La formatura a rulli è un processo in cui la lamiera viene deformata in maniera incrementale, fino ad arrivare al profilo desiderato, attraverso una serie di rulli. Gli utilizzi dei componenti così prodotti sono vari e spaziano in diversi settori, tra cui i trasporti, l’automotive, l’aeronautico e la costruzione.
Le parti prodotte tramite la formatura a rulli sono applicate con successo in diversi contesti; tuttavia, la loro precisione e qualità sono seriamente condizionate dal fenomeno di ritorno elastico. Risulta quindi fondamentale essere in grado di controllare questo effetto per riuscire a produrre parti conformi.
Il ritorno elastico è causato dalla differenza di forma tra la configurazione sotto carico e quella senza carico, ovvero in cui l’attrezzatura di formatura non è in contatto con la lamiera.
Dato che la formatura a rulli è un processo composto da diversi passaggi, il ritorno elastico è generato in ogni fase del processo e la forma finale della parte è dovuta all’effetto cumulativo di tutta la serie di passaggi.
Il comportamento della deformazione durante un processo composto da molteplici fasi è molto complesso e difficile da predire anche a causa dei numerosi fattori in gioco. L’approccio tradizionale al problema è quello della modellazione matematica per poter predire il problema. Infatti, sono state individuate leggi generali in grado di descrivere il fenomeno.
Durante la fase di scarico, l’effetto elastico del materiale crea un momento che porta a un nuovo stato di equilibrio. Tuttavia, risulta difficile modellare matematicamente con accuratezza il fenomeno e calcolare le deformazioni che avvengono ad ogni passaggio.
Un’altra metodologia comunemente utilizzata è quella dell’Analisi ad Elementi Finiti (Finite Element Analysis o FEA) che permette di fare uno studio in tempi relativamente rapidi e contenendo i costi.
Questo strumento risulta essere largamente diffuso, tuttavia l’efficienza non è ideale e non è possibile ottenere un’ottimizzazione in automatico del processo. Gli autori della ricerca propongono invece di utilizzare una tecnica di Machine Learning per poter risolvere il problema inverso.
Queste tecniche permettono di valutare i difetti di forma, considerando numerose variabili come le proprietà dei materiali, le geometrie del componente e i parametri di processo.
I ricercatori hanno investigato diverse combinazioni di parametri tramite il modello di Intelligenza Artificiale e successivamente hanno effettuato una sperimentazione su un macchinario da laboratorio per verificarne la validità.
