I ricercatori della Pohang University of Science and Technology hanno sviluppato un modello basato sull’intelligenza artificiale in grado di individuare i difetti microscopici nei processi di stampa 3D di metalli.
Gli ingegneri della Pohang University of Science and Technology (POSTECH), hanno collaborato con un team della Korea Institute of Materials Science (KIMS) per sviluppare un framework predittivo basato sull’AI in grado di individuare i difetti microscopici nei processi di stampa 3D di metalli.
La produzione additiva di metalli è apprezzata perché capace di realizzare componenti leggeri e geometricamente complessi, ma deve superare un ostacolo: i difetti interni microscopici, invisibili a occhio nudo ma in grado di compromettere significativamente l’integrità strutturale.
Nelle applicazioni impegnative della stampa 3D, come le strutture aeronautiche e i componenti automobilistici, i materiali sono soggetti a condizioni estreme e anche una porosità minima può rivelarsi catastrofica. Finora la valutazione dell’effetto di tali difetti ha richiesto un’ampia sperimentazione e tempi considerevoli, che rappresentano un freno notevole nello sviluppo e nella qualificazione dei materiali per i settori critici per la sicurezza.
Usale l’AI per modellare la porosità
Invece di tentare di eliminare completamente i difetti, il team di ricerca di POSTECH e KIMS ha riformulato il problema concentrandosi sulla comprensione e sulla previsione scientifica dei difetti.
Il team di ricerca della Pohang University of Science and Technology ha integrato i dati sulla porosità con i parametri di processo, le caratteristiche microstrutturali e i dati sulle proprietà meccaniche per addestrare un modello di intelligenza artificiale. Successivamente ha applicato una tecnica chiamata Data Selection Machine Learning (DSML), che identifica solo le variabili più influenti dal dataset, filtrando efficacemente il rumore e concentrando il modello sui fattori più rilevanti.
L’approccio è analogo a quello di un medico che interpreta una TAC per diagnosticare una malattia: l’intelligenza artificiale analizza la microstruttura interna e le caratteristiche dei difetti dei componenti metallici per anticiparne il comportamento meccanico prima di qualsiasi test fisico.
Una caratteristica distintiva fondamentale di questo lavoro è l’impegno per l’interpretabilità. Invece di fornire un’intelligenza artificiale che produce risultati senza spiegazioni, il team ha utilizzato la regressione simbolica, un approccio di AI interpretabile, per derivare equazioni matematiche comprensibili all’uomo che descrivono il modello predittivo. Queste equazioni riflettono la realtà fisica sottostante: all’aumentare della porosità, l’area della sezione trasversale portante effettiva diminuisce, riducendo di conseguenza la resistenza. In questo modo, l’IA non si limita a prevedere i risultati; spiega perché si verificano, migliorando così la trasparenza e la fiducia nella scienza.
Validazione e impatto nel mondo reale
Per validare il framework, il team ha fabbricato una lega AlSi10Mg, una delle leghe di alluminio più utilizzate nei componenti aerospaziali e automobilistici stampati in 3D, in diverse condizioni di processo. Il modello basato sull’intelligenza artificiale ha previsto con successo la resistenza allo snervamento dei componenti con un errore assoluto medio (MAE) di soli 9,51 MPa in pochi secondi, eliminando la necessità di complesse procedure sperimentali. Questo risultato rappresenta un miglioramento di oltre quattro volte nell’accuratezza della previsione rispetto agli approcci convenzionali e dimostra la robustezza e l’utilità pratica del framework.
Il team di ricerca di di POSTECH prevede che questo framework possa servire come base per una “mappa di progettazione consapevole dei difetti”, consentendo la previsione e la progettazione delle prestazioni dei materiali in base alle condizioni di processo in anticipo, riducendo così significativamente il processo di tentativi ed errori tipicamente associato allo sviluppo dei materiali.
Rendendo possibile prevedere e tenere conto dei difetti invisibili in fase di progettazione, questa tecnologia ha il potenziale per accelerare notevolmente la qualificazione e la commercializzazione di componenti metallici stampati in 3D in settori in cui sicurezza e affidabilità sono di primaria importanza: “Abbiamo dimostrato che l’intelligenza artificiale può essere utilizzata per comprendere e controllare scientificamente i difetti. Questa tecnologia migliorerà l’affidabilità dei componenti metallici stampati in 3D e ne accelererà significativamente la commercializzazione in settori come quello aerospaziale e automobilistico” affermano i ricercatori.
