PLA e TPU a strati alternati: 40,8 MPa di resistenza, ma i dati non bastano ancora per validare il modello AI

Alternare direttamente strati di PLA rigido e TPU flessibile potrebbe essere un modo relativamente semplice per ottenere componenti FFF con un comportamento meccanico intermedio senza produrre un nuovo filamento composito. Un gruppo del Chaitanya Bharathi Institute of Technology di Hyderabad ha sperimentato questa strategia utilizzando una stampante a doppio estrusore, costruendo provini con PLA e TPU in rapporto 1:1 e modificando cinque parametri di processo. La configurazione migliore ha raggiunto una resistenza a trazione di 40,795 MPa e un modulo di Young di 1,188 GPa. Il lavoro diventa però più controverso nella seconda parte, dove gli autori utilizzano gli 81 test meccanici per addestrare algoritmi di machine learning e ottengono con XGBoost coefficienti R² di 0,9988 per la resistenza a trazione e 0,9971 per il modulo elastico. Valori quasi perfetti, che sembrerebbero indicare una capacità predittiva eccezionale ma che devono essere interpretati con molta prudenza: i dati provengono infatti da appena 27 combinazioni realmente differenti di parametri, ripetute tre volte ciascuna. Se le repliche della stessa configurazione sono state distribuite casualmente fra training e test set, il modello potrebbe avere previsto campioni quasi identici a quelli già incontrati durante l’addestramento.

Il lavoro, pubblicato nell’agosto 2026 sulla SSRG International Journal of Mechanical Engineering, è quindi interessante soprattutto per due ragioni differenti. Da un lato fornisce un ulteriore set sperimentale sul comportamento di strutture PLA/TPU stratificate; dall’altro rappresenta un buon esempio di quanto sia facile ottenere metriche di machine learning apparentemente straordinarie da dataset sperimentali piccoli e fortemente strutturati. Il risultato fisico — 40,8 MPa con determinati parametri — merita attenzione. L’affermazione implicita che un modello AI sappia già prevedere con precisione quasi assoluta il comportamento del materiale richiede invece dataset molto più ampi e soprattutto una validazione costruita su configurazioni realmente mai viste.

L’idea di base è semplice: non miscelare PLA e TPU, ma alternarli

PLA e TPU vengono spesso utilizzati insieme proprio perché rappresentano due estremi molto differenti del comportamento dei polimeri FFF.

Il PLA offre:

• elevata rigidezza;
• buona precisione dimensionale;
• facilità di stampa;
• resistenza a trazione relativamente elevata.

Il suo limite principale è la ridotta deformazione prima della rottura. Una parte può essere rigida e apparentemente resistente, ma assorbire relativamente poca energia prima di fratturarsi.

Il TPU si trova all’estremo opposto:

• elevata elasticità;
• grande deformabilità;
• buona resistenza all’abrasione;
• capacità di assorbire urti ed energia.

Il prezzo da pagare è una rigidezza molto inferiore.

Da qui nasce l’idea:

PLA → struttura

TPU → deformabilità

PLA + TPU → comportamento intermedio programmabile.

La soluzione più ovvia sembrerebbe miscelare i due materiali producendo un unico filamento. Ma una miscela polimerica introduce immediatamente altri problemi: compatibilità chimica, dispersione delle fasi, estrusione del filamento, stabilità dimensionale e variazione delle proprietà in funzione della percentuale dei due componenti.

La strategia studiata dai ricercatori indiani è molto più diretta: mantenere PLA e TPU separati e alternarli durante la costruzione del pezzo.

Non è un blend: è un laminato prodotto direttamente dalla stampante

La distinzione è fondamentale.

In un blend PLA/TPU, le due fasi sono mescolate prima della stampa.

In questo caso rimangono geometricamente distinte.

La struttura può essere immaginata in forma semplificata come:

PLA

TPU

PLA

TPU

PLA

TPU

fino al completamento del provino.

Il rapporto utilizzato dallo studio è 1:1.

Questo significa che il comportamento finale non dipende soltanto dalle proprietà intrinseche di PLA e TPU, ma anche dalla capacità di trasferire il carico attraverso ogni interfaccia.

Ed è proprio qui che si trova il problema principale.

PLA e TPU non aderiscono naturalmente in modo ideale

Il fatto che entrambi siano termoplastici non significa che formino automaticamente una buona interfaccia.

PLA e TPU differiscono per:

• chimica;
• polarità;
• rigidità;
• viscosità;
• temperatura di processo;
• coefficiente di dilatazione;
• comportamento durante il raffreddamento.

Quando il TPU viene depositato sopra il PLA, o viceversa, il nuovo materiale deve aderire a una superficie già parzialmente raffreddata.

La qualità finale dell’interfaccia dipende quindi da una combinazione di:

temperatura + pressione di deposizione + area di contatto + tempo + geometria del filamento.

Se il legame è insufficiente, il componente può delaminare lungo il confine PLA/TPU molto prima che uno dei due materiali raggiunga la propria resistenza intrinseca.

La ricerca recente sul multimateriale FFF identifica infatti proprio l’adesione interfaciale come uno dei principali limiti delle coppie rigido–flessibili.

Lo studio utilizza una AKAR 600 PRO a doppio estrusore

I ricercatori hanno realizzato i provini utilizzando una AKAR 600 PRO, una macchina FDM dotata di doppio estrusore e di un volume dichiarato di 600 × 600 × 620 mm.

La doppia estrusione è essenziale perché consente di mantenere:

• PLA in un hotend;
• TPU nell’altro.

Non è quindi necessario:

• cambiare manualmente filamento;
• fondere i materiali prima della stampa;
• realizzare un filamento composito.

I campioni sono stati progettati secondo la geometria ASTM D638 per le prove di trazione.

Tre campioni sono stati prodotti per ciascuna configurazione sperimentale.

Il piano Taguchi L27 varia cinque parametri

Gli autori hanno utilizzato un Taguchi L27 orthogonal array.

Cinque parametri sono stati studiati a tre livelli ciascuno.

Un esperimento full-factorial avrebbe richiesto:

3⁵ = 243 combinazioni.

Il Taguchi L27 riduce drasticamente il numero delle configurazioni a 27, cercando comunque di distribuire in maniera sistematica i livelli dei parametri.

Ogni configurazione è stata ripetuta tre volte.

Il totale diventa quindi:

27 condizioni × 3 provini = 81 prove di trazione.

È un piano ragionevole per un esperimento di ottimizzazione.

Diventa però molto meno ampio quando lo stesso insieme viene presentato come dataset di machine learning.

La resistenza varia da circa 31 a quasi 41 MPa

I valori ottenuti mostrano una variazione significativa.

La resistenza a trazione più bassa riportata è nell’ordine dei 31 MPa.

La migliore configurazione raggiunge:

40,795 ± 1,223 MPa.

Il modulo elastico varia approssimativamente tra:

0,888 GPa

e

1,188 GPa.

La configurazione migliore per entrambe le proprietà è la Run 21:

Non è particolarmente sorprendente che questa combinazione produca buoni risultati.

Quasi tutti i parametri favoriscono il bonding.

Lo strato più sottile produce più interfacce, ma potenzialmente migliora il contatto

La layer height più bassa analizzata è 0,18 mm.

Passare da 0,30 a 0,18 mm significa aumentare significativamente il numero di layer necessari.

A prima vista potrebbe sembrare negativo, perché ogni layer costituisce una potenziale interfaccia debole.

Ma un filamento estruso con altezza inferiore viene maggiormente schiacciato.

Questo può:

• aumentare l’area di contatto;
• diminuire i vuoti;
• favorire la diffusione molecolare;
• migliorare la continuità tra raster.

La letteratura sull’adesione PLA/TPU conferma questa tendenza: layer height inferiori possono migliorare il contatto e ridurre la porosità all’interfaccia.

45 mm/s funziona meglio di 55 mm/s

La velocità più bassa analizzata, 45 mm/s, compare nella configurazione ottimale.

Anche questo risultato è plausibile.

A velocità più bassa:

• il materiale trascorre più tempo nella melt zone;
• il flusso tende a essere più stabile;
• la superficie sottostante riceve più energia;
• il nuovo filamento può bagnare meglio quello precedente.

Aumentando la velocità, il materiale viene depositato più rapidamente e può diminuire il tempo utile per ottenere un buon contatto termico.

Questo non significa che 45 mm/s sia universalmente la velocità ideale per PLA/TPU.

Il risultato vale per:

• quei filamenti;
• quella macchina;
• quelle temperature;
• quella geometria.

Una stampante con hotend e flow rate differenti potrebbe avere un optimum completamente diverso.

Le temperature più alte migliorano il risultato, ma esiste un limite

La configurazione migliore utilizza:

TPU 240 °C

e

PLA 230 °C.

Sono i valori più elevati del range testato.

La spiegazione è semplice.

Una superficie più calda permette maggiore mobilità delle catene polimeriche e può migliorare:

• wetting;
• diffusione;
• contatto.

Il problema è che non si può continuare ad aumentare indefinitamente la temperatura.

Con temperature troppo alte possono comparire:

• degradazione termica;
• stringing;
• ooze;
• perdita di precisione;
• variazione della viscosità;
• alterazione del PLA.

La ricerca sull’adesione multimateriale suggerisce infatti che la gestione termica debba essere considerata come una finestra, non come una regola “più caldo è sempre meglio”.

Quattro pareti aumentano il contributo strutturale della shell

Il migliore risultato arriva con quattro shell layers.

La spiegazione è particolarmente importante per interpretare il test.

Nei provini a trazione FFF, le pareti longitudinali possono sostenere una quota elevata del carico.

Aumentare da due a quattro pareti significa quindi modificare non soltanto la qualità interlayer ma anche la quantità di materiale orientato favorevolmente rispetto alla direzione di carico.

In altre parole:

parte del miglioramento potrebbe derivare dall’architettura del provino e non soltanto dall’adesione PLA/TPU.

Questa distinzione diventa importante se si vuole utilizzare il risultato per progettare un componente reale.

La bed temperature risulta meno determinante

I ricercatori osservano un effetto minore della temperatura del piano sulle proprietà finali.

È un risultato ragionevole.

Il bed influenza soprattutto:

• adesione del primo layer;
• deformazione globale;
• warping.

Man mano che il componente cresce, il suo effetto diretto sulle interfacce superiori diminuisce.

La temperatura della nozzle e la geometria del layer hanno quindi un ruolo molto più diretto sul legame PLA/TPU.

40,8 MPa sono buoni, ma con cosa vanno confrontati?

Qui appare uno dei principali limiti del lavoro.

Lo studio non include nella stessa campagna una caratterizzazione completa di riferimento di:

PLA puro

e

TPU puro

stampati con condizioni equivalenti.

Questo rende difficile quantificare quanto il laminato 1:1 abbia realmente ottenuto il comportamento desiderato.

Un valore di 40,8 MPa può sembrare elevato rispetto al TPU, ma generalmente rimane inferiore a quello ottenibile con molte formulazioni PLA ben stampate.

Il valore del composito dovrebbe però essere valutato non soltanto sulla resistenza massima.

La domanda è:

quanto della duttilità del TPU è stata mantenuta?

Ed è proprio il dato che manca.

Lo studio misura resistenza e modulo, ma non pubblica l’elongazione at break come output principale

Questo è forse il limite meccanico più importante.

Gli autori spiegano di voler ottenere una combinazione fra:

• forza del PLA;
• duttilità del TPU.

Ma le due grandezze analizzate dal modello sono:

tensile strength

e

Young’s modulus.

Non viene sviluppata allo stesso livello l’analisi di:

• elongation at break;
• toughness;
• energia assorbita.

Questo rende difficile verificare l’obiettivo principale del materiale.

Immaginiamo due campioni:

Campione A → 40 MPa e rottura al 3%

Campione B → 35 MPa e rottura al 50%.

Se l’obiettivo è un sistema rigido-flessibile, il secondo potrebbe essere molto più interessante nonostante una resistenza massima inferiore.

Guardare soltanto tensile strength e modulo nasconde questa informazione.

Uno studio del 2025 offre proprio questo confronto

Una ricerca pubblicata da Akeeb Ruwais, Nida Naveed e Mark Armstrong ha studiato direttamente laminati PLA–TPU realizzati con FDM multimateriale.

In quel lavoro sono stati prima caratterizzati:

• PLA puro;
• TPU puro.

Sono state poi analizzate sei architetture laminate differenti.

La configurazione PLA-rich più promettente raggiungeva:

UTS media = 33,5 MPa

con

elongazione = 7,7%.

Le configurazioni più ricche di TPU raggiungevano invece deformazioni fino a circa 298%, con resistenza inferiore nell’ordine di 12–14 MPa.

Questo tipo di dataset mostra molto meglio il compromesso fondamentale.

Non esiste quindi necessariamente una configurazione “migliore”.

Esiste una configurazione migliore per una determinata funzione.

La dichiarazione di novità assoluta va quindi ridimensionata

Il paper del Chaitanya Bharathi Institute afferma che studi strutturati su TPU e PLA in strati alternati non erano stati condotti.

La formulazione è difficile da sostenere in modo assoluto.

Alla fine del 2025 era già stato pubblicato il lavoro dell’University of Sunderland specificamente intitolato “Mechanical Performance of Layered PLA–TPU Composites Using Multi-Material Additive Manufacturing”, nel quale venivano analizzate sei architetture laminate PLA/TPU.

Nel 2026 altri studi hanno inoltre esaminato:

• bonding interlaminare;
• alternate deposition;
• orientamento dell’interfaccia;
• mechanical interlocking.

Il contributo del nuovo lavoro va quindi definito in maniera più specifica:

applicazione di un Taguchi L27 a una configurazione alternata 1:1 e confronto di più algoritmi ML per prevedere tensile strength e Young’s modulus.

Questa è una novità molto più difendibile rispetto all’idea che nessuno avesse mai studiato laminati PLA/TPU alternati.

Il problema più difficile rimane comunque l’interfaccia

Una ricerca del 2025 dedicata specificamente all’adesione PLA–TPU mostra quanto il problema sia complesso.

I ricercatori hanno variato:

• layer height;
• line width;
• temperatura all’interfaccia.

Il risultato principale è che:

layer più bassi + line width più elevate

tendono a migliorare il contatto.

Applicare un gradiente termico durante la deposizione può inoltre aumentare la consistenza del bonding.

La ricerca evidenzia però anche un problema metodologico interessante: durante alcune prove, il TPU si deformava così tanto che il test non caricava l’interfaccia nel modo desiderato.

Questo dimostra quanto sia difficile misurare correttamente un sistema formato da un materiale molto rigido e uno molto deformabile.

PLA e TPU non rappresentano semplicemente due valori intermedi da mediare

Se PLA possiede modulo nell’ordine dei gigapascal e TPU nell’ordine delle decine di megapascal, la differenza di rigidezza può essere enorme.

Quando un laminato viene caricato:

• PLA porta inizialmente gran parte del carico;
• TPU si deforma;
• l’interfaccia trasferisce stress;
• possono comparire concentrazioni locali;
• possono iniziare delaminazioni.

Il comportamento finale è quindi fortemente non lineare.

Non è sufficiente calcolare:

50% proprietà PLA + 50% proprietà TPU.

L’architettura conta.

Anche l’orientamento dell’interfaccia può cambiare il risultato di ordini di grandezza

Uno studio pubblicato nel marzo 2026 su npj Advanced Manufacturing ha analizzato proprio PLA e TPU mostrando quanto il design dell’interfaccia possa essere determinante.

Spostando l’interfaccia dalla configurazione “flat” a quella “on edge”, i ricercatori hanno ottenuto un aumento dell’area di contatto del 96% già nella configurazione priva di interlocking.

Con interfacce meccanicamente progettate sono stati riportati miglioramenti fino a:

+389% nella toughness interfaciale rispetto alla stessa configurazione orientata flat;

e in specifici confronti fino a:

19× toughness

e

17× crack initiation force

rispetto a interfacce pristine.

Questi risultati mostrano perché il semplice alternare layer rappresenti soltanto uno dei primi livelli di progettazione multimateriale.

La prossima evoluzione non sarà necessariamente PLA/TPU/PLA/TPU

Potrebbe essere qualcosa di molto più sofisticato:

PLA dove serve rigidezza

TPU dove serve deformazione

interlocking nelle zone di transizione

gradiente di geometria invece di gradiente di composizione.

Con una stampante multi-tool moderna, la distribuzione del materiale potrebbe essere guidata direttamente dai carichi.

Il slicer potrebbe decidere dove:

• mantenere PLA;
• aggiungere TPU;
• aumentare overlap;
• costruire interfacce dentate;
• variare infill.

Il laminato uniforme 1:1 diventa quindi soprattutto un modello sperimentale semplice.

Lo studio utilizza machine learning per prevedere le proprietà

La seconda metà del lavoro passa dall’ingegneria dei materiali alla modellazione dei dati.

Sono stati utilizzati cinque algoritmi:

• Linear Regression;
• Random Forest;
• Support Vector Machine;
• AdaBoost;
• XGBoost.

Gli input sono i cinque parametri di stampa:

LT → layer thickness

PS → print speed

NT → nozzle temperature

SL → shell layers

BT → bed temperature.

Gli output sono:

TES → tensile strength

e

EM → Young’s modulus.

Secondo gli autori il dataset contiene 81 record, perché le 27 configurazioni sono state ripetute tre volte.

Il dataset è stato diviso:

80% training

20% test.

XGBoost produce risultati quasi perfetti

I coefficienti R² riportati sono:

Un R² di 0,9988 significa che, nel test utilizzato dagli autori, il modello spiega quasi tutta la variabilità della resistenza.

È un risultato eccezionalmente elevato.

Forse troppo elevato per essere immediatamente interpretato come capacità di generalizzazione.

81 campioni non significano 81 esperimenti indipendenti

Questo è il punto centrale evidenziato anche da Fabbaloo.

Dal punto di vista statistico i dati contengono:

27 ricette

e

3 repliche per ricetta.

Supponiamo che la configurazione 21 produca:

• 39,6 MPa;
• 40,8 MPa;
• 42,0 MPa.

Se due di questi campioni finiscono nel training set e il terzo nel test set, al modello non viene chiesto realmente:

“prevedi una configurazione mai vista.”

Gli viene chiesto:

“prevedi la terza misura di una configurazione di cui hai già visto due misure quasi identiche.”

È un problema completamente diverso.

Il paper afferma di avere utilizzato una separazione indipendente per evitare leakage, ma non descrive un group split per configurazione

Gli autori specificano di aver usato una divisione 80/20 con train_test_split di scikit-learn e random state 100.

Questo mostra attenzione alla separazione training/test.

Non viene però documentato nel dettaglio un procedimento del tipo:

GroupShuffleSplit con Experimental Run come gruppo.

Se lo split è stato effettuato direttamente sulle 81 righe, la funzione standard può distribuire repliche della stessa run fra training e test.

Non è possibile stabilire dalle informazioni pubblicate che ciò sia certamente avvenuto.

Ma finché non viene mostrato uno split a livello di configurazione, il rischio esiste.

È quindi più corretto dire:

i valori R² descrivono molto bene il dataset utilizzato, ma non dimostrano ancora che XGBoost possa prevedere nuove ricette di stampa con precisione superiore al 99%.

Un test più severo dovrebbe nascondere intere configurazioni

Il procedimento corretto per testare la generalizzazione sarebbe:

1. raggruppare i tre campioni di ciascuna run;
2. mantenere tutte le repliche dello stesso gruppo insieme;
3. lasciare alcune delle 27 combinazioni completamente fuori dal training;
4. chiedere al modello di predirle.

Ancora meglio:

leave-one-condition-out cross-validation.

Per ogni ciclo:

• 26 condizioni → training;
• 1 condizione → test.

Ripetuto 27 volte.

Questo mostrerebbe se l’algoritmo ha realmente imparato le relazioni fra:

• layer;
• temperatura;
• velocità;
• pareti;
• bed.

Il passo successivo dovrebbe essere ancora più difficile: testare valori intermedi

Il vero valore ingegneristico del machine learning sarebbe prevedere qualcosa che il Taguchi design non contiene.

Per esempio:

layer 0,20 mm

speed 48 mm/s

TPU 238 °C

PLA 228 °C

3 pareti

bed 57 °C.

Se il modello predicesse correttamente quel risultato, inizierebbe a dimostrare capacità di interpolazione.

Ancora più interessante sarebbe verificare punti vicini ai limiti del dominio sperimentale.

Non bisogna confondere interpolazione ed extrapolazione

Un modello addestrato su:

45–55 mm/s

non è necessariamente affidabile a:

100 mm/s.

Un modello addestrato su:

0,18–0,30 mm

non è automaticamente valido a:

0,10 mm.

Il machine learning non elimina la necessità di delimitare la design space.

Per un processo industriale, questa distinzione è essenziale.

La Linear Regression ottiene già un R² sorprendentemente alto

Un altro dettaglio merita attenzione.

Anche il semplice modello lineare raggiunge:

0,9945 sulla tensile strength.

Se questi valori fossero realmente ottenuti su configurazioni completamente indipendenti, significherebbe che il problema è quasi perfettamente prevedibile anche con una relazione relativamente semplice.

Questo rende ancora più importante capire la struttura dello split.

Non serve necessariamente XGBoost se una regressione lineare riesce già a spiegare il 99,45% della variabilità.

La differenza tra modelli diventa molto più interessante soltanto quando vengono messi davanti a dati realmente nuovi.

La SVM sul modulo crolla invece a 0,5781

È forse il risultato più utile dell’intera tabella ML.

La Support Vector Machine utilizzata dagli autori funziona relativamente bene sulla resistenza:

R² = 0,9825.

Sul modulo:

R² = 0,5781.

Questo mostra che la scelta del modello e della sua configurazione conta enormemente.

Lo studio utilizza una SVM con kernel lineare, scelta che può essere poco adatta a relazioni non lineari complesse.

La bassa performance non dimostra quindi che “SVM non funziona” sul FDM.

Dimostra che quella configurazione SVM su quel dataset ha fornito risultati inferiori.

Il dataset è piccolo anche per interpretare davvero le interazioni

Cinque input possono sembrare pochi.

Ma già con cinque parametri esistono:

• effetti principali;
• interazioni a due fattori;
• interazioni a tre fattori.

Per esempio:

la temperatura migliore può dipendere dalla velocità;

la velocità migliore può dipendere dal layer;

il numero di pareti può cambiare l’importanza del bonding interno.

Con appena 27 condizioni è difficile esplorare tutte queste relazioni senza rischiare di adattare il modello troppo precisamente ai dati disponibili.

Il vero potenziale dell’AI emerge quando il dataset diventa molto più grande

Immaginiamo una farm di stampanti che registri automaticamente:

• materiale;
• lotto;
• umidità;
• temperatura ambiente;
• nozzle temperature;
• bed temperature;
• chamber temperature;
• velocità;
• flow;
• layer;
• pressure advance;
• accelerazione.

A questi dati si potrebbero associare migliaia di test meccanici.

A quel punto un algoritmo potrebbe realmente identificare relazioni difficili da cogliere attraverso un tradizionale DOE.

Con 27 configurazioni, il machine learning rimane principalmente uno strumento esplorativo.

Mancano inoltre variabili che potrebbero essere molto importanti

Il modello non considera direttamente:

• marca e formulazione del PLA;
• Shore hardness del TPU;
• umidità del TPU;
• umidità del PLA;
• temperatura ambiente;
• orientamento di stampa;
• raster angle;
• infill;
• nozzle diameter;
• cooling fan;
• tempo trascorso fra deposizione PLA e TPU.

Nel multimateriale, alcuni di questi parametri possono essere decisivi.

Il TPU, in particolare, tende a essere igroscopico.

Un filamento più umido può cambiare:

• flow;
• porosità;
• superficie;
• adesione.

Un modello che ignora questa variabile può funzionare molto bene in laboratorio ma perdere accuratezza quando viene trasferito a un’altra macchina.

L’orientamento di stampa merita un esperimento specifico

La ricerca Nature del 2026 mostra che orientare diversamente l’interfaccia può aumentare enormemente la resistenza alla delaminazione.

Questo significa che l’orientamento potrebbe avere un impatto superiore a variazioni di:

• 5 °C;
• 5 mm/s;
• 0,045 mm di layer.

Uno studio futuro dovrebbe quindi includere almeno:

flat

on-edge

vertical

e magari diversi raster angle.

Solo allora sarebbe possibile capire come la coppia PLA/TPU si comporti in uno spazio progettuale realmente tridimensionale.

La fatica è probabilmente ancora più importante della resistenza statica

Se si vuole utilizzare PLA + TPU per:

• cerniere;
• wearable;
• protezioni;
• ammortizzatori;
• soft robotics,

il componente sarà probabilmente sottoposto a cicli ripetuti.

Una interfaccia può sopportare bene una singola prova a trazione e poi degradarsi dopo:

100

1.000

100.000 cicli.

La differenza di rigidezza fra PLA e TPU concentra deformazione proprio vicino al confine.

Per questo la fatica interfaciale potrebbe essere una proprietà più importante della sola UTS.

Lo studio attuale non la misura.

Manca anche una caratterizzazione dell’impatto

Uno dei motivi per aggiungere TPU al PLA è aumentare la capacità di assorbire energia.

La prova naturale sarebbe quindi:

• Charpy;
• Izod;
• drop-weight.

Senza questo dato non sappiamo se la configurazione 1:1:

assorba realmente meglio un urto

oppure

mantenga soprattutto un valore intermedio di rigidezza.

Anche qui la combinazione che massimizza la tensile strength potrebbe non essere quella migliore.

La microscopia dell’interfaccia aiuterebbe a capire il meccanismo

Il lavoro attribuisce il miglioramento del layer sottile alla riduzione dei vuoti e all’aumento del bonding.

È una spiegazione ragionevole.

Ma per verificarla direttamente servirebbero:

• optical microscopy;
• SEM;
• micro-CT.

Si potrebbero misurare:

void fraction

contact area

delamination path.

In questo modo il modello ML potrebbe essere collegato non soltanto a una correlazione numerica, ma anche a una spiegazione fisica.

Il risultato più importante resta comunque pratico: la strategia è estremamente semplice

Nonostante tutti questi limiti, il concetto è interessante proprio perché non richiede una tecnologia esotica.

Servono:

• PLA;
• TPU;
• una stampante dual-tool/dual-nozzle;
• uno slicer capace di assegnare materiali differenti ai layer.

Non servono:

• compatibilizzanti chimici;
• estrusori per produrre filamento;
• blending;
• compounding.

Questo rende il metodo molto accessibile.

Le stampanti multi-tool moderne possono rendere l’approccio ancora più facile

L’arrivo di sistemi con:

• IDEX;
• toolchanger;
• hotend indipendenti

rende oggi molto più semplice utilizzare PLA e TPU nello stesso job.

È importante soprattutto con TPU.

Un feeder remoto progettato per cambiare automaticamente decine di filamenti può avere difficoltà con materiali flessibili.

Una testina dedicata consente invece:

• percorso corto;
• temperatura dedicata;
• flow indipendente.

Il tipo di ricerca presentato nello studio potrebbe quindi diventare molto più rilevante con la nuova generazione di stampanti multimateriale.

La stratificazione uniforme è però soltanto l’inizio

Un componente reale potrebbe non aver bisogno del TPU in ogni secondo layer.

Si potrebbe progettare:

zona A → PLA puro

zona B → alternanza PLA/TPU

zona C → TPU puro.

Oppure utilizzare TPU soltanto:

• vicino a fori;
• nelle zone di impatto;
• presso le cerniere;
• alle interfacce di contatto.

Questo trasformerebbe il materiale in una sorta di composito digitale.

Le proprietà non sarebbero determinate soltanto dal filamento acquistato, ma direttamente dal file CAD e dal toolpath.

È qui che il machine learning potrebbe realmente diventare utile

Un algoritmo potrebbe ricevere come target:

modulo desiderato = 800 MPa

elongazione minima = 20%

resistenza > 30 MPa

e suggerire:

• rapporto PLA/TPU;
• sequenza;
• layer;
• temperature;
• velocità.

Questa sarebbe una vera forma di inverse design.

Ma per arrivarci servono dati che coprano:

• più rapporti;
• più orientamenti;
• più geometrie;
• più lotti;
• più materiali.

Il lavoro di Hyderabad può essere interpretato come un primo dataset, non come la soluzione finale.

La ricerca più recente va già verso strutture più sofisticate

Un lavoro su Materials & Design del 2026 ha studiato anch’esso strutture TPU–PLA realizzate mediante dual-nozzle FDM e alternating layers, analizzando non solo trazione ma anche:

• comportamento termico;
• hardness;
• infill pattern.

In quel caso la struttura a 3D honeycomb è risultata particolarmente favorevole per le applicazioni di trazione, mentre rectilinear e tri-hexagon hanno prodotto i valori Shore D più elevati.

Questo mostra una progressione naturale:

fase 1 → alternare materiali

fase 2 → variare parametri

fase 3 → variare architettura interna

fase 4 → ottimizzare tutto simultaneamente.

Perché allora lo studio rimane interessante?

Perché quantifica chiaramente quanto i parametri FFF possano cambiare il comportamento anche mantenendo fissi:

• materiali;
• rapporto PLA/TPU;
• geometria generale.

Nello stesso sistema 1:1, la resistenza passa da circa:

31 MPa

a quasi:

41 MPa.

È un incremento nell’ordine del 30% senza modificare la formulazione.

Solo cambiando il processo.

Questo è il messaggio ingegneristico più solido.

La ricetta ottimale non va però copiata alla cieca

240 °C TPU, 230 °C PLA, 0,18 mm, 45 mm/s e quattro pareti funzionano bene nello studio.

Non sono automaticamente il profilo universale.

Un TPU Shore 85A può comportarsi diversamente da un 95A.

Due PLA di produttori differenti possono contenere:

• plasticizzanti;
• pigmenti;
• modificanti.

La temperatura reale della nozzle può inoltre differire fra stampanti.

La corretta interpretazione è quindi:

le tendenze sono trasferibili; i numeri vanno riqualificati.

Anche il rapporto 1:1 dovrebbe essere trattato come variabile

Gli autori scelgono un rapporto uguale per ottenere un compromesso fra rigidezza e deformabilità.

Ma non dimostrano che 50/50 sia il rapporto ottimale.

Lo studio di Sunderland mostra chiaramente che modificare la frazione porta a risultati molto diversi.

Un progettista potrebbe preferire:

67% PLA / 33% TPU

per un componente strutturale;

oppure

33% PLA / 67% TPU

per una struttura deformabile.

La ratio dovrebbe quindi essere la sesta variabile di un futuro DOE.

Un vero studio completo dovrebbe aggiungere anche la sequenza

Con il medesimo 50/50 si possono creare architetture differenti:

P-T-P-T-P-T

oppure

PP-TT-PP-TT

oppure

PPP-TTT-PPP-TTT.

La quantità di materiale è identica.

Il numero delle interfacce cambia radicalmente.

Più interfacce potrebbero:

• distribuire meglio la deformazione;
• aumentare la dissipazione;

ma anche:

• introdurre più punti potenziali di delaminazione.

È un parametro progettuale estremamente interessante.

Le interfacce potrebbero persino essere costruite come gradienti

Invece del salto:

100% PLA → 100% TPU

una macchina multimateriale evoluta potrebbe creare:

PLA

PLA + TPU interlock

TPU.

Non necessariamente miscelando chimicamente i materiali.

Basterebbe creare una zona geometrica nella quale i due toolpath si compenetrano.

Le ricerche su mechanical interlocking suggeriscono che questo può aumentare in modo sostanziale la toughness interfaciale.

Il vero futuro è quindi progettare l’interfaccia, non soltanto scegliere i materiali

Nella stampa multimateriale tradizionale si tende a pensare:

materiale A

materiale B.

Ma il terzo elemento è:

l’interfaccia A/B.

E può diventare una vera struttura ingegnerizzata.

Per PLA/TPU, dove l’affinità chimica è limitata, questo è particolarmente importante.

L’interfaccia può essere:

• piatta;
• dentata;
• sinusoidale;
• reticolare;
• interlocked;
• graded.

Il file CAD diventa quindi parte della scienza dei materiali.

Il paper offre un buon punto di partenza, ma Fabbaloo ha ragione a chiedere più dati

La prova sperimentale mostra un risultato convincente:

PLA e TPU possono essere alternati direttamente e mantenere una resistenza significativa.

Il piano Taguchi dimostra inoltre che:

• layer height;
• temperatura;
• velocità;
• shell

hanno effetti rilevanti.

La parte ML è invece ancora preliminare.

R² superiori a 0,99 ottenuti da 81 misure derivanti da appena 27 ricette non bastano per concludere che XGBoost sia capace di prevedere in modo generale le proprietà di un laminato PLA/TPU.

Per farlo servirebbero almeno:

• group cross-validation;
• nuove combinazioni mai viste;
• altri materiali/brand;
• altri rapporti PLA/TPU;
• altre macchine;
• orientamenti differenti.

E servirebbero soprattutto più proprietà meccaniche

Per un materiale rigido-flessibile bisognerebbe misurare almeno:

Solo allora sarà possibile stabilire se l’alternanza crea realmente un materiale con vantaggi funzionali rispetto ai due polimeri separati.

Il risultato più promettente non è quindi 40,795 MPa e nemmeno R² = 0,9988

Il dato più interessante è che due filamenti commerciali molto comuni possono diventare un terzo comportamento meccanico semplicemente attraverso la sequenza con cui la stampante li deposita.

È un passaggio concettuale importante.

Nella stampa 3D tradizionale il materiale viene acquistato con proprietà già determinate.

Nel multi-material additive manufacturing una parte delle proprietà può invece essere decisa durante lo slicing:

materiale + geometria + sequenza = comportamento finale.

PLA e TPU rappresentano un caso particolarmente evidente perché sono meccanicamente molto differenti.

Lo studio di Hyderabad dimostra che, perfino mantenendo fisso il rapporto 1:1, i parametri di processo possono cambiare la resistenza di circa il 30%. Le ricerche parallele mostrano inoltre che rapporto dei materiali, orientamento e design dell’interfaccia possono modificare ulteriormente il comportamento.

Il prossimo passo non dovrebbe quindi essere soltanto allenare un algoritmo più sofisticato sui medesimi 81 punti. Dovrebbe essere costruire un dataset molto più ricco, nel quale machine learning e caratterizzazione fisica procedano insieme.

Solo allora sarà possibile passare da:

“XGBoost riproduce molto bene questi dati”

a:

“il modello può progettare una nuova struttura PLA/TPU e prevedere correttamente come si comporterà prima ancora di stamparla.”

È questa la differenza fra usare l’intelligenza artificiale per interpolare un piccolo esperimento e utilizzarla realmente come strumento di progettazione dei materiali.

Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI).