parameters. | Defect density reduction of 50-75% (e.g., from 4.0 ± 1.0 to 1.0 ± 0.5 pores/mm³). | Micro-computed tomography (μ-CT) scan of 5x5x5 mm³ cubes, with automated pore detection and volumetric analysis. | H0: There is no significant difference in the mean volumetric defect density between parts built with static parameters and those built with intra-layer MPC. | Two-tailed independent samples t-test, alpha = 0.05, power = 0.8, effect size d = 2.0 (based on preliminary data SD), requiring N=10 per group. |
| 2 | The validated POD-based ROM will predict keyhole depth dynamics with a latency < 100 µs and a normalized mean absolute error (NMAE) < 5% relative to the high-fidelity CFD benchmark over a 2 ms simulation. | Latency: 50-100 µs; NMAE: 3-5%. | Hardware-in-the-loop testing: ROM executed on target FPGA/PLC, latency measured via oscilloscope. NMAE calculated against CFD results for 1000 random parameter combinations within the operating envelope. | H0: The mean prediction error (NMAE) of the ROM is ≥ 5% or its mean latency is ≥ 100 µs. | One-sample t-test against the threshold value (5% for NMAE, 100 µs for latency), alpha = 0.05. |
| 3 | The sensor-to-state transfer function for keyhole depth will achieve a calibration R² > 0.9 when trained on data from builds with known, measured keyhole dynamics (via synchrotron X-ray imaging). | R² between 0.90 and 0.98 on a held-out test set. | Linear or non-linear regression (e.g., Random Forest) between synchronized sensor data (plume intensity, melt pool morphology) and ground-truth keyhole depth from synchrotron experiments. Performance evaluated via k-fold cross-validation. | H0: The coefficient of determination (R²) for the keyhole depth transfer function is ≤ 0.9. | Inference on the R² statistic via F-test of the regression model, alpha = 0.05. |

## 4. Protocole experimental

**Timeline globale**: 8-14 months
**Budget global**: €25k-120k

### 4.1 Phase 1 — In Silico Validation

**Objectif**: To determine if a viable Reduced-Order Model (ROM) can be derived from a high-fidelity CFD model that meets the latency (<100 µs) and accuracy (NMAE <5%) targets for keyhole depth prediction, and to perform a closed-loop simulation to assess the theoretical defect reduction potential.

**Methodologie**: 1. **CFD Model Setup & Validation:** Use Ansys Fluent or OpenFOAM with VOF, ray-tracing absorption, and calibrated 316L material properties. Validate against published synchrotron X-ray datasets (e.g., from Lawrence Livermore National Lab publications) for keyhole depth and melt pool dimensions under transient power. 2. **ROM Generation:** Apply Proper Orthogonal Decomposition (POD) using the `ModRed` toolbox in MATLAB or the `EZyRB` Python library on CFD solution snapshots (500-1000 snapshots) covering the operating envelope (power: 150-300W, speed: 800-1200 mm/s). Perform Galerkin projection to obtain the dynamical system. 3. **ROM Performance Benchmark:** Deploy the ROM on a target real-time platform (e.g., Speedgoat Performance Real-Time Target Machine or a Xilinx Zynq UltraScale+ MPSoC evaluation board). Measure execution latency for a 500 µs prediction using an oscilloscope or onboard timers. Calculate NMAE against the high-fidelity CFD for 100 random perturbation sequences. 4. **Controller-in-the-Loop Simulation:** Implement a simple Linear-Quadratic Regulator (LQR) or a receding horizon MPC in Simulink/ROS2, using the ROM as the plant model. Simulate the response to a ±40W, 10 kHz square wave perturbation. Quantify the simulated reduction in keyhole depth fluctuation (std dev).

- Cout: €1,500-2,000 (primarily cloud/software licenses, minor hardware)
- Duree: 6-8 weeks
- Equipement: High-performance workstation (64GB RAM, NVIDIA RTX A6000), Speedgoat Baseline Real-Time Target Machine or Xilinx Zynq UltraScale+ MPSoC EV kit
- Logiciels: Ansys Fluent/OpenFOAM, MATLAB & Simulink with ModRed/POD Toolbox or Python (NumPy, SciPy, EZyRB, FEniCS), Oscilloscope (for latency measurement)

**Criteres de succes :**

- ROM Latency: < 100 µs
- ROM Prediction Error (NMAE): < 5%
- Simulated Control Performance: > 70% reduction in keyhole depth std dev

- **GO**: All three success criteria are met. The ROM is viable for real-time control.
- **NO-GO**: ROM latency > 150 µs OR NMAE > 10%. The core premise of real-time accurate prediction is invalid.
- **PIVOT**: Latency 100-150 µs AND NMAE 5-7%. Consider simplifying the ROM further (fewer modes) or exploring alternative reduction techniques (Dynamic Mode Decomposition).

### 4.2 Phase 2 — Minimal Experimental Validation

**Objectif**: To physically validate the sensor-to-state transfer function and the ROM's predictive capability in a single-track, open-loop setting, and to demonstrate closed-loop control on a simple geometry (e.g., a 10mm line) under intentional perturbation.

**Methodologie**: 1. **Sensor Calibration Builds:** On a commercial LPBF machine (e.g., EOS M290, SLM Solutions 280) equipped with coaxial melt pool monitoring (e.g., EOSTATE MeltPool) and an off-axis pyrometer (e.g., Stratonics ThermaViz), print single tracks under varying, known laser power perturbations. Simultaneously, use high-speed synchrotron X-ray imaging (beamtime application at ESRF or APS) to obtain ground-truth keyhole depth for a subset of tracks. 2. **Transfer Function Development:** Synchronize sensor data (melt pool intensity, area, pyrometer temperature) with ground-truth keyhole depth. Train a Random Forest regressor (scikit-learn) or a shallow Neural Network (PyTorch) to map sensor data to keyhole depth. Validate using k-fold cross-validation. 3. **Open-Loop ROM Prediction:** For new tracks (not in training set), run the ROM in real-time on the target hardware, initialized with the sensor-derived state. Log its 500 µs-ahead prediction. Post-build, compare predictions to the actual outcome inferred from post-mortem cross-sectioning (for final keyhole depth) or sensor data evolution. 4. **Closed-Loop Single-Track Test:** Implement the MPC on a real-time system (NI CompactRIO) interfaced with the machine's laser control. Print a 10mm line while injecting a ±40W disturbance. The controller must use the sensor-to-state estimate and ROM to compute corrective actions. Compare the stability of melt pool emission (std dev of intensity) to an uncontrolled track.

- Cout: €10k-15k (primarily for synchrotron travel/beamtime support and consumables)
- Duree: 2-3 months
- Equipement: LPBF machine with open control architecture (e.g., SLM Solutions NXG XII 600) or with vendor API access, Coaxial melt pool sensor & off-axis pyrometer, National Instruments CompactRIO for real-time control, Synchrotron beamtime (2-3 days)
- Logiciels: Machine control software (vendor-specific), LabVIEW or Python for real-time control on CompactRIO, Data analysis stack (Python, scikit-learn, PyTorch)

**Criteres de succes :**

- Sensor-to-State Transfer Function R²: > 0.9
- Physical ROM Prediction Error: NMAE < 8%
- Closed-Loop Melt Pool Stability: > 40% reduction in std dev of coaxial intensity

- **GO**: R² > 0.9 AND closed-loop stability improvement > 40%. The core mechanism (sense-estimate-predict-act) works on a simple track.
- **NO-GO**: R² < 0.7 OR closed-loop shows no improvement (<10%). The state estimation or control action is ineffective.
- **PIVOT**: R² 0.7-0.9 OR stability improvement 20-40%. Re-evaluate sensor suite (add photodiode for plume) or simplify the control objective (e.g., control melt pool length only).

### 4.3 Phase 3 — Full Experimental Protocol

**Objectif**: To rigorously validate the complete hypothesis by manufacturing 3D parts (5x5x5 mm³ cubes) under the MPC framework and static parameters, and quantifying the reduction in volumetric defect density via μ-CT.

**Methodologie**: 1. **Full System Integration:** Integrate the ROM, sensor fusion algorithm, and MPC into a robust, real-time control system (NI CompactRIO or similar) that interfaces seamlessly with the LPBF machine's laser and scanner. Conduct a safety and reliability check over 24 hours of continuous operation. 2. **Design of Experiment (DoE):** Print a matrix of 5x5x5 mm³ cubes. Independent Variable: Control Strategy (Static Optimized Parameters vs. Intra-Layer MPC). Controlled Variables: Layer thickness (30 µm), material (316L), nominal power/speed (200W, 1000 mm/s). Disturbance: A programmed, intentional laser power perturbation (±40W, 10 kHz square wave) will be applied during the build of all cubes to stress the system. Sample size: N=10 per group (total 20 cubes), randomized build plate location. 3. **Post-Processing & Analysis:** Stress-relieve all cubes (300°C, 2h). Perform μ-CT scanning (e.g., using a Zeiss Xradia 520 Versa) at a resolution of 3-5 µm/voxel. Use automated analysis software (VGStudio MAX, Dragonfly) to segment and calculate volumetric defect density (pores/mm³), distinguishing between keyhole and lack-of-fusion pores. Perform metallographic cross-sectioning on a subset for pore morphology validation. 4. **Statistical Analysis:** Perform a two-tailed independent samples t-test on the volumetric defect density data (alpha=0.05). Check assumptions (normality, homogeneity of variance). Calculate effect size (Cohen's d).

- Cout: €15k-100k+ (dominated by machine time, μ-CT time, materials, and labor)
- Duree: 6-12 months
- Equipement: Fully instrumented LPBF machine, Integrated real-time control hardware (NI CompactRIO), μ-CT scanner, Vacuum furnace for stress relief
- Logiciels: Integrated control software, μ-CT reconstruction & analysis software (VGStudio MAX)

**Criteres de succes :**

- Volumetric Defect Density Reduction: ≥ 50% reduction (statistically significant, p < 0.05)
- System Reliability: > 95% successful layer control

- **GO**: Defect density reduction ≥50% (p<0.05) AND system reliability >95%. Hypothesis validated. Proceed to publication and scale-up.
- **NO-GO**: Defect density reduction is statistically insignificant or <20%. The full-scale benefit does not materialize.
- **PIVOT**: Defect reduction 20-50% (p<0.05). The benefit is real but less than predicted. Investigate if defects are of a type not addressed by the controller (e.g., gas porosity) or if controller performance degrades on multi-track layers.

### 4.4 Quick start : comment demarrer aujourd'hui

- **Peut demarrer maintenant**: Oui
- **Premiere action**: Download the open-source CFD dataset 'MeltPoolSynth' from the NIST Additive Manufacturing Benchmark Test Series (AMBench) website and begin setting up a corresponding CFD simulation in OpenFOAM to replicate one of the test cases.
- **Outils**: OpenFOAM v10, Python with PyFoam library for automation
- **Donnees ouvertes**: NIST AMBench CFD Challenge Data, LLNL's 'EXAALT' MD/CFD database for materials properties, The 'Additive Manufacturing Data' repository on GitHub

## 5. Analyse d'impact

### 5.1 Impact scientifique

Novelty score: 0.8/1.0 (novel)

### 5.2 Applications industrielles et marche

**Score industriel**: 7.5/10

**Forces :**
- Adresse un besoin critique et coûteux dans l'AM métallique (défauts) avec une approche différenciante (contrôle prédictif intra-couche vs. monitoring passif). Le marché cible principal est celui des fabricants de machines LPBF (EOS, SLM Solutions, Velo3D, Trumpf) et des intégrateurs pour l'aérospatiale (Safran, GE Additive) et le médical, où la certification des pièces est primordiale.
- L'avantage compétitif est substantiel : passage d'une garantie de processus à une garantie de pièce, permettant de réduire les coûts de post-inspection (tomodensitométrie) et de rebut, et d'accélérer la qualification des matériaux et paramètres. Cela répond directement aux exigences de l'industrie pour une fabrication additive fiable en série.

**Faiblesses :**
- La barrière d'adoption technique est élevée : intégration matérielle/légicielle sur des machines existantes aux architectures fermées. Les OEM peuvent préférer développer leur propre solution propriétaire. Le modèle économique (licence logicielle, module matériel) devra surmonter la réticence des utilisateurs à payer une prime pour une réduction de risque non immédiatement monétisable.
- Le TRL actuel (2-3) et la timeline de validation (8-14 mois + 18-24 mois pour l'industrialisation) impliquent un time-to-market de 3+ ans, avec un risque que des approches concurrentes plus simples (AI black-box sur données capteurs) atteignent le marché plus tôt, même si potentiellement moins robustes.

**Recommandation**: Poursuivre le protocole de validation avec un budget ciblé (Phase 1 et 2) pour dérisquer le proof-of-concept technique. En parallèle, initier des discussions non-disclosue avec un partenaire OEM stratégique (ex: un acteur de taille moyenne comme AddUp ou un laboratoire national) pour co-développer un prototype industriel et valider le modèle économique. Positionner la solution comme un module de contrôle 'certifiable' pour les secteurs réglementés.

### 5.3 Opportunites de financement

| Programme | Agence | Fit | Budget type | Taux succes |
|-----------|--------|-----|-------------|-------------|
| ERC Proof of Concept Grant | European Research Council | 0.7 | €150,000 | ~35-40% |
| AAPG Générique - JCJC (Jeunes Chercheuses, Jeunes Chercheurs) | Agence Nationale de la Recherche (ANR) | 0.85 | €200,000 - €300,000 | ~15-20% |
| EIC Pathfinder Open 2025 | European Innovation Council (Horizon Europe) | 0.6 | €3-4 millions pour un consortium | ~5-10% |

- **ERC Proof of Concept Grant** (European Research Council): Si le PI a ou obtient un ERC Starting/Consolidator Grant sur la modélisation des procédés, le PoC est parfait pour financer la démonstration de faisabilité du contrôle en temps réel (Phases 1-2). Le budget et le TRL correspondent. L'objectif est de prouver le potentiel d'innovation pour un futur transfert.
- **AAPG Générique - JCJC (Jeunes Chercheuses, Jeunes Chercheurs)** (Agence Nationale de la Recherche (ANR)): Appel idéal pour un porteur de projet en début de carrière. Le projet proposé est typique d'un JCJC : recherche fondamentale à finalité applicative, risque scientifique assumé, budget adapté pour 36 mois. Il permet de financer les trois phases en incluant des moyens pour de la location de temps machine et des analyses (µ-CT). L'ANR a des panels en 'Procédés et Matériaux' et 'Sciences de l'Information' pertinents.
- **EIC Pathfinder Open 2025** (European Innovation Council (Horizon Europe)): Pour la suite, une fois la preuve de concept établie (Phases 1-2 validées). L'EIC Pathfinder finance la recherche exploratoire sur des technologies de rupture. L'approche 'CFD-ROM-MPC' est suffisamment radicale. Il nécessitera de monter un consortium européen (min. 3 entités de 3 pays) incluant un académique expert en contrôle, un en science des matériaux in-situ, et peut-être un partenaire RTO ou un PME innovante en instrumentation. Le budget permettrait de passer au TRL 4-5.

**Recommandation financement**: Cibler d'abord un financement de type 'Proof of Concept' ou 'Young Researcher' pour financer la Phase 1 et 2 et monter en TRL. Utiliser ces résultats préliminaires pour constituer un consortium académique-industriel solide et postuler ensuite à un projet EIC Pathfinder ou à un défi des Machines Intelligentes de l'ANR. La Phase 3 doit être intégrée dans un projet plus large.

## 6. Panel Review Summary

| Reviewer | Score | Verdict | Point cle |
|----------|-------|---------|-----------|
| methodologist | 8.2/10 | accept | Le protocole est structuré en phases progressives (in silico, validation minimale, expérience complète) avec des critères GO/NO-GO clairs, ce qui limite l'engagement de ressources en cas d'échec précoce et améliore la validité interne. |
| domain_expert | 7.8/10 | accept | L'hypothèse présente un cadre logiquement cohérent et ambitieux qui identifie correctement le défi central : faire le lien entre la simulation haute fidélité, le calcul en temps réel et la commande. La chaîne causale allant de la CFD au ROM, puis à l'estimation d'état fondée sur les capteurs et au MPC, constitue un paradigme classique et puissant du génie des procédés (PSE), directement transférable de la commande de réacteurs chimiques au « microréacteur » que constitue le bain de fusion. |
| contrarian | 4.5/10 | weak_reject | L'hypothèse est louablement précise dans la chaîne causale proposée, les bornes de performance et les méthodes de validation, dépassant les promesses vagues pour aboutir à des métriques d'ingénierie testables. |
| industrialist | 7.5/10 | accept | Adresse un besoin critique et coûteux dans l'AM métallique (défauts) avec une approche différenciante (contrôle prédictif intra-couche vs. monitoring passif). Le marché cible principal est celui des fabricants de machines LPBF (EOS, SLM Solutions, Velo3D, Trumpf) et des intégrateurs pour l'aérospatiale (Safran, GE Additive) et le médical, où la certification des pièces est primordiale. |
| funding_strategist | 6.5/10 | weak_accept | Hypothèse extrêmement bien structurée avec un protocole de validation incrémentale clair et des critères Go/No-Go objectifs, ce qui est très apprécié des évaluateurs. |

**Consensus score**: 6.9/10
**Verdict final**: publish_brief

### 6.1 Consensus

- L'hypothèse est structurée de manière rigoureuse, avec un protocole de validation incrémental et des critères quantitatifs falsifiables, ce qui est unanimement salué.
- Le cadre conceptuel (CFD -> ROM -> estimation d'état -> MPC) est jugé solide, pertinent et représente une avancée potentiellement significative par rapport aux approches de contrôle existantes en fabrication additive.
- La proposition adresse un besoin industriel critique (réduction des défauts) et possède un avantage compétitif clair si elle fonctionne, justifiant une investigation plus poussée.

### 6.2 Points de desaccord

- La robustesse et la faisabilité du lien 'capteur-état' (transfer function) : jugé optimiste mais surmontable par les méthodologiste et expert, mais considéré comme un point de rupture fatal (FAIL REASON) par le Contrarian.
- La généralisabilité du modèle réduit (ROM) : l'expert du domaine et le Contrarian soulignent son risque face à des événements hors base d'apprentissage, tandis que le méthodologiste se concentre davantage sur les aspects statistiques de la validation.
- L'évaluation du risque global : le panel est partagé entre une vision où les faiblesses identifiées sont des défis techniques à adresser dans le protocole (majorité) et une vision où elles remettent en cause les fondements mêmes de la boucle de contrôle (Contrarian).

### 6.3 Critical path

La démonstration expérimentale que la fonction de transfert 'capteur-état' peut fournir une estimation fiable (R² > 0.9) de la profondeur du keyhole dans des conditions de construction réelles et multi-couches, et non uniquement sur piste simple dans un environnement synchrotron idéal. Ceci est le prérequis indispensable sans lequel le MPC, même avec un ROM parfait, recevra des informations erronées.

**Recommandation finale**: Le panel recommande la publication du brief, reconnaissant la qualité et le potentiel de l'hypothèse. La validation doit impérativement prioriser et dérisquer le chaînon 'capteur-état' dès les phases initiales (1 et 2), en concevant des expériences qui testent sa robustesse face aux perturbations réelles. Les préoccupations statistiques (calcul de puissance, randomisation) et de contrôle (groupe 'boucle ouverte') doivent être intégrées au protocole pour renforcer la validité interne. La voie de financement ANR JCJC est identifiée comme la plus adaptée pour cette étape.

## 7. Gap Manifest residuel

### 7.1 Data gaps

- No papers in the list directly demonstrate the transfer of chemical reaction engineering's model-predictive control (MPC) framework to in-situ metal AM. The evidence supports modeling and analytics, but not the closed-loop control paradigm transfer.
- No papers address the practical implementation of treating the melt pool as a 'micro-reactor' with defined reaction kinetics (melting, vaporization) and using process parameters as 'control knobs' in a formal reaction engineering sense.

### 7.2 Competence gaps

- Phase 1: Computational Fluid Dynamics
- Phase 1: Model Order Reduction
- Phase 1: Real-Time Systems Programming
- Phase 1: Control Theory
- Phase 2: LPBF machine operation
- Phase 2: Synchrotron experiment coordination
- Phase 2: Real-time control programming
- Phase 2: Machine Learning
- Phase 3: Statistical Design of Experiments
- Phase 3: μ-CT Operation & Analysis
- Phase 3: Metallography
- Phase 3: Advanced Data Analysis

### 7.3 Epistemic gaps

- The minimum sensor suite and sampling rate required for robust state estimation under all relevant disturbance types.
- The long-term stability and adaptability of the POD-based ROM across different geometric features (overhangs, thin walls).
- The quantitative trade-off between ROM prediction speed and its accuracy for extreme, out-of-calibration events.

## References

[1] Y. Ren, Yichi Zhang, et al. (2020). *Computational fluid dynamics-based in-situ sensor analytics of direct metal laser solidification process using machine learning*. DOI: [10.1016/j.compchemeng.2020.107069](https://doi.org/10.1016/j.compchemeng.2020.107069)
[2] Donovan Chaffart, L. Ricardez‐Sandoval (2018). *Optimization and control of a thin film growth process: A hybrid first principles/artificial neural network based multiscale modelling approach*. DOI: [10.1016/J.COMPCHEMENG.2018.08.029](https://doi.org/10.1016/J.COMPCHEMENG.2018.08.029)
[3] R. Estevez, E. Quijada-Maldonado, et al. (2025). *Additive Manufacturing and Chemical Engineering: Looking for Synergies from a Bibliometric Study*. DOI: [10.3390/app15062962](https://doi.org/10.3390/app15062962)

## Annexes

### A. Detailed Reviewer Reports

#### Methodologist

- **Score**: 8.2/10 | **Verdict**: accept | **Confidence**: 0.9
- **Strengths**: Le protocole est structuré en phases progressives (in silico, validation minimale, expérience complète) avec des critères GO/NO-GO clairs, ce qui limite l'engagement de ressources en cas d'échec précoce et améliore la validité interne.; L'identification et la gestion des risques sont explicites pour chaque phase (ex: latence ROM, accès synchrotron), et des stratégies de pivot sont prévues, démontrant une planification réaliste.; La définition d'hypothèses falsifiables avec des bornes quantitatives précises (ex: NMAE <5%, R² >0.9, réduction de 50% de la densité de défauts) et la spécification des méthodes de mesure (μ-CT, oscilloscope, cross-validation) assurent la testabilité et la reproductibilité.
- **Weaknesses**: La puissance statistique de la Phase 3 (N=10 par groupe) n'est pas justifiée par un calcul a priori. Une réduction de 50% est un grand effet, mais avec la variabilité indiquée (ex: 4.0 ± 1.0 pores/mm³), un N plus faible pourrait ne pas détecter une différence significative si la variance est plus grande que prévu ou si l'effet est plus modeste (scénario PIVOT).; Le contrôle pour la Phase 3 (« Static Optimized Parameters ») pourrait être insuffisant. Il faudrait un groupe contrôle actif « en boucle ouverte » où les perturbations sont mesurées mais non corrigées, pour isoler l'effet spécifique de l'action prédictive du MPC, et non simplement une comparaison à un réglage statique.; Un biais de mesure potentiel existe dans la Phase 2 : la « prédiction physique » du ROM est comparée à un « résultat réel inféré » par coupe métallographique post-mortem, qui est une mesure destructive et ponctuelle, potentiellement peu représentative de la dynamique temporelle complète.
- **Questions**: Sur quelle base (calcul de puissance, étude pilote) le N=10 par groupe a-t-il été déterminé pour le test final ? Une justification quantitative est nécessaire pour éviter un faux négatif (erreur de type II) si l'effet est de 30-40% et non de 50%.; Comment l'assignation aléatoire des cubes sur la plateforme de construction sera-t-elle réalisée pour contrôler les biais potentiels liés à la position (gradients thermiques, flux de poudre) ? Un plan de randomisation détaillé (ex: plan en damier) est-il prévu ?; Le protocole identifie le risque que le contrôleur ne s'attaque pas à tous les types de porosité (ex: porosité gazeuse). Comment allez-vous opérationnellement distinguer et catégoriser l'origine des pores (manque de fusion, keyhole, gaz) dans l'analyse μ-CT pour vérifier le mécanisme causal supposé ?
- **Recommendation**: Le protocole est globalement excellent et mérite d'être financé. Je recommande fortement de : 1) réaliser un calcul de puissance statistique formel pour déterminer la taille d'échantillon de la Phase 3, 2) ajouter un groupe contrôle « boucle ouverte » pour renforcer la validité interne, et 3) documenter explicitement le plan de randomisation des échantillons sur la plateforme. Ces ajustements renforceront considérablement la robustesse des conclusions.

#### Domain Expert

- **Score**: 7.8/10 | **Verdict**: accept | **Confidence**: 0.88
- **Strengths**: L'hypothèse présente un cadre logiquement cohérent et ambitieux qui identifie correctement le défi central : faire le lien entre la simulation haute fidélité, le calcul en temps réel et la commande. La chaîne causale allant de la CFD au ROM, puis à l'estimation d'état fondée sur les capteurs et au MPC, constitue un paradigme classique et puissant du génie des procédés (PSE), directement transférable de la commande de réacteurs chimiques au « microréacteur » que constitue le bain de fusion.; Le positionnement par rapport à l'état de l'art est exact. L'article de 2020 de Ren et al. cité (avec Christofides, figure de premier plan du PSE pour la mise en forme des matériaux) est en effet un travail séminal démontrant la faisabilité de la chaîne allant des premiers principes à l'analytique. L'hypothèse identifie correctement le saut novateur comme l'intégration complète dans une boucle MPC en temps réel, *intra-couche*, qui va au-delà de l'analyse post-hoc ou de la commande inter-couches.; La définition explicite de seuils quantitatifs (R² > 0,85, latence < 100 µs, horizon de prédiction 500 µs) constitue un point fort. Elle témoigne d'une approche rigoureuse, guidée par l'ingénierie, et fournit des cibles claires et falsifiables pour la validation, ce qui fait souvent défaut dans les propositions conceptuelles de commande en FA.
- **Weaknesses**: La plausibilité de la fonction de transfert capteur-état (étape 3) constitue le lien le plus critique et le moins spécifié. Atteindre R² > 0,9 pour la profondeur de keyhole à partir de la surveillance coaxiale et de la pyrométrie hors axe seules est hautement optimiste. Ces signaux sont intégratifs et souffrent d'un bruit optique complexe (projections, interférences vapeur/panache). L'hypothèse postule une mise en correspondance directe et de haute fidélité que la littérature suggère être exceptionnellement difficile ; l'estimation d'état nécessite probablement des observateurs plus avancés (par exemple, filtres de Kalman) fusionnant plusieurs capteurs et le ROM lui-même.; Le postulat selon lequel un ROM inférieur à 100 µs peut être dérivé via POD/Galerkin pour ce problème fortement non linéaire, multiphasique, à frontière libre avec des fronts de changement de phase mobiles est non trivial. Les ROM basés sur POD pour la CFD peinent souvent à assurer leur robustesse en dehors de leur régime d'entraînement (un unknown connu reconnu). Pour le MPC, la stabilité et la précision sous des perturbations non vues sont primordiales. L'hypothèse peut sous-estimer la nécessité de techniques de réduction de modèle non linéaires plus sophistiquées (par exemple, inférence d'opérateur, ROM basés sur autoencodeur) ou le compromis entre vitesse et généralisabilité.; La base de preuves, bien que pertinente, est mince pour l'aspect central de *contrôle*. L'article de 2020 porte sur l'analytique, non sur le contrôle en boucle fermée en temps réel. L'article de 2018 concerne un procédé analogue mais distinct. Une fondation plus solide référencerait les travaux existants sur le contrôle en temps réel en AM utilisant des modèles empiriques ou d'ordre réduit, et identifierait spécifiquement leurs limites (par exemple, bande passante, absence d'information physique) afin de mieux positionner l'approche proposée fondée sur les premiers principes comme une évolution nécessaire.
- **Questions**: Compte tenu de la nature fortement non linéaire et transitoire de la dynamique du keyhole, comment le ROM POD-Galerkin proposé maintiendra-t-il une précision prédictive (pour le MPC) lorsque l'état du procédé s'aventure en dehors de la variété définie par les instantanés d'entraînement, par exemple lors d'un effondrement soudain du keyhole ou à proximité d'un surplomb ? Quelle est la stratégie proposée pour l'adaptation en ligne ou l'amélioration de la robustesse du ROM ?; L'hypothèse repose sur une « fonction de transfert quantitative » pour l'estimation d'état. Quelle est la méthodologie spécifique proposée pour lever l'ambiguïté, par exemple, du signal combiné de l'émission thermique de la surface du bain de fusion, du panache de vapeur et de la lumière laser réfléchie afin de produire une estimation précise d'une variable de *profondeur* (profondeur du keyhole) ? Un simple modèle de régression suffit-il, ou un observateur dynamique (par exemple, un estimateur à horizon glissant) est-il requis, et quelles sont ses implications computationnelles ?; Le MPC doit agir sur un horizon de prédiction de 500 µs. Quelle est la justification physique de cet horizon spécifique ? Correspond-il à la constante de temps caractéristique des instabilités formatrices de défauts (par exemple, la période d'oscillation du keyhole) ? Veuillez relier directement le paramètre de conception de la commande à la dynamique du procédé identifiée.
- **Recommendation**: Il s'agit d'une hypothèse convaincante et fondamentalement solide, qui applique un paradigme mature de génie des réactions chimiques/PSE à un problème critique en fabrication additive métallique. Elle est novatrice par son approche intégrée, intra-couche et fondée sur les premiers principes. Je recommande l'acceptation, mais le plan de validation expérimentale doit prioriser et traiter rigoureusement le défi de l'estimation de l'état à partir des capteurs ainsi que la robustesse du ROM non linéaire, car ce sont les points de défaillance les plus probables. Une approche par phases, validant d'abord le ROM et l'estimateur hors ligne sur des données de synchrotron, est essentielle.

#### Contrarian

- **Score**: 4.5/10 | **Verdict**: weak_reject | **Confidence**: 0.85
- **Strengths**: L'hypothèse est louablement précise dans la chaîne causale proposée, les bornes de performance et les méthodes de validation, dépassant les promesses vagues pour aboutir à des métriques d'ingénierie testables.; Il identifie correctement le défi de contrôle central (latence < 100 µs) et tente de combler l'écart considérable entre la simulation haute fidélité (CFD) et l'actionnement en temps réel via une voie structurée de réduction de modèle (POD-Galerkin).
- **Weaknesses**: FAIL REASON #1: La fonction de transfert capteur-état est une boîte noire de type « Garbage-In, Garbage-Out ». L'hypothèse postule une mise en correspondance quantitative (R² > 0,9) entre les signatures de capteurs optiques/thermiques et les variables d'état internes du bain de fusion telles que la profondeur du keyhole. C'est la pierre angulaire de toute la boucle de contrôle. Cependant, les capteurs proposés (surveillance coaxiale, pyrométrie) fournissent des signaux intégrés en ligne de visée, catastrophiquement biaisés par les projections, les fluctuations du panache, l'évolution de la topologie de surface et les variations d'émissivité. Le signal peut corréler avec la profondeur du keyhole dans une expérience contrôlée et étalonnée, mais il échouera à fournir une estimation d'état robuste et causale dans des conditions de fabrication réelles avec des perturbations non modélisées. Le contrôleur sera alimenté par des estimations d'état corrompues, conduisant à des corrections erronées.; FAIL REASON #2: Le modèle d'ordre réduit (ROM) manquera de généralisabilité et échouera sur les événements « hors base ». La base POD est dérivée d'instantanés du modèle CFD de haute fidélité sous un ensemble présumé de conditions. Il échouera catastrophiquement lorsque le procédé rencontrera des événements non représentés dans sa base d'entraînement, tels qu'un événement de projection majeur atterrissant dans le bain de fusion, un défaut local du lit de poudre (par exemple, une zone dénudée), ou la transition vers une géométrie en surplomb abrupt. Ces événements modifient les conditions aux limites physiques fondamentales. La prédiction <100 µs du ROM sera rapide mais physiquement erronée, et le MPC exécutera avec confiance une correction fondée sur un modèle défaillant, risquant d'aggraver les défauts.; FAIL REASON #3: Le postulat de bande passante d'actionnement ignore l'inertie du système et le couplage multiphysique. L'hypothèse postule que la bande passante du modulateur de puissance laser (>10 kHz) est le facteur limitant. Cependant, la modification de la puissance laser n'est pas un levier direct et instantané pour l'état du bain de fusion. Le bain de fusion possède une inertie thermique et fluide. Une correction rapide de puissance visant à prévenir un effondrement prédit du keyhole peut elle-même induire un choc thermique, conduisant à d'autres défauts comme le balling ou la microfissuration. En outre, l'effet de la modulation de puissance sur le panache de vapeur et sa rétroaction subséquente sur l'absorption laser (une entrée clé du modèle) est une boucle étroitement couplée et mal comprise, non capturée dans un ROM statique. Le contrôleur peut résoudre parfaitement l'EDO du « keyhole » tout en contrôlant le mauvais système.
- **Questions**: Votre validation de la fonction de transfert capteur-état utilise des données de rayons X de synchrotron comme vérité terrain. Il s'agit d'un environnement vierge à piste unique. Comment démontrerez-vous que la fonction de transfert calibrée maintient R² > 0,9 lorsqu'elle est appliquée lors d'une construction complète multicouche, où le champ de vision du capteur est continuellement occulté par les bras du racleur, le dépôt de suie sur les fenêtres et l'évolution de la géométrie de la pièce ?; Le succès du MPC repose sur la prédiction d'événements 500 µs à l'avance. Étant donné que le ROM est entraîné sur un modèle CFD déterministe, comment prendrez-vous en compte et intégrerez-vous la stochasticité inhérente au procédé (empilement aléatoire de la poudre, génération stochastique de projections) dans votre estimation d'état et votre prédiction ? Un ROM déterministe est-il fondamentalement un outil inadapté à un processus stochastique ?
- **Recommendation**: L'hypothèse doit être dérisquée en découplant et en testant de manière brutale son maillon le plus fragile : l'estimateur d'état. Avant de tenter un MPC complet, vous devez concevoir une expérience qui fait fonctionner la suite de capteurs et la fonction de transfert proposées en parallèle avec l'imagerie synchrotron à grande vitesse *pendant la fabrication d'une pièce réelle multicouche comportant des défauts intentionnels*. Démontrez que votre profondeur de keyhole estimée suit la mesure X par vérité terrain non seulement sur un simple cube, mais sur un contour, un surplomb et lors d'un événement de projections. La puissance prédictive du ROM est sans pertinence si la condition initiale qu'il reçoit des capteurs relève de la fiction.

#### Industrialist

- **Score**: 7.5/10 | **Verdict**: accept | **Confidence**: 0.75
- **Strengths**: Adresse un besoin critique et coûteux dans l'AM métallique (défauts) avec une approche différenciante (contrôle prédictif intra-couche vs. monitoring passif). Le marché cible principal est celui des fabricants de machines LPBF (EOS, SLM Solutions, Velo3D, Trumpf) et des intégrateurs pour l'aérospatiale (Safran, GE Additive) et le médical, où la certification des pièces est primordiale.; L'avantage compétitif est substantiel : passage d'une garantie de processus à une garantie de pièce, permettant de réduire les coûts de post-inspection (tomodensitométrie) et de rebut, et d'accélérer la qualification des matériaux et paramètres. Cela répond directement aux exigences de l'industrie pour une fabrication additive fiable en série.
- **Weaknesses**: La barrière d'adoption technique est élevée : intégration matérielle/légicielle sur des machines existantes aux architectures fermées. Les OEM peuvent préférer développer leur propre solution propriétaire. Le modèle économique (licence logicielle, module matériel) devra surmonter la réticence des utilisateurs à payer une prime pour une réduction de risque non immédiatement monétisable.; Le TRL actuel (2-3) et la timeline de validation (8-14 mois + 18-24 mois pour l'industrialisation) impliquent un time-to-market de 3+ ans, avec un risque que des approches concurrentes plus simples (AI black-box sur données capteurs) atteignent le marché plus tôt, même si potentiellement moins robustes.
- **Questions**: Quel est le modèle de revenus précis ? Vente de licences aux OEM (CAPEX) ou aux utilisateurs finaux (abonnement/service) ? Quel prix le marché supporterait-il pour une réduction de 50% des défauts ? Une analyse coût-avantage par pièce produite est-elle disponible ?; La propriété intellectuelle sur le ROM et la fonction de transfert capteur-état est-elle protégeable et défendable face aux équipes R&D des géants du secteur ? L'approche est-elle suffisamment générique pour s'adapter à d'autres matériaux (alliages de titane, Inconel) sans refaire entièrement le développement CFD/ROM ?
- **Recommendation**: Poursuivre le protocole de validation avec un budget ciblé (Phase 1 et 2) pour dérisquer le proof-of-concept technique. En parallèle, initier des discussions non-disclosue avec un partenaire OEM stratégique (ex: un acteur de taille moyenne comme AddUp ou un laboratoire national) pour co-développer un prototype industriel et valider le modèle économique. Positionner la solution comme un module de contrôle 'certifiable' pour les secteurs réglementés.

#### Funding Strategist

- **Score**: 6.5/10 | **Verdict**: weak_accept | **Confidence**: 0.8
- **Strengths**: Hypothèse extrêmement bien structurée avec un protocole de validation incrémentale clair et des critères Go/No-Go objectifs, ce qui est très apprécié des évaluateurs.; Approche interdisciplinaire forte combinant génie des procédés, modélisation CFD, contrôle en temps réel et science des matériaux, avec un objectif applicatif concret (réduction de 50% des défauts).
- **Weaknesses**: Le TRL actuel (TRL 2-3, validation numérique et pistes simples) est trop bas pour la majorité des appels collaboratifs Horizon Europe qui visent TRL 4-6. Le budget demandé (€25k-120k) est atypique et ne correspond pas aux standards des grands programmes.; Le consortium est implicite mais non constitué. La proposition manque d'ancrage industriel fort (intégrateur de machine LPBF, fournisseur de logiciel de contrôle) pour les appels orientés innovation.
- **Questions**: Avez-vous déjà identifié des partenaires pour l'accès à une machine LPBF instrumentée (pyromètres, caméras haute vitesse) et à une ligne de synchrotron pour la validation ? Ceci est un prérequis pour toute soumission.; Comment comptez-vous gérer la propriété intellectuelle sur le modèle réduit (ROM) et l'algorithme de contrôle, surtout dans un cadre collaboratif avec des industriels ?
- **Recommendation**: Cibler d'abord un financement de type 'Proof of Concept' ou 'Young Researcher' pour financer la Phase 1 et 2 et monter en TRL. Utiliser ces résultats préliminaires pour constituer un consortium académique-industriel solide et postuler ensuite à un projet EIC Pathfinder ou à un défi des Machines Intelligentes de l'ANR. La Phase 3 doit être intégrée dans un projet plus large.

### B. Semantic Scholar Search Queries

- [novelty] `additive manufacturing reaction engineering framework` — Direct search for the core hypothesis of applying chemical reaction engineering principles to AM.
- [novelty] `melt pool microreactor model predictive control` — Searches for the specific concept of treating the melt pool as a micro-reactor with advanced control.
- [novelty] `first principles metal AM process control` — Targets the 'first-principles modeling' aspect of the hypothesis for AM defect prevention.
- [novelty] `chemical engineering paradigm additive manufacturing` — Broad search for interdisciplinary transfer of the entire chemical engineering paradigm to AM.
- [evidence] `melt pool marangoni convection solidification kinetics` — Targets evidence for the proposed elementary 'reaction' mechanisms (fluid dynamics, phase change) in AM.
- [evidence] `laser powder bed fusion thermal fluid dynamics` — Searches for foundational studies on the local, transient conditions that determine defect states.
- [evidence] `in situ monitoring melt pool control` — Finds evidence for real-time sensor data (state estimation) used in AM process adjustment.
- [evidence] `AM defect formation thermal history modeling` — Targets research linking process parameters to defect outcomes via modeling, a key premise.
- [cross_domain] `model predictive control chemical reactors` — Finds the advanced control techniques in the source domain (chemical engineering) for potential adaptation.
- [cross_domain] `multiscale reaction engineering materials synthesis` — Searches for precedents of reaction engineering applied to material fabrication processes outside AM.
- [cross_domain] `closed loop control manufacturing processes` — Identifies general methodologies for dynamic, feedback-driven control in manufacturing beyond static recipes.

---

*Generated by SPORE (Systeme de Production d'Opportunites de Recherche par Exploration) on 2026-04-12*