AU Class
AU Class
class - AU

Taking Generative Design to the Next Level on a Large Jet Engine Component

Partager ce cours
Rechercher des mots-clés dans les vidéos, les diapositives des présentations et les supports de cours :

Description

Project MOnACO (Manufacturing Of a large-scale AM Component) is a $1.1 million research collaboration with GE Aviation et al. funded by the Clean Sky 2 program. The focus is to cut noise and emissions from the civil aerospace market using disruptive technologies. The aim is to converge design and manufacturing using the A.T.L.A.S. machine that’s currently the largest metal powder additive manufacturing of its kind (build size >1m). Autodesk is leading the design of the turbine center frame assembly using multiphysics Generative Design in Autodesk Fusion 360, the new product design extension for lattices and manufacturing simulation (Netfabb et al.) workflows geared toward large-scale additive manufacturing. The latest design is 34% lighter than its predecessor, and the components have been consolidated from 150 parts to a single part. In this talk, we’ll discuss how we applied Design for Additive Manufacturing (DfAM) workflows using Autodesk design and make tools to solve tomorrow's problems.

Principaux enseignements

  • Learn about solving sustainability challenges in the aviation industry using Autodesk “design and learn how to make” tools.
  • Learn how to apply generative design for lightweight structures.
  • Learn about implementing Generative Design on multiphysics problems.
  • Learn about how to apply design rules and guidelines for large-scale additive manufacturing.

Intervenants

  • Nick Markovic
    I am a well-rounded individual with 8 years’ experience as a stress engineer coupled with a strong academic background. I have continuously broadened my engineering knowledge and gained key exposure in the aerospace, defence, rail, wind, oil and gas engineering markets. I am a specialist in both implicit and explicit finite element analysis techniques, with emphasis on non-linear analyses. I have recently joined Autodesk as a mechanical engineer in The Autodesk Advanced Consulting (AAC) team specializing in additive manufacturing and advanced simulations. I have joined AAC to maximize in-house knowledge of stress and structural analysis and bring key industry experience to the team. I have a strong passion for the practical application of new and emerging technologies to help advance the design and manufacturing industry.
Video Player is loading.
Current Time 0:00
Duration 0:00
Loaded: 0%
Stream Type LIVE
Remaining Time 0:00
 
1x
  • Chapters
  • descriptions off, selected
  • subtitles off, selected
      Transcript

      NICK MARKOVIC: Hello, everybody. I want to thank you for joining this industry talk. We will discuss how we apply novel generative design technology to a real-life jet engine component. My name is Nick. I'm a Research Manager based in the London office. And my research area is design and make digital twins.

      I was responsible for designing the component using research and product tools. My colleague Philipp is an Implementation Consultant from design and make solution based in Jena, Germany. He was responsible for the final 3D modeling, lattice creation, and builds simulation, plus preparation for large-scale printing.

      So this is a standard safe harbor statement. But what I would like to highlight that some of our tools are not in the product right now. Therefore, we cannot guarantee if this will be productized in the near future. If you want to read more, please pause and then unpause and we'll carry on.

      OK, so we have an action-packed agenda. And it is broken into five sections. I would give a brief overview of our motivation, then explain what part we are designing and making, and the critical project objectives. After that, I will demonstrate some workflows using generative design and numerical simulation to validate the design outcome.

      Philipp will focus on a manufacturing side, how he applied and use the consultant new design guidelines to make a large-scale metal 3D component. Lastly, we will summarize the key takeaways for this project.

      Project Monaco stands for manufacturing of a large-scale AM component. This is a three-year joint industrial and academic research program funded by the Clean Sky 2 program, Europe's foremost aeronautical research body.

      Clean Sky aims to develop cleaner air transportation using novel and disruptive technologies. That means integrating demonstrated and validated technologies capable of reducing CO2, NOx, and noise emissions by 20% to 30% compared to modern aircraft entering service in 2014.

      The Clean Sky program structure is outlined in the diagram below. It is comprised with three innovative aircraft demonstration platforms, or IADPs, and three integrated technology demonstrators, or ITDs.

      In project Monaco, we have focused on a large passenger aircraft IADP, eco-design, and engine ITD. The goal and challenges set by Clean Sky allow us to partner with world-class universities and a world-class manufacturer to push the boundaries of engineering and explore new ways of designing and making new things. The consortium team has recently turned an ambitious vision into a viable solution.

      Before we get into the technical discussion, I would like to give a highlight overview of the turbine center frame, or the turbine center frame assembly and its primary function. The assembly is broken into three main parts, the inner and outer cases and the struts that are housed between the cases.

      The TCF has two main functions. It connects the high-pressure shaft rear bearing with the inner case housing and forms an aerodynamic transmission duct between the high-pressure and low-pressure turbine stages. In addition, oil lines and cooling manifold structures convey through the TCF struts to the turbine and the bearing.

      This region is subjected to enormous amount of thermal and mechanical stresses because [? bearing ?] loads are transferred to the outer casing and through the TCF structure. The structure has to withstand up to 600 kilometers of radial loads and up to 400 degrees Celsius thermal loads. The TCF is partly made out of using subtractive and forming processes, but it is hugely energy intensive, costly, and 90% of materials are wasted, which is common in the aerospace industry.

      Our primary mission was to build a jet engine with more thrust while burning less energy, emitting less CO2 and NOx, and ultimately created less harm to our planet. We have demonstrated using next generation engineering tools and manufacturing technologies to produce cleaner, leaner, greener, gas turbine engines.

      We have done this by focusing on a real-life component, the turbine center frame assembly. The consortium oversaw the requirement and manufacturing of experiments to substantiate many critical processes. These include three designs and making iteration loops. We led the design creation of the turbine center frame assembly using multiphysics generative design technologies and supported the manufacturing and experimental processes using our own CAE and CAM tool, simulation tools.

      The aim is to converge the design and manufacture using GE's -large scale AM machine. It is a laser power bed fusion machine that can make parts up to one meter in size using Inconel 718 material. The objective was to reduce the assembly mass, increase performance, add more functionality, and reduce the overall supply chain costs for large-scale manufacturing.

      During the three year project lifespan, we have managed to design five TCF concepts. From what you can see left and right, we apply different design philosophies and learn what worked and what needed improvements. In the first design, we applied design-- so in the first design, we applied skin optimisation.

      However, it did not meet the stiffness and mask requirements because we couldn't apply particular design objectives. We have played around with the fluids-- the generative fluids set up to get the best result for performance and manufacturability.

      In this second attempt, we focus more on the manifold design. It was making it more manufacturable. However, we ran out of time to optimize the structure and applied manual structural reinforcements. Needless to say that, we still failed the mass and stiffness requirements.

      In the third design attempt, we have used a better fluid topology optimization tool and utilized the structural generative design outcome as an inspiration to create stiffness and as reinforcements. We managed to meet the stiffness requirements. However, this made a bulky design and the ribs may have compromised the external flow characteristics, which is not desirable.

      We created the fourth design, met all the design requirements, used new design guidelines, and improved the design further for large-scale metal additive manufacturing. In the following slides, I will present a high-level overview how I applied [? multi ?] [? Fusion ?] generative design to design 4.1 and 4.2.

      In the design phase, we use [? Inventor ?] [INAUDIBLE] Topology Optimization tool to help us create the primary structure. This tool enabled complex model setups and complex objectives on a significant [INAUDIBLE] to meet GE's stringent requirements.

      For example, we use cylindrical and symmetric boundary conditions, including large preserve bodies, and assign different objectives for different load cases. Currently you cannot do this in Fusion 360 Generative Design technology.

      For example, we apply displacement limits in some regions for load case one. And we maintained stress levels above a certain threshold whilst reducing the starting shape mass. The outcome produced an organic shape highlighted in orange, but undesirable cavities and large undercut regions were observed.

      Even though this didn't create the design we wanted, it gave us new ideas. It gave us new ideas, introducing a lattice structure to fill the undesirable areas which is so much more feasible for additive manufacturing. We use the organic shape as an inspiration, and many created the reinforcement regions using the form module in Fusion 360 to create the [INAUDIBLE].

      In addition, we integrate the GE manifold structure into the reinforcement regions to further enhance the structural integrity with no mask penalties. With the benefits of using large-scale additive machine, the TCF assembly was reduced from over 100 parts to one monolithic part. Parts consolidation can reduce the overall assembly cost, reliability issues, and supply chain.

      All right, the lattice was a sandwich structure that is housed between the inner and outer skins. If you can imagine we have peeled off the top skin, you would see a double conformal lattice structure with variable cell density using the latest Lattice Volumetric Kernel available in Fusion 360.

      The implicit lattice creation was a fanta-- was effec-- sorry-- the implicit lattice creation was fantastic technology for creating, viewing, and modifying large-scale lattices at a rapid rate before generating the print files.

      We reduced the overall assembly mass by a whopping 35%, which exceeded the overall target by 5%, and met the stiffness requirements where the maximum displacement had to be less than a human hair thickness. They significantly increased the stiffness to weight ratio and manufacture stability. In addition, high-beam densities were applied at high-stressed regions, and low-beam densities were applied in the remaining areas to save additional mass.

      After generative design in the [? manifold ?] and TCF structure, our next step was to numerically substantiate the hardware by undertaking a thermal mechanical fatigue assessment. We need to understand if the hardware can survive extreme loadings during its surface life.

      Therefore we applied finite element analysis using events in [INAUDIBLE] to calculate the hardware stresses, displacement, and temperatures. The image above shows the aerothermal loading profile when the engine starts and when it switches off, or during the engine cycle.

      The image below shows the transient [INAUDIBLE] stresses. You can see a lot of stress fluctuations leading to fatigue damage. Some damage is OK as long it passes the design criteria. Off this simulation, we undertake a fatigue screening assessment to calculate the overall fatigue damage.

      Using the Inconel 718 SN data reference from literature, and extracting the maximum amplitude and mean stress envelopes, we created the good-- the modified Goodman diagram to work out the fatigue damage at $90,000 cycles.

      Creep effects were assumed to be negligible because the maximum temperature was significantly less than material melting temperature. And, finally, a fatigue-damaged console was created where the warmer colors show severe damage, and the cooler color show low damage. Fatigue damage was in high stress concentrated regions such as holes and fillets. However, the overall damage was less than [? unity. ?] Therefore, the hardware has passed this screen assessment.

      Let's talk about how we apply generative design to a fluid problem. We have used generative fluids to design the manifold cooling lines to effectively minimize the resistance of fluid travel. This beautiful render was created by VRED and shows the velocity streamlines created by Autodesk CFD, where the flow starts in one inlet and exits at three outlets.

      The model setup is similar to structural generative design where you have to divide the initial starting shape, preserve regions, and key power regions. Also the main objective was to reduce the pressure drop while minimizing the fluid volume during the topology optimization.

      This technology was a game changer, as the design outcome reduced the system pressure dropped by 91% compared to the current design. And it also balanced the flow outlets. The algorithm created a smooth organic flow transition around the branch region and minimized the overall turbulence.

      I would also like to mention that the lattice structure created extra functionality by insulating between the hot and cold flowing gases. The design feature acted as a thermal barrier, where the [INAUDIBLE] volume was 90% air and 10% metal. We predicted around 16 gigajoules of heat energy was saved during the design life compared to the original design, thus positively affecting the engine-specific fuel consumption.

      Initially, we didn't believe the CFD results. Therefore, the consortium printed a 1-to-1 scale manifold that is made in halves. And we could form physical airflow experimentations. We then hooked up many sensors, performed several test conditions, and compared the data with our simulation results.

      The bar chart shows the experimental inlet and maximum outlet mach number per load case. And the green and yellow curves show the pressure readings discrepancy in percentage between the CFD and the experimental results.

      In summary, there was a 9% discrepancy at low speeds where the mach inlet number was less than 0.3. At higher mach numbers, the flow speeds were incompressible subsonic state, and the maximum pressure [? reading ?] sensor result was around 15%.

      Unfortunately, the simulation results did not account for compressibility effects and variable air properties. However, we were happy that the simulation model and assumptions were in good agreement compared to the experimental results. Therefore, we were confident that the outcome created from generative fluids proved to work on real-life problems.

      In this chapter, I have demonstrated how generative design was successfully applied to a multiphysics problem and leveraged the design freedom for large-scale additive manufacturing. We have managed to consolidate over 100 parts into one part. We have reduced the overall mass by 35% and reduced the manifold system pressure by 91%.

      This part also meets the safe life requirements. The lattice structure created extra system functionality by significantly increasing the heat energy efficiency. And, lastly, we have demonstrated that we can generative design on a large-scale AM structure over a meter in size, which is significant of its kind. I will now pass this talk to Philip, thank you very much.

      PHILIPP MANGER: Thanks, Nick. Now let's have a look at what we did to optimize the part for additive manufacturing on a large-scale [INAUDIBLE] system. Let me begin by showing you the evolution from design 2 until design 4.2 in terms of the manufacturability.

      The first iteration was printed as 1/8 section of the entire turbine center frame was designed 2. Design 2 contained a simple [INAUDIBLE] structure with reinforcement around the manifolds. In this designed the first comparison between the printed section and the built simulation was done. And this showed similar defects, as you see on the pictures on the left.

      In the following designs 3, the manufacturability and stiffness of the design were increased by adding stiffness ribs to reduce distortion errors. This design was also used to improve the build simulation results by comparing the printed and scanned part with the results of the simulation. More details about this will be showing on the following slides.

      As my colleague Nick showed you, the final designs 4.x met the stiffness and weight requirements by implementing a shell lattice design. Design 4.1 was then used to run a full scale print simulation to predict potential errors-- more details about this on the next slides.

      And, finally, this time 4.2, which is very similar to 4.1, but here we applied some additional design for additive manufacturing techniques to optimize the part for large-scale printing. In the following slides I will now want to share more details about the steps.

      To optimize the design for the laser power bed Fusion manufacturing process, the team started with some more fundamentals. While working on design 2, the project team also develop design guidelines for Inconel 718. By working on design 2, the project team also developed design guidelines for printing using Inconel 718 in a laser power bed system.

      To do this, the team created and printed a range of standard design features to validate the limits and restrictions for Inconel. The results of this activity were published in the journal Laser Application volume 43 in 2022. This learnings were then applied to improve the manufacturability of design tool, and also then on of the final design 4.2, what you see here on the bottom below.

      The next step was then to validate and refine the build process simulation. For this, an 1/8 section of design 3 was printed at the Technical University Hamburg, and then 3D scanned at the Autodesk Technology Center in Birmingham.

      With this 1/8 section, we also printed a test part for additional validation. On the test part, the sidewalls tend to distort. Using the same process parameters and materials, we then put a build process simulation of design 3.

      The scan results and simulation results were then compared. And the comparison results were used to refine the build process simulation in Netfabb by adjusting the laser absorption ratio of this material slightly. And this is a value which is hard to measure, and therefore can vary from powder to powder, and therefore could point to do these adjustments.

      Our designed 4.1, the full-scale thermal and mechanical process simulation was undertaken as well to understand potential problem areas and build distortions. We used this information then to improve design 4.2 and its required support structures.

      For example, in the simulation results you see the biggest distortion is happening at the support structures in the inside. And we prevented this by adding stiffness ribs. On the following slide, I will share some details about the design changes and the final lattice creation.

      [? Pulse ?] activities had a better print quality and reducing the risks of failures during the print [INAUDIBLE]. Now let's have a look at design 4.2 and what we did to further improve its manufacturability. On this design, we are applying additional design for additive manufacturing techniques.

      On the left and on the right, you see we are adding ribs to avoid part-to-part supports at the manifold openings. In the middle, you see we added bigger [INAUDIBLE] and the transitions to reduce the stress concentrations and improve its fatigue performance.

      One of the most important step was to modify the manifold, which I will show you at the next slide. Like I mentioned on the last-- like just mentioned, an important step was to modify the manifolds to avoid any internal supports and improve the internal surface quality.

      On the left, you see the down-facing areas that require supports on 4.1. Please focus on the orange areas. On the red, you see 4.2 where the manifolds were modified by reducing the entire radius at the top to bring this radius under the maximum [INAUDIBLE] diameter or radius that can be produced without the need of any additional support structures. The maximum value for this was validated within the design guidelines for Inconel 718.

      Results of this undertaking can be seen by the 22% reduced predicted support volume. Last missing piece after modifying design was the creation of the final lattice. Please let me now show you the process of this lattice creation. The lattice was created using Autodesk's Volumetric Kernel.

      The first production version of this tool is called Volumetric Lattice. And it's available in the product design extension in Fusion. For this process we first took the internal cavities and the outside shell, and then we defined position and created a lattice with this models.

      The lettuce was specifically positioned, but it's not blocking any of the [INAUDIBLE] holds which you see here on the left of the screen. Here, Autodesk Volumetric Kernel was very helpful because it enables you to perform transformations and modifications of a lattice very quickly, even if you have such a good [? shell-out ?] lattice we had to use. The lattice we created is a conformal lattice wrapping around the main core structure, and has increased beam thicknesses towards the outer surface of the reinforcements.

      One of the last steps was then to cutting this final lattice with a 2.0 millimeter overlap to the outside, or shell. And this is a manufacturing requirement because we wanted to use different build process settings for the outside and also for the lattice. And the reason for this was to reduce the overall build time.

      Now let's have a look at the final build preparation which were done to optimize the part to be manufactured on a large scale laser power bed Fusion system. Here we worked closely together with GE Additive to create build support structures for their large-scale power bed system.

      These supports were designed to minimize post-processing efforts on such a large-scale structure. For this reason, we only applied supports which can be broken off afterwards by hand, and which have defined breakpoints at the contact surffaces with the part.

      In general, we only use two types of supports for use, mainly wall supports with reinforcement ribs for part to build [? 1/8 ?] supports. And for part-to-part supports, we implemented a third breakpoint in the middle, and/or we use three supports.

      After the final build preparations on design 4.2 were done, we were able to print the part at GE Additive. We were able to print the part within 36 days without any build errors or issues. Sadly, we cannot show you the final design. But the public presentation will be at TSAS in 2022, so please have a look in there. Now I would like to hand it over to my colleague Nick to do the final project summary.

      NICK MARKOVIC: Thanks, Philipp. So just to conclude, we have made an impact in design and make industries by creating the near impossible in the aviation industry through additive manufacturing and large-scale critical components. The TCF hardware size was approximately 1 meter, and was made out of Inconel 718. The hardware was built using General Electric's large scale powder bed Fusion machine.

      During the overall process, only 0.5% of the material was wasted, which is very sustainable compared to traditional methods. This is one of the most giant machines and the most significant metal 3D printed part that Autodesk has made of its kind.

      The consortium were exceptionally pleased with printing this part for the first time, as they did not witness any build issues or potential build failures. We worked on the clock to ensure we successfully designed the hardware to print for the first time, and we did it.

      This is a monumental achievement for Autodesk and the rest of the consortium. The outcome of this project has proven to be technical readiness level 4, and the project has demonstrated solving tomorrow's aviation problems.

      And, lastly, but at least, we would like to thank GE Aviation, the Universities of Hamburg and Dresden team. It has been an absolute pleasure working with you all. And this is something we can all be proud of, which was achieving the near impossible. Thank you for this talk, goodbye.

      Downloads

      ______
      icon-svg-close-thick

      Préférences en matière de cookies

      Votre confidentialité est primordiale pour Autodesk et nous mettons tout en oeuvre pour vous garantir la meilleure expérience possible. Pour nous aider à personnaliser les informations que vous recevrez et à créer des applications, nous collectons des données sur votre utilisation de ce site.

      Nous autorisez-vous à collecter et à utiliser vos données ?

      En savoir plus sur les services tiers que nous utilisons et sur notre Déclaration de confidentialité.

      Cookies indispensables au fonctionnement de notre site et à la fourniture de nos services

      Ces cookies nous permettent d'enregistrer vos préférences ou vos informations de connexion, de répondre à vos demandes ou de traiter les achats de votre panier.

      Cookies visant à améliorer votre expérience grâce à l'affichage de contenu pertinent

      Ces cookies nous permettent d'améliorer les fonctionnalités et la personnalisation. Ils sont configurés par Autodesk ou par des fournisseurs tiers auxquels nous faisons appel afin de vous proposer une expérience et des informations adaptées à vos besoins.Si vous n'autorisez pas l'utilisation de ces cookies, certains ou l'ensemble des services risquent d'être indisponibles.

      Personnalisation des publicités à des fins de ciblage

      Ces cookies collectent des données vous concernant, en fonction de vos activités et de vos centres d'intérêt, afin d'afficher des publicités pertinentes et d'en évaluer l'utilité. Grâce aux données collectées, ces publicités seront davantage ciblées. Si vous n'autorisez pas les cookies, elles seront moins pertinentes.

      icon-svg-close-thick

      SERVICES TIERS

      Découvrez les services tiers que nous utilisons pour chaque catégorie et la façon dont nous exploitons les données que nous collectons sur vous en ligne.

      icon-svg-hide-thick

      icon-svg-show-thick

      Cookies indispensables au fonctionnement de notre site et à la fourniture de nos services

      Qualtrics
      Nous faisons appel à Qualtrics pour que vous puissiez nous faire part de vos commentaires par le biais d'enquêtes et de formulaires en ligne. Vous êtes susceptible d'être sélectionné au hasard pour participer à une enquête. Vous pouvez aussi nous faire directement part de vos commentaires. Nous collectons des données afin de connaître les actions que vous avez effectuées avant de participer à une enquête. Cela nous aide à résoudre les éventuels problèmes. Politique de confidentialité de Qualtrics
      Akamai mPulse
      Nous faisons appel à Akamai mPulse pour collecter des données comportementales sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP, d'ID d'appareil et d'ID Autodesk. Ces données nous permettent de mesurer les performances de nos sites et d'évaluer la qualité de votre expérience en ligne afin d'améliorer les fonctionnalités que nous proposons. Grâce à des méthodes d'analytique avancées, nous optimisons également votre expérience dans les domaines suivants : communication par e-mail, assistance client et ventes. Politique de confidentialité de Akamai mPulse
      Digital River
      Nous faisons appel à Digital River pour collecter des données comportementales sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP, d'ID d'appareil et d'ID Autodesk. Ces données nous permettent de mesurer les performances de nos sites et d'évaluer la qualité de votre expérience en ligne afin d'améliorer les fonctionnalités que nous proposons. Grâce à des méthodes d'analytique avancées, nous optimisons également votre expérience dans les domaines suivants : communication par e-mail, assistance client et ventes. Politique de confidentialité de Digital River
      Dynatrace
      Nous faisons appel à Dynatrace pour collecter des données comportementales sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP, d'ID d'appareil et d'ID Autodesk. Ces données nous permettent de mesurer les performances de nos sites et d'évaluer la qualité de votre expérience en ligne afin d'améliorer les fonctionnalités que nous proposons. Grâce à des méthodes d'analytique avancées, nous optimisons également votre expérience dans les domaines suivants : communication par e-mail, assistance client et ventes. Politique de confidentialité de Dynatrace
      Khoros
      Nous faisons appel à Khoros pour collecter des données comportementales sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP, d'ID d'appareil et d'ID Autodesk. Ces données nous permettent de mesurer les performances de nos sites et d'évaluer la qualité de votre expérience en ligne afin d'améliorer les fonctionnalités que nous proposons. Grâce à des méthodes d'analytique avancées, nous optimisons également votre expérience dans les domaines suivants : communication par e-mail, assistance client et ventes. Politique de confidentialité de Khoros
      Launch Darkly
      Nous faisons appel à Launch Darkly pour collecter des données comportementales sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP, d'ID d'appareil et d'ID Autodesk. Ces données nous permettent de mesurer les performances de nos sites et d'évaluer la qualité de votre expérience en ligne afin d'améliorer les fonctionnalités que nous proposons. Grâce à des méthodes d'analytique avancées, nous optimisons également votre expérience dans les domaines suivants : communication par e-mail, assistance client et ventes. Politique de confidentialité de Launch Darkly
      New Relic
      Nous faisons appel à New Relic pour collecter des données comportementales sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP, d'ID d'appareil et d'ID Autodesk. Ces données nous permettent de mesurer les performances de nos sites et d'évaluer la qualité de votre expérience en ligne afin d'améliorer les fonctionnalités que nous proposons. Grâce à des méthodes d'analytique avancées, nous optimisons également votre expérience dans les domaines suivants : communication par e-mail, assistance client et ventes. Politique de confidentialité de New Relic
      Salesforce Live Agent
      Nous faisons appel à Salesforce Live Agent pour collecter des données comportementales sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP, d'ID d'appareil et d'ID Autodesk. Ces données nous permettent de mesurer les performances de nos sites et d'évaluer la qualité de votre expérience en ligne afin d'améliorer les fonctionnalités que nous proposons. Grâce à des méthodes d'analytique avancées, nous optimisons également votre expérience dans les domaines suivants : communication par e-mail, assistance client et ventes. Politique de confidentialité de Salesforce Live Agent
      Wistia
      Nous faisons appel à Wistia pour collecter des données comportementales sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP, d'ID d'appareil et d'ID Autodesk. Ces données nous permettent de mesurer les performances de nos sites et d'évaluer la qualité de votre expérience en ligne afin d'améliorer les fonctionnalités que nous proposons. Grâce à des méthodes d'analytique avancées, nous optimisons également votre expérience dans les domaines suivants : communication par e-mail, assistance client et ventes. Politique de confidentialité de Wistia
      Tealium
      Nous faisons appel à Tealium pour collecter des données comportementales sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces données nous permettent de mesurer les performances de nos sites et d'évaluer la qualité de votre expérience en ligne afin d'améliorer les fonctionnalités que nous proposons. Grâce à des méthodes d'analytique avancées, nous optimisons également votre expérience dans les domaines suivants : communication par e-mail, assistance client et ventes. Politique de confidentialité de Tealium
      Upsellit
      Nous faisons appel à Upsellit pour collecter des données comportementales sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces données nous permettent de mesurer les performances de nos sites et d'évaluer la qualité de votre expérience en ligne afin d'améliorer les fonctionnalités que nous proposons. Grâce à des méthodes d'analytique avancées, nous optimisons également votre expérience dans les domaines suivants : communication par e-mail, assistance client et ventes. Politique de confidentialité de Upsellit
      CJ Affiliates
      Nous faisons appel à CJ Affiliates pour collecter des données comportementales sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces données nous permettent de mesurer les performances de nos sites et d'évaluer la qualité de votre expérience en ligne afin d'améliorer les fonctionnalités que nous proposons. Grâce à des méthodes d'analytique avancées, nous optimisons également votre expérience dans les domaines suivants : communication par e-mail, assistance client et ventes. Politique de confidentialité de CJ Affiliates
      Commission Factory
      Nous faisons appel à Commission Factory pour collecter des données comportementales sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces données nous permettent de mesurer les performances de nos sites et d'évaluer la qualité de votre expérience en ligne afin d'améliorer les fonctionnalités que nous proposons. Grâce à des méthodes d'analytique avancées, nous optimisons également votre expérience dans les domaines suivants : communication par e-mail, assistance client et ventes. Politique de confidentialité de Commission Factory
      Google Analytics (Strictly Necessary)
      Nous faisons appel à Google Analytics (Strictly Necessary) pour collecter des données comportementales sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP, d'ID d'appareil et d'ID Autodesk. Ces données nous permettent de mesurer les performances de nos sites et d'évaluer la qualité de votre expérience en ligne afin d'améliorer les fonctionnalités que nous proposons. Grâce à des méthodes d'analytique avancées, nous optimisons également votre expérience dans les domaines suivants : communication par e-mail, assistance client et ventes. Politique de confidentialité de Google Analytics (Strictly Necessary)
      Typepad Stats
      Nous faisons appel à Typepad Stats pour collecter des données comportementales sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP, d'ID d'appareil et d'ID Autodesk. Ces données nous permettent de mesurer les performances de nos sites et d'évaluer la qualité de votre expérience en ligne afin d'améliorer les fonctionnalités que nous proposons. Grâce à des méthodes d'analytique avancées, nous optimisons également votre expérience dans les domaines suivants : communication par e-mail, assistance client et ventes. Politique de confidentialité de Typepad Stats
      Geo Targetly
      Geo Targetly nous permet de rediriger les visiteurs de notre site vers la page appropriée et/ou de leur proposer un contenu adapté à leur emplacement géographique. Geo Targetly se sert de l’adresse IP des visiteurs du site pour déterminer approximativement la localisation de leur appareil. Cela permet de s'assurer que les visiteurs ont accès à un contenu dans ce que nous évaluons être la bonne langue.Politique de confidentialité de Geo Targetly
      SpeedCurve
      Nous utilisons SpeedCurve pour contrôler et mesurer les performances de notre site Web à l’aide de mesures du temps de chargement de nos pages Web et de la réactivité des éléments successifs tels que les images, les scripts et le texte.Politique de confidentialité de SpeedCurve
      Qualified
      Qualified is the Autodesk Live Chat agent platform. This platform provides services to allow our customers to communicate in real-time with Autodesk support. We may collect unique ID for specific browser sessions during a chat. Qualified Privacy Policy

      icon-svg-hide-thick

      icon-svg-show-thick

      Cookies visant à améliorer votre expérience grâce à l'affichage de contenu pertinent

      Google Optimize
      Nous faisons appel à Google Optimize afin de tester les nouvelles fonctionnalités de nos sites et de personnaliser votre expérience. Pour ce faire, nous collectons des données comportementales lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP, d'ID d'appareil, d'ID Autodesk, etc. La version de nos sites peut varier en fonction des tests de fonctionnalités. Le contenu, quant à lui, peut être personnalisé en fonction de vos attributs de visiteur. Politique de confidentialité de Google Optimize
      ClickTale
      Nous faisons appel à ClickTale pour mieux identifier les difficultés que vous pouvez rencontrer sur nos sites. L'enregistrement des sessions nous permet de savoir comment vous interagissez envers nos sites, notamment envers les éléments de nos pages. Vos informations personnellement identifiables sont masquées et ne sont pas collectées. Politique de confidentialité de ClickTale
      OneSignal
      Nous faisons appel à OneSignal pour afficher des publicités numériques sur les sites pris en charge par OneSignal. Les publicités sont basées à la fois sur les données de OneSignal et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que OneSignal a collectées sur vous. Les données que nous fournissons à OneSignal nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de OneSignal
      Optimizely
      Nous faisons appel à Optimizely afin de tester les nouvelles fonctionnalités de nos sites et de personnaliser votre expérience. Pour ce faire, nous collectons des données comportementales lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP, d'ID d'appareil, d'ID Autodesk, etc. La version de nos sites peut varier en fonction des tests de fonctionnalités. Le contenu, quant à lui, peut être personnalisé en fonction de vos attributs de visiteur. Politique de confidentialité de Optimizely
      Amplitude
      Nous faisons appel à Amplitude afin de tester les nouvelles fonctionnalités de nos sites et de personnaliser votre expérience. Pour ce faire, nous collectons des données comportementales lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP, d'ID d'appareil, d'ID Autodesk, etc. La version de nos sites peut varier en fonction des tests de fonctionnalités. Le contenu, quant à lui, peut être personnalisé en fonction de vos attributs de visiteur. Politique de confidentialité de Amplitude
      Snowplow
      Nous faisons appel à Snowplow pour collecter des données comportementales sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP, d'ID d'appareil et d'ID Autodesk. Ces données nous permettent de mesurer les performances de nos sites et d'évaluer la qualité de votre expérience en ligne afin d'améliorer les fonctionnalités que nous proposons. Grâce à des méthodes d'analytique avancées, nous optimisons également votre expérience dans les domaines suivants : communication par e-mail, assistance client et ventes. Politique de confidentialité de Snowplow
      UserVoice
      Nous faisons appel à UserVoice pour collecter des données comportementales sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP, d'ID d'appareil et d'ID Autodesk. Ces données nous permettent de mesurer les performances de nos sites et d'évaluer la qualité de votre expérience en ligne afin d'améliorer les fonctionnalités que nous proposons. Grâce à des méthodes d'analytique avancées, nous optimisons également votre expérience dans les domaines suivants : communication par e-mail, assistance client et ventes. Politique de confidentialité de UserVoice
      Clearbit
      Clearbit autorise les données d’enrichissement en temps réel afin de fournir une expérience personnalisée et pertinente à ses clients. Les données que nous collectons peuvent inclure les pages que vous avez consultées, les versions d’évaluation que vous avez lancées, les vidéos que vous avez visionnées, les achats que vous avez réalisés, ainsi que votre adresse IP ou l’ID de votre appareil.Politique de confidentialité de Clearbit
      YouTube
      YouTube est une plate-forme de partage de vidéos qui permet aux utilisateurs de visionner et de partager des vidéos qui sont intégrées à nos sites Web. YouTube fournit des indicateurs sur les performances des vidéos. Politique de confidentialité de YouTube

      icon-svg-hide-thick

      icon-svg-show-thick

      Personnalisation des publicités à des fins de ciblage

      Adobe Analytics
      Nous faisons appel à Adobe Analytics pour collecter des données comportementales sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP, d'ID d'appareil et d'ID Autodesk. Ces données nous permettent de mesurer les performances de nos sites et d'évaluer la qualité de votre expérience en ligne afin d'améliorer les fonctionnalités que nous proposons. Grâce à des méthodes d'analytique avancées, nous optimisons également votre expérience dans les domaines suivants : communication par e-mail, assistance client et ventes. Politique de confidentialité de Adobe Analytics
      Google Analytics (Web Analytics)
      Nous faisons appel à Google Analytics (Web Analytics) pour collecter des données comportementales sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces données nous permettent de mesurer les performances de nos sites et d'évaluer la qualité de votre expérience en ligne afin d'améliorer les fonctionnalités que nous proposons. Grâce à des méthodes d'analytique avancées, nous optimisons également votre expérience dans les domaines suivants : communication par e-mail, assistance client et ventes. Politique de confidentialité de Google Analytics (Web Analytics)
      AdWords
      Nous faisons appel à AdWords pour afficher des publicités numériques sur les sites pris en charge par AdWords. Les publicités sont basées à la fois sur les données de AdWords et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que AdWords a collectées sur vous. Les données que nous fournissons à AdWords nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de AdWords
      Marketo
      Nous faisons appel à Marketo pour vous envoyer des e-mails dont le contenu est ciblé. Pour ce faire, nous collectons des données concernant votre comportement en ligne et votre interaction envers les e-mails que nous envoyons. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP, d'ID d'appareil, de taux d'ouverture des e-mails, de clics sur des liens, etc. Nous sommes susceptibles d'utiliser ces données en combinaison envers celles obtenues auprès d'autres sources pour vous offrir des expériences améliorées en matière de ventes ou de service clientèle, ainsi que du contenu pertinent basé sur un traitement analytique avancé. Politique de confidentialité de Marketo
      Doubleclick
      Nous faisons appel à Doubleclick pour afficher des publicités numériques sur les sites pris en charge par Doubleclick. Les publicités sont basées à la fois sur les données de Doubleclick et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que Doubleclick a collectées sur vous. Les données que nous fournissons à Doubleclick nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de Doubleclick
      HubSpot
      Nous faisons appel à HubSpot pour vous envoyer des e-mails dont le contenu est ciblé. Pour ce faire, nous collectons des données concernant votre comportement en ligne et votre interaction envers les e-mails que nous envoyons. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP, d'ID d'appareil, de taux d'ouverture des e-mails, de clics sur des liens, etc. Politique de confidentialité de HubSpot
      Twitter
      Nous faisons appel à Twitter pour afficher des publicités numériques sur les sites pris en charge par Twitter. Les publicités sont basées à la fois sur les données de Twitter et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que Twitter a collectées sur vous. Les données que nous fournissons à Twitter nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de Twitter
      Facebook
      Nous faisons appel à Facebook pour afficher des publicités numériques sur les sites pris en charge par Facebook. Les publicités sont basées à la fois sur les données de Facebook et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que Facebook a collectées sur vous. Les données que nous fournissons à Facebook nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de Facebook
      LinkedIn
      Nous faisons appel à LinkedIn pour afficher des publicités numériques sur les sites pris en charge par LinkedIn. Les publicités sont basées à la fois sur les données de LinkedIn et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que LinkedIn a collectées sur vous. Les données que nous fournissons à LinkedIn nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de LinkedIn
      Yahoo! Japan
      Nous faisons appel à Yahoo! Japan pour afficher des publicités numériques sur les sites pris en charge par Yahoo! Japan. Les publicités sont basées à la fois sur les données de Yahoo! Japan et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que Yahoo! Japan a collectées sur vous. Les données que nous fournissons à Yahoo! Japan nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de Yahoo! Japan
      Naver
      Nous faisons appel à Naver pour afficher des publicités numériques sur les sites pris en charge par Naver. Les publicités sont basées à la fois sur les données de Naver et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que Naver a collectées sur vous. Les données que nous fournissons à Naver nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de Naver
      Quantcast
      Nous faisons appel à Quantcast pour afficher des publicités numériques sur les sites pris en charge par Quantcast. Les publicités sont basées à la fois sur les données de Quantcast et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que Quantcast a collectées sur vous. Les données que nous fournissons à Quantcast nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de Quantcast
      Call Tracking
      Nous faisons appel à Call Tracking pour fournir des numéros de téléphone personnalisés dans le cadre de nos campagnes. Vous pouvez ainsi contacter nos agents plus rapidement et nous pouvons évaluer nos performances plus précisément. Nous sommes susceptibles de collecter des données sur votre utilisation de nos sites en fonction du numéro de téléphone fourni. Politique de confidentialité de Call Tracking
      Wunderkind
      Nous faisons appel à Wunderkind pour afficher des publicités numériques sur les sites pris en charge par Wunderkind. Les publicités sont basées à la fois sur les données de Wunderkind et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que Wunderkind a collectées sur vous. Les données que nous fournissons à Wunderkind nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de Wunderkind
      ADC Media
      Nous faisons appel à ADC Media pour afficher des publicités numériques sur les sites pris en charge par ADC Media. Les publicités sont basées à la fois sur les données de ADC Media et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que ADC Media a collectées sur vous. Les données que nous fournissons à ADC Media nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de ADC Media
      AgrantSEM
      Nous faisons appel à AgrantSEM pour afficher des publicités numériques sur les sites pris en charge par AgrantSEM. Les publicités sont basées à la fois sur les données de AgrantSEM et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que AgrantSEM a collectées sur vous. Les données que nous fournissons à AgrantSEM nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de AgrantSEM
      Bidtellect
      Nous faisons appel à Bidtellect pour afficher des publicités numériques sur les sites pris en charge par Bidtellect. Les publicités sont basées à la fois sur les données de Bidtellect et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que Bidtellect a collectées sur vous. Les données que nous fournissons à Bidtellect nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de Bidtellect
      Bing
      Nous faisons appel à Bing pour afficher des publicités numériques sur les sites pris en charge par Bing. Les publicités sont basées à la fois sur les données de Bing et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que Bing a collectées sur vous. Les données que nous fournissons à Bing nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de Bing
      G2Crowd
      Nous faisons appel à G2Crowd pour afficher des publicités numériques sur les sites pris en charge par G2Crowd. Les publicités sont basées à la fois sur les données de G2Crowd et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que G2Crowd a collectées sur vous. Les données que nous fournissons à G2Crowd nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de G2Crowd
      NMPI Display
      Nous faisons appel à NMPI Display pour afficher des publicités numériques sur les sites pris en charge par NMPI Display. Les publicités sont basées à la fois sur les données de NMPI Display et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que NMPI Display a collectées sur vous. Les données que nous fournissons à NMPI Display nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de NMPI Display
      VK
      Nous faisons appel à VK pour afficher des publicités numériques sur les sites pris en charge par VK. Les publicités sont basées à la fois sur les données de VK et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que VK a collectées sur vous. Les données que nous fournissons à VK nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de VK
      Adobe Target
      Nous faisons appel à Adobe Target afin de tester les nouvelles fonctionnalités de nos sites et de personnaliser votre expérience. Pour ce faire, nous collectons des données comportementales lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP, d'ID d'appareil, d'ID Autodesk, etc. La version de nos sites peut varier en fonction des tests de fonctionnalités. Le contenu, quant à lui, peut être personnalisé en fonction de vos attributs de visiteur. Politique de confidentialité de Adobe Target
      Google Analytics (Advertising)
      Nous faisons appel à Google Analytics (Advertising) pour afficher des publicités numériques sur les sites pris en charge par Google Analytics (Advertising). Les publicités sont basées à la fois sur les données de Google Analytics (Advertising) et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que Google Analytics (Advertising) a collectées sur vous. Les données que nous fournissons à Google Analytics (Advertising) nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de Google Analytics (Advertising)
      Trendkite
      Nous faisons appel à Trendkite pour afficher des publicités numériques sur les sites pris en charge par Trendkite. Les publicités sont basées à la fois sur les données de Trendkite et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que Trendkite a collectées sur vous. Les données que nous fournissons à Trendkite nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de Trendkite
      Hotjar
      Nous faisons appel à Hotjar pour afficher des publicités numériques sur les sites pris en charge par Hotjar. Les publicités sont basées à la fois sur les données de Hotjar et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que Hotjar a collectées sur vous. Les données que nous fournissons à Hotjar nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de Hotjar
      6 Sense
      Nous faisons appel à 6 Sense pour afficher des publicités numériques sur les sites pris en charge par 6 Sense. Les publicités sont basées à la fois sur les données de 6 Sense et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que 6 Sense a collectées sur vous. Les données que nous fournissons à 6 Sense nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de 6 Sense
      Terminus
      Nous faisons appel à Terminus pour afficher des publicités numériques sur les sites pris en charge par Terminus. Les publicités sont basées à la fois sur les données de Terminus et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que Terminus a collectées sur vous. Les données que nous fournissons à Terminus nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de Terminus
      StackAdapt
      Nous faisons appel à StackAdapt pour afficher des publicités numériques sur les sites pris en charge par StackAdapt. Les publicités sont basées à la fois sur les données de StackAdapt et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que StackAdapt a collectées sur vous. Les données que nous fournissons à StackAdapt nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de StackAdapt
      The Trade Desk
      Nous faisons appel à The Trade Desk pour afficher des publicités numériques sur les sites pris en charge par The Trade Desk. Les publicités sont basées à la fois sur les données de The Trade Desk et sur les données comportementales que nous collectons lorsque vous naviguez sur nos sites. Il peut s'agir de pages visitées, de versions d'évaluation activées, de vidéos lues, d'achats, d'adresses IP ou d'ID d'appareil. Ces informations sont susceptibles d'être fusionnées envers des données que The Trade Desk a collectées sur vous. Les données que nous fournissons à The Trade Desk nous servent à personnaliser les publicités numériques afin de les rendre plus pertinentes. Politique de confidentialité de The Trade Desk
      RollWorks
      We use RollWorks to deploy digital advertising on sites supported by RollWorks. Ads are based on both RollWorks data and behavioral data that we collect while you’re on our sites. The data we collect may include pages you’ve visited, trials you’ve initiated, videos you’ve played, purchases you’ve made, and your IP address or device ID. This information may be combined with data that RollWorks has collected from you. We use the data that we provide to RollWorks to better customize your digital advertising experience and present you with more relevant ads. RollWorks Privacy Policy

      Voulez-vous améliorer votre expérience en ligne?

      Nous souhaitons vous offrir une expérience optimale. Si vous choisissez Oui pour les catégories présentées dans l'écran précédent, nous collecterons vos données et les utiliserons afin de personnaliser votre expérience et d'améliorer nos applications. Vous pouvez modifier vos paramètres à tout moment en accédant à notre Déclaration de confidentialité.

      Votre expérience. Votre choix.

      Nous respectons votre confidentialité. Les données que nous collectons nous aident à comprendre votre utilisation de nos produits, à identifier les informations susceptibles de vous intéresser, mais aussi à améliorer et à valoriser votre engagement envers Autodesk.

      Nous autorisez-vous à collecter et à utiliser vos données afin de personnaliser votre expérience ?

      Découvrez tous les avantages d'une expérience personnalisée. Vous pouvez gérer vos paramètres confidentialité pour ce site. Pour en savoir plus sur les options disponibles, consultez notre Déclaration de confidentialité.