Un gruppo di ricercatori della Washington State University (WSU) e della University of Minnesota Twin Cities ha utilizzato l’intelligenza artificiale per affrontare uno dei problemi più costosi della produzione additiva metallica: trovare i parametri corretti per stampare una lega difficile da lavorare senza dover effettuare centinaia o migliaia di prove fisiche.
Il materiale scelto per dimostrare il metodo è GRCop-42, una lega rame-cromo-niobio sviluppata dalla NASA per applicazioni caratterizzate da elevati flussi termici, comprese le camere di combustione dei motori a razzo.
La ricerca non riguarda una generica ottimizzazione software di una stampante 3D.
Il gruppo ha lavorato sul Directed Energy Deposition (DED), processo di produzione additiva nel quale una sorgente energetica fonde il materiale mentre viene depositato.
La difficoltà nasce dalle caratteristiche stesse del GRCop-42: la grande quantità di rame gli conferisce l’elevata conducibilità termica che lo rende interessante nei motori, ma contemporaneamente rende più complicata l’interazione con il laser.
Il gruppo della Washington State University ha quindi sviluppato un sistema denominato BEAM – Bayesian Experimental design for Additive Manufacturing, capace di utilizzare i risultati delle prove precedenti per decidere quali configurazioni sperimentare successivamente.
Invece di affrontare oltre 100 milioni di possibili combinazioni di parametri, i ricercatori hanno destinato al programma sperimentale appena 40 prove guidate dall’intelligenza artificiale, individuando sei configurazioni capaci di produrre risultati utilizzabili a diversi livelli di potenza laser.
Il dato tecnicamente più interessante riguarda la capacità di depositare GRCop-42 utilizzando una potenza laser di appena 500 W, aprendo la possibilità di lavorare la lega con una fascia molto più ampia di sistemi commerciali.
GRCop-42 nasce nei laboratori NASA per affrontare temperature estreme
GRCop-42 appartiene alla famiglia di leghe GRCop sviluppate dalla NASA Glenn Research Center.
Il nome richiama proprio Glenn Research Copper.
La lega è composta principalmente da rame, con circa 4% atomico di cromo e 2% atomico di niobio. Questi elementi portano alla formazione di precipitati di Cr₂Nb che contribuiscono alle proprietà meccaniche del materiale.
L’obiettivo originario era ottenere una lega capace di combinare caratteristiche che normalmente sono difficili da trovare contemporaneamente.
Il rame trasferisce il calore in maniera estremamente efficace ma, allo stato puro, non possiede sempre la resistenza meccanica necessaria per operare per lunghi periodi alle temperature tipiche della propulsione spaziale.
Il GRCop-42 mantiene invece una buona conducibilità termica aggiungendo resistenza alle alte temperature, resistenza al creep, comportamento favorevole sotto fatica a basso numero di cicli e resistenza all’ossidazione.
Queste caratteristiche lo rendono adatto alle camere di combustione raffreddate rigenerativamente dei motori a razzo.
Perché una camera di combustione ha bisogno di una lega come GRCop-42
In un motore a razzo la camera di combustione è sottoposta contemporaneamente a temperature estremamente elevate e a notevoli pressioni.
La parete che separa i gas caldi dai circuiti di raffreddamento deve quindi trasferire rapidamente il calore senza perdere le proprie caratteristiche meccaniche.
Nei sistemi rigenerativi, il propellente viene fatto circolare all’interno di piccoli canali presenti nelle pareti della camera prima di entrare nel processo di combustione.
In questo modo sottrae calore alla struttura.
Una lega con elevata conducibilità termica permette di trasferire più efficacemente l’energia dalle pareti calde verso il fluido refrigerante.
La NASA ha già utilizzato l’additive manufacturing per costruire camere di combustione in GRCop-42 dotate di circuiti interni complessi.
La produzione additiva risulta particolarmente adatta proprio perché permette di realizzare direttamente i canali di raffreddamento senza dover costruire, lavorare e assemblare numerosi elementi separati.
La caratteristica che rende utile il rame rende anche difficile stamparlo
L’elevata conducibilità termica del GRCop-42 rappresenta però un problema durante la produzione additiva.
Il processo deve generare e mantenere un bagno di fusione sufficientemente stabile.
Il rame tende contemporaneamente a disperdere rapidamente il calore e a riflettere una quota significativa dell’energia di alcuni laser infrarossi.
Ne deriva una situazione poco favorevole: proprio il materiale che dovrebbe assorbire l’energia necessaria alla fusione tende a respingerne una parte e a disperdere rapidamente quella che assorbe.
Una soluzione consiste nell’utilizzare laser di potenza elevata.
Ma questa soluzione aumenta i requisiti della macchina, i consumi energetici e le sollecitazioni sulla componentistica ottica.
È qui che entra in gioco il lavoro realizzato dalla Washington State University.
La ricerca non riguarda il Laser Powder Bed Fusion ma il Directed Energy Deposition
Una distinzione è importante.
GRCop-42 è già stato prodotto con successo mediante Laser Powder Bed Fusion (LPBF) e la NASA ha svolto negli anni un ampio lavoro di qualificazione di questa tecnologia.
Il progetto WSU affronta invece la produzione mediante Laser Directed Energy Deposition, spesso abbreviata in LDED o semplicemente DED.
Nel Powder Bed Fusion il laser fonde selettivamente aree di un sottile strato di polvere distribuito sulla piattaforma.
Nel DED il materiale viene invece alimentato direttamente nella zona nella quale viene creata la pozza di fusione.
Il processo può utilizzare polvere trasportata da un flusso di gas oppure, in altre configurazioni, filo metallico.
Questa tecnica offre vantaggi interessanti per componenti di dimensioni maggiori, deposizione multimateriale, riparazione di parti e aggiunta di geometrie a strutture esistenti.
I parametri che determinano il risultato sono però numerosi e fortemente collegati tra loro.
Potenza laser, velocità e portata della polvere devono lavorare insieme
Un processo DED non viene definito da un singolo valore.
Tra le variabili controllabili figurano:
- potenza del laser;
- velocità di scansione;
- portata della polvere;
- flusso del gas di trasporto.
Una determinata potenza laser può funzionare con una combinazione di velocità e alimentazione e fallire completamente con un’altra.
Se viene fornita troppa energia, il bagno di fusione può diventare instabile.
Se l’energia è insufficiente, la polvere può non fondere correttamente e produrre mancanze di fusione.
Se viene introdotto troppo materiale rispetto all’energia disponibile, la geometria cresce in maniera incontrollata.
Se ne viene introdotto troppo poco, la quantità depositata può non corrispondere al volume programmato.
Il numero di combinazioni cresce quindi rapidamente.
Nel problema definito dai ricercatori WSU, lo spazio di ricerca superava 100 milioni di configurazioni per ciascun livello di potenza.
Provare 100 milioni di configurazioni fisicamente è impossibile
L’approccio classico alla messa a punto di un nuovo materiale prevede una combinazione tra esperienza del tecnico e Design of Experiments.
Vengono scelti alcuni parametri, si produce il campione, lo si esamina e, sulla base del risultato, si decide come modificare la prova successiva.
Il metodo funziona, ma diventa molto costoso quando la regione nella quale il processo produce un risultato valido è estremamente piccola rispetto allo spazio complessivo delle possibilità.
Nel caso studiato dalla Washington State University, gli esperimenti tradizionali avevano già prodotto numerosi insuccessi.
Il gruppo di intelligenza artificiale ha iniziato il proprio lavoro utilizzando i risultati di 37 configurazioni precedentemente sperimentate senza successo.
Questi insuccessi non sono stati considerati dati inutili.
Sono diventati le prime informazioni utilizzate dal modello per comprendere quali regioni dello spazio dei parametri fosse opportuno evitare e quali meritassero ulteriori esperimenti.
BEAM utilizza un modello surrogato per scegliere la prova successiva
Il sistema sviluppato dai ricercatori è stato chiamato Bayesian Experimental design for Additive Manufacturing, BEAM.
L’approccio appartiene alla famiglia dei metodi di progettazione sperimentale adattiva.
Il concetto consiste nel costruire un modello surrogato del processo reale.
Invece di effettuare fisicamente tutte le prove, il modello utilizza i risultati disponibili per stimare la probabilità che configurazioni non ancora testate possano produrre una stampa valida.
Dopo ogni gruppo di esperimenti, le nuove informazioni vengono restituite al sistema.
Il modello viene quindi aggiornato e sceglie una nuova serie di parametri.
Si crea così un ciclo:
modello → scelta dell’esperimento → stampa fisica → verifica → nuovi dati → aggiornamento del modello.
L’intelligenza artificiale non sostituisce quindi l’esperimento fisico.
Decide quali esperimenti vale la pena effettuare.
Esplorare e sfruttare ciò che si è già imparato
Uno dei problemi tipici dei metodi di ottimizzazione è trovare un equilibrio tra due comportamenti.
Il primo consiste nel provare configurazioni vicine a quelle che sembrano già promettenti.
Il secondo consiste nell’esplorare regioni meno conosciute dello spazio dei parametri.
Concentrarsi soltanto sul primo comportamento può portare l’algoritmo a rimanere intrappolato in una piccola zona.
Esplorare continuamente regioni nuove può invece consumare il budget sperimentale senza sfruttare ciò che è stato imparato.
BEAM cerca di bilanciare questi due obiettivi.
Il gruppo aveva inoltre un vincolo particolarmente severo: ogni esperimento reale richiedeva materiale, tempo macchina e successiva analisi del campione.
Ogni prova può costare centinaia di dollari
Il vantaggio dell’AI diventa più chiaro considerando il costo di una singola iterazione.
Il GRCop-42 è un materiale costoso e non basta osservare visivamente la superficie di un campione per stabilire se il processo sia valido.
Dopo la deposizione possono essere necessarie analisi metallografiche, microscopia, diffrazione a raggi X e prove meccaniche.
La letteratura utilizzata dagli stessi ricercatori indica costi dell’ordine di centinaia di dollari per una singola operazione DED, ai quali vanno aggiunti preparazione, post-processing e caratterizzazione.
Alcune analisi possono richiedere giorni o settimane.
Ridurre il numero di prove necessarie diventa quindi economicamente molto più importante rispetto a un normale problema di ottimizzazione software, nel quale milioni di configurazioni possono essere calcolate automaticamente.
Qui ogni punto valutato dal modello deve, prima o poi, trasformarsi in metallo realmente depositato in laboratorio.
Quaranta esperimenti invece di oltre 100 milioni di combinazioni
Il gruppo ha fissato un budget sperimentale molto preciso.
Per ogni livello di potenza sarebbero state effettuate al massimo 10 prove selezionate dall’AI.
I livelli analizzati sono stati:
- 950 W;
- 700 W;
- 600 W;
- 500 W.
Il totale è quindi di appena 40 esperimenti.
Il numero va confrontato con uno spazio contenente più di 100 milioni di possibili configurazioni per livello di potenza.
Il metodo non pretende naturalmente di esplorare matematicamente ogni possibilità.
Cerca invece di individuare rapidamente le piccole regioni nelle quali il processo può funzionare.
Sei configurazioni valide individuate con 40 tentativi
BEAM ha trovato complessivamente sei configurazioni considerate fattibili.
A 950 W è stata individuata una configurazione.
A 700 W ne è stata trovata una.
A 600 W il sistema ne ha individuate tre.
A 500 W è stata trovata un’ulteriore combinazione utilizzabile.
In termini assoluti sei successi su 40 esperimenti possono sembrare pochi.
Nel contesto del problema rappresentano però un risultato significativo perché la maggior parte dello spazio dei parametri conduceva a una deposizione non utilizzabile.
I ricercatori riportano un tasso di scoperta intorno al 13%, superiore a quello ottenuto nel lavoro precedente.
La prova a 950 W ha evidenziato anche un problema con l’ottica
La riduzione della potenza non era soltanto un obiettivo legato ai consumi.
Durante le fasi iniziali era stato individuato un set di parametri a circa 950 W capace di produrre parti solide in GRCop-42.
La forte componente di rame della lega ha però causato problemi legati alla riflessione della radiazione laser.
I ricercatori riportano danni alla componentistica ottica del sistema.
Da quel momento l’obiettivo è diventato trovare parametri capaci di mantenere stabile il processo a potenze inferiori.
Il risultato ottenuto a 500 W è quindi importante anche perché riduce l’energia che deve essere trasferita al materiale e, di conseguenza, l’esposizione della macchina alle condizioni associate alle potenze superiori.
A 700 W è arrivato il primo risultato a bassa potenza
Dopo aver fornito al modello i risultati delle prove precedenti, il gruppo ha chiesto a BEAM di individuare parametri per 700 W.
Una configurazione ha prodotto una struttura utilizzabile.
Gli altri risultati hanno comunque fornito informazioni al modello, mostrando regioni caratterizzate da sovra-deposizione o sotto-deposizione.
Anche gli insuccessi hanno quindi avuto valore.
È uno degli aspetti centrali dell’apprendimento sperimentale: una prova fallita non è necessariamente uno spreco se permette al sistema di migliorare la selezione successiva.
A 600 W il sistema trova tre diverse soluzioni
L’algoritmo è stato quindi portato a 600 W.
Questa fase ha prodotto tre configurazioni valide, il risultato migliore tra i livelli di potenza analizzati.
Alcune geometrie presentavano comunque variazioni dimensionali legate alla velocità di scansione e alla quantità di materiale alimentato.
Il problema evidenzia un’altra distinzione importante.
Una configurazione definita “feasible” non significa automaticamente che sia il parametro industriale definitivo.
Significa che ha superato la soglia necessaria per dimostrare che quella regione può produrre materiale consolidato e merita un’ulteriore fase di ottimizzazione.
Arrivare a 500 W cambia il requisito della macchina
Il passaggio conclusivo ha portato all’individuazione di un set di parametri capace di produrre GRCop-42 a 500 W.
Secondo Jana Doppa, Huie-Rogers Endowed Chair Professor of Computer Science e Berry Distinguished Professor in Engineering alla Washington State University, gran parte dei normali sistemi commerciali non dispone delle potenze elevate utilizzate tradizionalmente per lavorare questa lega.
Doppa stima che circa il 90% delle stampanti commerciali non sia normalmente in grado di lavorare GRCop-42 nelle condizioni tradizionali.
Il risultato non significa che improvvisamente il GRCop-42 possa essere prodotto con qualsiasi stampante 3D metallica da 500 W.
Servono comunque un sistema DED appropriato, corretta gestione della polvere, atmosfera e controllo di processo.
Ma abbassare la soglia energetica amplia significativamente la classe di apparecchiature sulle quali il processo può essere preso in considerazione.
È questo il significato di “democratizzare” utilizzato dai ricercatori
Il termine impiegato dalla Washington State University potrebbe essere interpretato in maniera eccessivamente ampia.
Non significa portare GRCop-42 sulle stampanti desktop.
La “democratizzazione” riguarda l’accesso a un processo industriale avanzato.
Se per lavorare una lega sono necessari sistemi laser ad altissima potenza posseduti soltanto da pochi laboratori specializzati, il numero delle organizzazioni capaci di svolgere ricerca e produzione rimane limitato.
Se una finestra di processo può essere ottenuta con apparecchiature commerciali più diffuse, università, centri di ricerca e imprese di dimensioni inferiori possono entrare nel campo senza acquistare necessariamente sistemi progettati per potenze molto superiori.
L’obiettivo non era soltanto riuscire a depositare il materiale
Il lavoro è stato accompagnato dalla caratterizzazione dei campioni.
I ricercatori hanno analizzato microstruttura, fasi e proprietà meccaniche.
Le condizioni di processo hanno influenzato la distribuzione dei precipitati di Cr₂Nb, elemento importante nel meccanismo di rafforzamento del GRCop-42.
Nei campioni prodotti a 500 W sono stati osservati precipitati piccoli e dispersi.
A 600 W sono comparsi aggregati più grandi, che a un’analisi più approfondita risultavano composti da numerosi precipitati più piccoli.
La variazione mostra perché non sia sufficiente osservare soltanto se il materiale “viene stampato”.
Le condizioni termiche del processo modificano la microstruttura e quindi le proprietà finali.
Resistenza a compressione fino a circa 332 MPa
I campioni sono stati sottoposti anche a prove meccaniche.
Per il set di parametri da 500 W è stato misurato un limite di snervamento a compressione di circa 332 ± 17 MPa.
Le tre configurazioni a 600 W hanno prodotto valori rispettivamente intorno a:
283 ± 12 MPa;
275 ± 30 MPa;
257 ± 31 MPa.
La configurazione a 700 W ha raggiunto circa 295 ± 20 MPa.
Queste differenze dimostrano che trovare una finestra di processo stampabile è soltanto il primo passaggio.
Una successiva ottimizzazione può essere orientata non più alla semplice fattibilità ma a proprietà meccaniche specifiche.
Anche la microdurezza varia con i parametri
Le misurazioni Vickers hanno evidenziato variazioni ulteriori.
A seconda delle condizioni considerate, i valori sono risultati compresi approssimativamente tra 71 e 142 HV0.2.
Il comportamento della durezza non segue perfettamente quello osservato nelle prove di compressione.
È un risultato utile perché mostra ancora una volta la complessità del rapporto tra parametri DED, storia termica, microstruttura e proprietà del materiale.
Un futuro sistema AI potrebbe quindi non limitarsi a chiedere “questa configurazione stampa oppure no?”.
Potrebbe cercare direttamente parametri capaci di massimizzare determinati valori di resistenza, durezza o conducibilità termica.
L’AI utilizzata qui non è un modello generativo
Il termine intelligenza artificiale può far pensare immediatamente ai grandi modelli linguistici.
Il progetto della Washington State University utilizza invece una forma molto diversa di AI.
BEAM non genera immagini né interpreta comandi in linguaggio naturale.
È uno strumento di experimental design e apprendimento da dati limitati, pensato per scegliere il prossimo esperimento in presenza di un numero enorme di possibilità.
È proprio questo tipo di problema a essere frequente nella ricerca sui materiali.
Gli esperimenti fisici sono costosi e i dati disponibili inizialmente sono pochi.
Un algoritmo utile deve quindi imparare da poche osservazioni e contemporaneamente gestire l’incertezza.
Dall’ottimizzazione di processo alla scoperta scientifica
Il gruppo ritiene che l’approccio possa essere trasferito ad altri materiali e processi di additive manufacturing.
Ogni nuova combinazione tra lega e tecnologia richiede infatti una finestra di processo.
Passare da una macchina all’altra, cambiare granulometria della polvere o modificare la geometria del sistema di deposizione può richiedere una nuova fase di qualificazione.
Se l’intelligenza artificiale permette di ridurre il numero di esperimenti necessari, il tempo necessario a introdurre un nuovo materiale può diminuire.
Il principio non è limitato alla stampa 3D.
Problemi analoghi esistono nella chimica, nello sviluppo di farmaci, nella ricerca di nuovi materiali e in molti settori nei quali il numero delle possibili combinazioni è enorme ma ogni test fisico ha un costo elevato.
Washington State University mette insieme informatica e scienza dei materiali
Un aspetto determinante del progetto è la composizione multidisciplinare del gruppo.
Il lavoro coinvolge la School of Electrical Engineering and Computer Science della Washington State University e la School of Mechanical and Materials Engineering dello stesso ateneo.
Al progetto ha collaborato inoltre Aryan Deshwal della University of Minnesota Twin Cities.
La prima autrice del paper sull’algoritmo è Azza Fadhel, dottoranda in Computer Science alla WSU.
Il gruppo comprende inoltre Nathaniel W. Zuckschwerdt, Susmita Bose, Amit Bandyopadhyay e Jana Doppa.
Questa combinazione è essenziale.
Il modello AI deve conoscere quali configurazioni matematicamente possibili sono fisicamente prive di senso.
Per esempio, alcune combinazioni tra flusso del gas e portata della polvere devono essere escluse perché possono provocare problemi nel sistema di alimentazione.
L’esperienza dei ricercatori di additive manufacturing viene quindi utilizzata per restringere lo spazio nel quale l’algoritmo può operare.
Il lavoro ha ricevuto un premio all’AAAI 2026
La metodologia è stata presentata nel paper “Discovery of Feasible 3D Printing Configurations for Metal Alloys via AI-Driven Adaptive Experimental Design”, pubblicato nei Proceedings della AAAI Conference on Artificial Intelligence.
Il lavoro ha ricevuto l’Innovative Deployed Application Award nell’ambito dell’IAAI 2026.
Una seconda pubblicazione, apparsa sulla rivista Virtual and Physical Prototyping, approfondisce invece gli aspetti di produzione e caratterizzazione del GRCop-42 e descrive in dettaglio l’impiego di BEAM nel processo DED.
La presenza di due lavori complementari è significativa: uno affronta principalmente il problema dal punto di vista dell’intelligenza artificiale, l’altro da quello dell’additive manufacturing e della scienza dei materiali.
Non ci sono aziende commerciali coinvolte direttamente nello studio
A differenza di molti progetti di additive manufacturing industriale, le pubblicazioni e la comunicazione della Washington State University non indicano un’azienda privata come partner del lavoro.
I soggetti esplicitamente coinvolti sono Washington State University, University of Minnesota Twin Cities e, come sviluppatore originario della lega GRCop-42, la NASA.
Il sistema utilizzato viene descritto come una piattaforma DED commerciale, ma nei materiali principali dello studio non viene attribuito a un produttore specifico. Non è quindi opportuno associare arbitrariamente la ricerca a un’azienda di macchine AM.
Da mesi di tentativi a una campagna sperimentale di tre mesi
Secondo la Washington State University, prima dell’introduzione del metodo AI i ricercatori avevano lavorato per mesi senza riuscire a individuare parametri soddisfacenti alle condizioni desiderate.
La campagna BEAM è stata completata nell’arco di circa tre mesi.
Il risparmio più importante deriva però dal numero degli esperimenti evitati.
L’algoritmo non ha trasformato un processo fisico in un calcolo istantaneo.
Ogni configurazione suggerita ha continuato a richiedere deposizione, preparazione e analisi.
Ha semplicemente utilizzato meglio un budget sperimentale molto limitato.
Una possibile nuova funzione dell’intelligenza artificiale nella fabbrica additiva
Il lavoro sul GRCop-42 mostra una delle applicazioni dell’AI probabilmente più concrete per l’additive manufacturing industriale.
Le macchine AM producono un numero enorme di parametri e dati, ma la qualificazione di un materiale continua spesso a richiedere lunghe campagne sperimentali.
L’intelligenza artificiale può diventare uno strumento per stabilire quali prove effettuare e quali evitare.
Il risultato potrebbe essere particolarmente utile con materiali costosi, processi energeticamente intensivi e apparecchiature nelle quali ogni ora macchina ha un valore elevato.
La prospettiva non è quindi eliminare l’esperto di materiali.
Al contrario, il sistema funziona proprio perché combina conoscenze del dominio, dati sperimentali e selezione algoritmica.
Il risultato a 500 W è un punto di partenza, non la qualificazione di un processo industriale
È importante anche definire ciò che lo studio non dimostra.
I ricercatori hanno individuato configurazioni che permettono di produrre con successo campioni GRCop-42 attraverso il loro sistema DED.
Questo non equivale automaticamente alla qualificazione di un processo per produrre componenti critici destinati a un motore spaziale.
Per arrivare a quel livello sarebbero necessari ulteriori studi su ripetibilità, densità, porosità, proprietà termiche, proprietà meccaniche in diverse direzioni, fatica, comportamento alle alte temperature e stabilità tra lotti differenti.
Il valore della ricerca si trova a monte.
Il gruppo ha dimostrato che un algoritmo può trovare rapidamente regioni promettenti in uno spazio sperimentale enorme nel quale la ricerca manuale aveva prodotto soprattutto insuccessi.
Un modello che può accelerare l’introduzione di nuove leghe nella stampa 3D
L’interesse del lavoro va quindi oltre il GRCop-42.
Uno dei limiti dell’additive manufacturing metallico è il tempo richiesto per sviluppare parametri affidabili per ogni materiale.
La disponibilità di una nuova lega in polvere non significa automaticamente che possa essere caricata in una macchina e stampata.
È necessario definire una finestra di processo.
Con oltre 100 milioni di combinazioni teoriche, cercarla attraverso tentativi manuali può essere estremamente inefficiente.
BEAM affronta precisamente questo problema.
Partendo anche da risultati negativi, costruisce progressivamente una rappresentazione del processo e concentra le risorse sperimentali sulle configurazioni con il maggiore valore informativo.
Nel caso del GRCop-42, 40 prove guidate dall’AI hanno portato a sei configurazioni fattibili, inclusa quella da 500 W.
Il risultato della Washington State University non consiste quindi semplicemente nell’aver utilizzato l’intelligenza artificiale insieme a una stampante 3D.
Mostra un modello nel quale l’AI diventa parte del laboratorio, decide quali esperimenti fisici meritano di essere eseguiti e utilizza ogni successo e ogni fallimento per scegliere meglio la prova successiva.
Per materiali complessi e costosi come il GRCop-42 sviluppato dalla NASA, questa capacità potrebbe ridurre una delle barriere più importanti alla diffusione della produzione additiva: il tempo e il costo necessari per capire come stampare correttamente un materiale prima ancora di poter iniziare a produrre il componente finale.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)
