Deep learning e calcestruzzi auto-sensibili stampati in 3D: cosa introduce davvero lo studio indiano
Contesto e obiettivo
Un gruppo di ricercatori di Yeshwantrao Chavan College of Engineering, Priyadarshini Bhagwati College of Engineering, Ramdeobaba University, Symbiosis International (Deemed) University e Priyadarshini College of Engineering (India) ha pubblicato su Frontiers of Structural and Civil Engineering (Springer) uno studio che propone un framework di deep learning multi-scala per progettare e ottimizzare compositi cementizi auto-sensibili stampati in 3D con riempitivi nano-carbonio ibridi. L’articolo è del 25 giugno 2025.
Perché servono compositi auto-sensibili
I compositi cementizi auto-sensibili (SSC) integrano riempitivi conduttivi (es. nanotubi di carbonio, grafene, carbon black) per rilevare sforzi e fessurazioni tramite variazioni di resistività (piezoresistività). Sono candidati naturali per lo Structural Health Monitoring (SHM), ma soffrono di problemi noti: dispersione non omogenea dei filler, anisotropie introdotte dalla stampa 3D e incertezze sulla stabilità a lungo termine.
Cosa propone lo studio
Gli autori introducono una piattaforma multi-scala che combina cinque famiglie di modelli per legare microstruttura, processo di stampa 3D e risposta elettrico-meccanica del materiale:
• Multi-Scale Graph Neural Network (GNN) per percorsi conduttivi e dispersione;
• Spatiotemporal Transformer 4D per parametri di stampa e conduttività inter-strato;
• Physics-Informed GAN per sintetizzare microstrutture “fedeli” riducendo esperimenti;
• Self-Supervised Contrastive Learning per classificare micro/macro-difetti;
• Un modulo per cinetica di idratazione e stabilità elettrica nel tempo.
Risultati chiave (quantitativi)
Secondo gli autori: +25–35% di conduttività grazie alla GNN; +40–50% di conduttività inter-strato con il Transformer (mitigando l’anisotropia di stampa); generazione di microstrutture sintetiche con ~98% di fedeltà e ~50% di riduzione dei costi sperimentali; rilevamento difetti >95% con −35% falsi positivi; +15% velocità di previsione della cinetica di idratazione e −20% drift di resistenza in 6 mesi.
Implicazioni per la stampa 3D nel costruito
Legare in modo coerente materiale-processo-struttura è cruciale nella 3D concrete printing (3DCP), dove la deposizione a cordoli induce anisotropie meccaniche ed elettriche. Un framework data-driven multi-scala consente di:
-
progettare miscele stampabili e sensibili con target elettrici/meccanici;
-
tarare parametri di stampa per continuità conduttiva tra layer;
-
ridurre prove fisiche usando microstrutture sintetiche validate.
Dove si inserisce rispetto allo stato dell’arte
La letteratura su SSC evidenzia che i filler a base carbonio abilitano SHM integrato, ma restano criticità di distribuzione, percolazione e durabilità; l’approccio multi-scala qui presentato affronta questi nodi modellando contemporaneamente dispersione, stampa e monitoraggio.
Limiti e passi successivi
Il lavoro, per quanto ricco di indicatori quantitativi, richiede:
• validazioni sperimentali estese su provini e dimostratori stampati;
• test ambientali (umidità, cicli termici) per la stabilità del segnale;
• generalizzazione del framework a miscele/combinazioni di filler diverse.
Dati bibliografici e team
Titolo: Multi-scale deep learning framework for three dimensional printed self-sensing cementitious composites with hybrid nano-carbon fillers, Frontiers of Structural and Civil Engineering, 25 giugno 2025. Autori: Bhupesh P. Nandurkar; Jayant M. Raut; Pawan K. Hinge; Boskey V. Bahoria; Tejas R. Patil; Sachin Upadhye; Nilesh Shelke; Vikrant S. Vairagade. Affiliazioni: Ramdeobaba University, Symbiosis Institute of Technology, Priyadarshini College of Engineering (tra le altre); il comunicato elenca anche Yeshwantrao Chavan College of Engineering e Priyadarshini Bhagwati College of Engineering.
