I ricercatori dell’IMDEA Materials Institute, in collaborazione con il Lawrence Berkeley National Laboratory, hanno sviluppato un algoritmo intelligente capace di rilevare la personalità delle stampanti 3D, cioè le caratteristiche operative più profonde, ottimizzando l’affidabilità della produzione automatizzata.
Gli ingegneri dell’IMDEA Materials Institute di Madrid, in collaborazione con il Lawrence Berkeley National Laboratory, negli Stati Uniti, hanno sviluppato un algoritmo intelligente in grado di rilevare la personalità delle stampanti 3D, ottimizzando l’affidabilità e riducendo gli errori nella produzione automatizzata. Il sistema, pubblicato su Advanced Engineering Informatics, analizza le sottili differenze operative tra macchine teoricamente identiche e seleziona la strategia di ottimizzazione più appropriata.
Una delle principali sfide nella produzione automatizzata su larga scala è che le macchine, anche se della stessa marca e modello, non si comportano mai esattamente allo stesso modo. Queste variazioni, o “rumore”, nelle loro prestazioni possono accumularsi e portare a difetti significativi, riducendo la riproducibilità e l’affidabilità, in particolare in settori ad alta precisione come la produzione additiva per l’architettura e l’industria aerospaziale.
Il nuovo algoritmo dell’IMDEA Materials Institute affronta direttamente questo problema. Invece di applicare un’unica soluzione a ogni macchina, il sistema esegue innanzitutto una valutazione diagnostica per creare un profilo di prestazioni unico per ciascuna. Utilizzando l’analisi statistica, quantifica il grado di variabilità tra di esse e prende una decisione chiave. Se le macchine sono sufficientemente simili, applica una strategia di ottimizzazione congiunta per massimizzare l’efficienza. Se, invece, rileva differenze significative, attiva una strategia di ottimizzazione individuale per ogni macchina, dando priorità alla precisione.
La convalida del metodo
Per convalidare il metodo, il team dell’IMDEA Materials Institute ha condotto uno studio utilizzando tre stampanti 3D teoricamente identiche che avrebbero dovuto avere prestazioni quasi identiche, mentre l’algoritmo ha rilevato tra loro differenze misurabili e ha identificato correttamente che ciascuna richiedeva una propria strategia di ottimizzazione.
La pubblicazione presenta i risultati di entrambi gli approcci, sebbene le analisi distributive e le metriche di divergenza abbiano chiaramente favorito l’ottimizzazione del singolo dispositivo per il caso di studio in esame.
La marcata separazione osservata nelle stime di densità dei pellet stampati, unitamente ai sostanziali valori di divergenza a coppie, indica che ogni stampante operava in un regime di output distinto. Di conseguenza, l’approccio più appropriato per questo caso di studio è stato quello di ottimizzare ciascun dispositivo individualmente, assicurandosi che le caratteristiche specifiche di ogni stampante fossero prese in considerazione.
Secondo i ricercatori dell’IMDEA Materials Institute e del Lawrence Berkeley National Laboratory, “i risultati hanno dimostrato una convergenza significativamente più rapida e una sostanziale riduzione degli errori nel peso dei pezzi stampati rispetto al trattamento di tutte le macchine allo stesso modo, che non permetteva di correggere adeguatamente le distorsioni individuali. Anche le macchine prodotte in serie possono avere una propria personalità operativa. Il nostro sistema apprende queste differenze e le sfrutta a proprio vantaggio, determinando se è più efficiente trattarle come un team o come singoli dispositivi. Questo non solo migliora la precisione, ma consente anche di risparmiare risorse evitando esperimenti falliti, un passo fondamentale verso i laboratori e le fabbriche completamente automatizzati del futuro” concludono i ricercatori.
Sebbene lo studio si sia concentrato sulla stampa 3D, la sua metodologia è applicabile ad altri campi che si basano sulla sperimentazione ad alto rendimento, come la scoperta di nuovi materiali, la sintesi chimica e la calibrazione dei sensori.
Lo studio è stato condotto dalla Dott.ssa Christina Schenk, Miguel Hernández del Valle, Luis Calero e dal Dott. Maciej Haranczyk dell’IMDEA Materials Institute, insieme al Dott. Marcus Noack del Lawrence Berkeley National Laboratory.
