I ricercatori dell’Università di Toronto stanno sfruttando l’apprendimento automatico per migliorare la produzione additiva per produrre componenti metallici di qualità superiore e più affidabili per applicazioni aerospaziali, automobilistiche, energetiche e sanitarie.
Una ricerca dell’Università di Toronto mira a produrre componenti metallici di qualità superiore e più affidabili per applicazioni aerospaziali, automobilistiche, energetiche e sanitarie impiegando la stampa 3D. In un articolo, pubblicato sulla rivista Additive Manufacturing, il team ha presentato un nuovo framework chiamato “Accurate Inverse Process Optimization Framework” nella deposizione laser a energia diretta (AIDED). Il framework AIDED ottimizza la stampa 3D laser per migliorare la precisione e la robustezza del prodotto finito. Questo progresso mira a produrre componenti metallici di qualità superiore, prevedendo come il metallo si fonderà e si solidificherà per trovare le condizioni di stampa ottimali.
“L’adozione più ampia della deposizione di energia diretta, una delle principali tecnologie di stampa 3D in metallo, è attualmente ostacolata dall’elevato costo dell’individuazione dei parametri di processo ottimali attraverso tentativi ed errori. Il nostro framework identifica rapidamente i parametri di processo ottimali per diverse applicazioni in base alle esigenze del settore” afferma Xiao Shang, dottorando MSE, primo autore del nuovo studio.
Le sfide della stampa 3D dei metalli
La produzione additiva di metalli utilizza un laser ad alta potenza per fondere selettivamente polvere metallica fine, realizzando componenti strato per strato a partire da un modello digitale 3D preciso. A differenza dei metodi tradizionali, che prevedono il taglio, la fusione o la lavorazione dei materiali, la produzione additiva di metalli crea direttamente componenti complessi e altamente personalizzati con uno spreco di materiale minimo.
“Una delle principali sfide della stampa 3D in metallo è la velocità e la precisione del processo di produzione. Le variazioni nelle condizioni di stampa possono portare a incoerenze nella qualità del prodotto finale, rendendo difficile soddisfare gli standard di settore in termini di affidabilità e sicurezza” spiega Yu Zou, docente associato del Materials Science & Engineering (MSE) dell’Università di Toronto.
Un’altra grande sfida è determinare le impostazioni ottimali per la stampa di diversi materiali e componenti. Ogni materiale, che si tratti di titanio per applicazioni aerospaziali e mediche o di acciaio inossidabile per i reattori nucleari, ha proprietà uniche che richiedono potenza laser, velocità di scansione e condizioni di temperatura specifiche. Trovare la giusta combinazione di questi parametri in una vasta gamma di parametri di processo è un compito complesso e dispendioso in termini di tempo.
L’algoritmo AIDED
Queste sfide hanno ispirato il gruppo di laboratorio a sviluppare il framework. AIDED opera in un sistema a ciclo chiuso in cui un algoritmo genetico, un metodo che imita la selezione naturale per trovare soluzioni ottimali, suggerisce innanzitutto combinazioni di parametri di processo, che i modelli di apprendimento automatico valutano poi per la qualità di stampa. L’algoritmo genetico verifica l’ottimalità di queste previsioni, ripetendo il processo fino a individuare i parametri migliori.
“Abbiamo dimostrato che il nostro framework è in grado di identificare parametri di processo ottimali a partire da obiettivi personalizzabili in appena un’ora e di prevedere accuratamente le geometrie a partire dai parametri di processo. È anche versatile e può essere utilizzato con diversi materiali” afferma Shang.
Ora i ricercatori sperano che AIDED trasformi l’ottimizzazione dei processi nei settori che utilizzano la stampa 3D di metalli.
“Settori come quello aerospaziale, biomedico, automobilistico, nucleare e altri accoglierebbero con favore una soluzione così economica ma precisa per facilitare la transizione dalla produzione tradizionale alla stampa 3D” afferma Shang, mentre Zou sottolinea: “Entro il 2030, si prevede che la produzione additiva rimodellerà la produzione in diversi settori ad alta precisione. La capacità di correggere i difetti in modo adattivo e ottimizzare i parametri ne accelererà l’adozione”.
Foto: The Laboratory for Extreme Mechanics & Additive Manufacturing / University of Toronto
