AI per prevedere la temperatura nella stampa 3D metallica: dallo studio su WAAM alle ricadute sul controllo di processo

Che cosa hanno fatto i ricercatori (Nanjing Tech University)
Un team della Nanjing Tech University guidato da Mingxuan Tian ha sviluppato un modello di apprendimento automatico informato dalla fisica (physics-informed) capace di prevedere in tempo reale l’evoluzione del campo di temperatura nella Wire Arc Additive Manufacturing (WAAM). Il sistema, definito physics-informed geometric recurrent neural network, integra leggi fisiche (conduttività, condizioni al contorno) e dati di processo per mantenere le previsioni coerenti con la realtà fisica.
Fonti: 3D Printing Industry+1

Numeri chiave e finestra temporale “utile” al controllo
In test su simulazioni ed esperimenti, il modello usa 1,25 s di dati recenti per anticipare i successivi 1,25 s (con estensioni fino a ~10–11,25 s). L’errore massimo registrato varia da 4,5% (simulazioni) a circa 13,9% (esperimenti). Il tempo di inferenza è ~12 ms, adeguato al controllo in anello. L’inclusione congiunta di geometria e vincoli fisici riduce l’errore di ~4%, e l’uso di transfer learning dimezza i tempi di training.
 

Setup sperimentale e materiale
La validazione pratica è stata condotta su una cella WAAM robotizzata che deposita pareti sottili in acciaio; una termocamera acquisisce le mappe termiche durante la costruzione strato-su-strato. Nonostante emissività variabile e disturbi ambientali, il modello mantiene stabilità predittiva su orizzonti fino a ~10–11 s, finestra chiave per gestire flussi di calore e tensioni residue.
 

Perché è importante per l’industria
La temperatura guida bagnabilità, solidificazione e microstruttura; previsioni rapide e fisicamente consistenti abilitano feed-forward control (regolazioni di potenza/arco e avanzamento filo prima che emergano difetti), nonché digital twin operativi per monitoraggio e ottimizzazione qualità. Il metodo è estendibile a LPBF ed EBM con ri-addestramento su dati specifici di processo.
 

Come si colloca nel panorama della ricerca (altri riferimenti solidi)
L’approccio si inserisce in una traiettoria che vede convergere modelli informati dalla fisica (PINN/PIML) e gemelli digitali. Esempi recenti includono:
• Northwestern University + Case Western Reserve University: gemello digitale per laser DED con Bayesian LSTM per prevedere storie termiche e ottimizzazione Bayesiana che aumenta del 26% il heat-treatment time su Inconel 718.
• Framework PINN con apprendimento online (Materials, MDPI): prima impostazione “online” per adattare in tempo reale la previsione del campo termico.
• Studi peer-reviewed su temperature field prediction con approcci physics-informed (ScienceDirect), inclusa una variante PI-ConvLSTM per previsioni 2D in metal AM.
 

Limiti dichiarati e next step
Il lavoro è centrato su geometrie thin-wall e su WAAM; occorrono dataset più ampi (materiali/parametri/percorsi) per una generalizzazione industriale completa. Gli autori indicano l’integrazione in controllo predittivo e l’estensione ad altri processi come sviluppi naturali.