Gli scienziati della Nazarbayev University hanno sviluppato un metodo, basato sull’intelligenza artificiale, per ottimizzare la microlavorazione elettroerosiva (µ-EDM) di una lega di titanio biocompatibile di nuova generazione, con applicazioni nella produzione di componenti medicali e aerospaziali avanzati.
I ricercatori della Nazarbayev University, in Kazakhstan, hanno sviluppato un nuovo approccio basato sull’apprendimento automatico per ottimizzare la microlavorazione elettroerosiva (µ-EDM) di una lega di titanio biocompatibile di nuova generazione, migliorando potenzialmente la produzione di componenti medicali e aerospaziali avanzati. Il lavoro è pubblicato sulla rivista Scientific Reports.
Le leghe di titanio sono ampiamente utilizzate negli impianti biomedici, nei sistemi aerospaziali e nell’ingegneria automobilistica grazie alla loro robustezza, resistenza alla corrosione e al peso ridotto. Tuttavia, la lega Ti–6Al–4V comunemente utilizzata contiene alluminio e vanadio, elementi associati a rischi di tossicità a lungo termine nelle applicazioni biomediche. Le leghe più recenti arricchite con niobio, tantalio e zirconio offrono una migliore biocompatibilità, ma sono significativamente più difficili da lavorare con i metodi convenzionali.
Nel nuovo studio, gli scienziati della Nazarbayev University hanno studiato il comportamento della microlavorazione di Ti–29Nb–13Ta–4.6Zr (TNTZ), una promettente lega di titanio di nuova generazione, utilizzando la µ-EDM, una tecnica di produzione non tradizionale in grado di modellare materiali estremamente duri con elevata precisione. Poiché la µ-EDM comporta complesse interazioni termiche ed elettriche, prevedere i risultati della lavorazione è rimasto impegnativo.
Combinare le lavorazioni avanzate con l’intelligenza artificiale
Il team di ricerca della Nazarbayev University ha condotto esperimenti controllati utilizzando elettrodi di carburo di tungsteno variando la tensione elettrica e la capacità. Hanno analizzato diversi indicatori chiave di prestazione, tra cui la velocità di asportazione del materiale, la precisione dimensionale, la circolarità dei microfori e la rugosità superficiale. Per comprendere e prevedere meglio questi risultati, i ricercatori hanno applicato diversi modelli di apprendimento automatico, tra cui regressione lineare multipla, regressione ad albero decisionale e reti neurali artificiali. L’obiettivo era determinare se l’intelligenza artificiale potesse modellare accuratamente il comportamento non lineare del processo µ-EDM.
I risultati dello studio hanno mostrato che la capacità ha avuto l’influenza maggiore sulle prestazioni di lavorazione, influenzando fino a quasi il 90% della variazione in diverse metriche di output. Una maggiore energia di scarica ha migliorato la velocità di rimozione del materiale, ma ha anche aumentato la rugosità superficiale e le deviazioni geometriche, evidenziando il compromesso tra efficienza e precisione.
Tra gli algoritmi testati, la rete neurale artificiale ha superato significativamente i modelli statistici tradizionali, raggiungendo un valore R² prossimo a 0,99 ed errori di previsione inferiori al 5% e dimostrando la sua capacità di catturare relazioni complesse tra parametri di lavorazione e risultati.
La ricerca della Nazarbayev University evidenzia il ruolo crescente dell’apprendimento automatico nella produzione avanzata, dove i modelli predittivi possono ridurre i costi sperimentali e migliorare l’affidabilità dei processi. Secondo gli autori, l’integrazione dell’intelligenza artificiale con la microlavorazione potrebbe accelerare l’adozione industriale di leghe di titanio più sicure e biocompatibili. In futuro i ricercatori mirano ad ampliare il set di dati ed esplorerà ulteriori parametri di lavorazione per migliorare ulteriormente l’accuratezza delle previsioni e consentire applicazioni industriali più ampie.
