Modello stacking per prevedere le proprietà meccaniche di Ti-6Al-4V stampato in LPBF
Contesto e obiettivo della ricerca
Un gruppo di ricercatori della South China University of Technology, tra cui Changjun Han, Fubao Yan, Daolin Yuan, Kai Li, Yongqiang Yang, Jiong Zhang e Di Wang, ha sviluppato un approccio basato sull’apprendimento automatico per stimare le proprietà meccaniche dell’alliaggio Ti‑6Al‑4V prodotto mediante Laser Powder Bed Fusion (LPBF) su larga scala . L’obiettivo è semplificare l’individuazione dei parametri ottimali di processo, riducendo l’affidamento a prove sperimentali casuali .
Struttura del modello stacking
Il cuore dell’approccio consiste in un modello ensemble stacking, che integra più predittori:
-
come modelli base vengono impiegati:
-
una rete neurale artificiale (Artificial Neural Network, ANN),
-
Gradient Boosting Regressor,
-
Kernel Ridge Regression,
-
Elastic Net;
-
-
il modello meta scelto è Lasso .
Per settare e bilanciare i modelli, si adottano tecniche di ottimizzazione bayesiana e cross-validation su un insieme di dati limitato .
Risultati e confronto tra modelli
I risultati del modello stacking si distinguono per maggiore accuratezza e affidabilità rispetto alla rete neurale:
-
coefficiente di determinazione (R²) pari a 0,944,
-
errore percentuale medio assoluto (MAPE) al 2,51 %,
-
errore quadratico medio (RMSE) di 27,64,
tutti indicatori che superano le prestazioni ottenute con il solo modello ANN .
Inoltre, un’analisi di correlazione di Pearson evidenzia come la velocità di scansione influisca maggiormente sulla resistenza a trazione, seguita dalla potenza laser, mentre la distanza di hatch ha un impatto minore .
Metodologia sperimentale
Gli autori hanno realizzato campioni di trazione utilizzando polvere sferica di Ti‑6Al‑4V su macchine LPBF di grande formato. Hanno sperimentato 64 combinazioni di parametri (potenza laser, velocità di scansione, distanza di hatch) seguendo un disegno sperimentale ortogonale .
Vantaggio dell’approccio stacking
Integrando modelli con capacità predittive diverse, l’ensemble stacking ottiene:
-
maggiore accuratezza nella previsione delle proprietà meccaniche,
-
maggiore robustezza rispetto a modelli singoli,
-
migliore gestione della complessità delle relazioni tra parametri di processo e risultati meccanici .
Contesto più ampio e approfondimenti
Questa ricerca si inserisce in un contesto più vasto di applicazioni dell’apprendimento automatico nei processi LPBF:
-
Altri metodi hanno impiegato modelli ML per stimare la densità relativa di pezzi Ti‑6Al‑4V costruiti in LPBF, o per prevedere la vita a fatica in funzione della topografia superficiale e dei pori .
-
Altri filoni sfruttano tecniche di active learning per ottimizzare parametri di processo e trattamento termico, con l’obiettivo di bilanciare resistenza e duttilità dell’aliaggio .
-
Simulazioni numeriche (modelli termo-meccanici, FEM) aiutano a comprendere fenomeni come la formazione del melt pool, la generazione di porosità o tensioni residue, offrendo ulteriori supporti per predire e prevenire difetti .
