La capacità di prevedere con precisione le proprietà meccaniche dei metalli è un elemento essenziale per il loro corretto utilizzo nella progettazione di strutture e componenti. Questo aspetto è ancora più importante in presenza di materiali, come le leghe di metallo fuso, le cui proprietà possono variare significativamente in relazione agli elementi costitutivi, microstrutture, parametri di processo o trattamenti.
Questo studio dimostra come un approccio di apprendimento automatico, basato sull’analisi del riconoscimento di modelli su dati sperimentali, sia in grado di offrire previsioni con precisioni accettabili rispetto alle principali proprietà meccaniche dei metalli, come nel caso di una ghisa sferoidale e di una ghisa a grafite compatta.
Le proprietà metallografiche, quali i contenuti di grafite, ferrite e perlite, estrapolati mediante indicatori macroscopici da micrografie elaborate per mezzo di tecniche di analisi di immagine, sono utilizzati come ingressi per gli algoritmi di apprendimento, mentre le proprietà meccaniche, quali resistenza allo snervamento e a rottura, deformazione a rottura, e modulo di Young sono derivati quali output. In particolare, in questo studio sono utilizzati tre diversi algoritmi di machine learning a partire da un set di circa 30 dati per ciascun materiale, mentre i risultati dimostrano una elevata precisione, spesso migliore rispetto ad altre tecniche predittive. Sono infine discusse le peculiarità relative all’applicabilità di queste tecniche predittive nella progettazione dei materiali e nel controllo della qualità del prodotto-processo.
Obiettivi e ambito di applicazione
Questa ricerca ha tre obiettivi principali:
● Prevedere le proprietà meccaniche dei metalli e, in particolare, le proprietà di trazione, quali resistenza allo snervamento, resistenza massima, deformazione finale e modulo di Young, a partire da dati sperimentali. Aggiungendo, sarebbe possibile studiare la relazione tra queste proprietà e gli aspetti fondamentali della metallurgia come nel caso di elementi costitutivi, microstrutture, parametri di processo o trattamenti.
● Utilizzare informazioni ricavate direttamente da micrografie mediante un processo convenzionale di analisi di immagine, ma convertito globalmente in macroindicatori relativi al contenuto di grafite, ferrite, perlite, nodularità, vermicularità. Inoltre, discutere le interrelazioni esistenti tra tutte quelle caratteristiche, meccaniche e metallurgiche, con lo scopo di riconoscere informazioni essenziali e sovrabbondanti. Lo studio coinvolge due diverse famiglie di leghe del cast, una ghisa sferoidale (SGI) e una meno comune ghisa a grafite compatta (CGI).
● Utilizzare queste informazioni attraverso algoritmi di machine learning, basati sui concetti di pattern recognition, con lo scopo di eseguire un'”intelligente analisi” delle misure sperimentali. In questo compito saranno applicati alcuni dei metodi più comuni di machine learning, quali: Artificial Neural Network (NN), Random Forest (RF) e k-Neighbors Neighbors (kNN). Questi classificatori saranno applicati attraverso l’uso di codici convenzionali e di piattaforme open access, e confrontati tra loro in termini di funzionalità e accuratezza nella predizione. Questo confronto terrà anche in conto della consistenza e della qualità dei dati utilizzati per il training, ma anche della variabilità intrinseca dei fenomeni sotto esame.
● Introdurre indicazioni essenziali riguardanti la reale applicabilità di queste tecniche per scopi quali progettazione di prodotti, scelta dei materiali, controllo di processo e così via, compresi suggerimenti pratici sul modo di semplificare le procedure di stima verso un’applicazione industriale.
