Senvol, società statunitense attiva nello sviluppo di software e servizi basati sui dati per la produzione additiva, ha ottenuto un finanziamento dalla US Navy per dimostrare che il proprio software di apprendimento automatico Senvol ML è in grado di prevedere in modo affidabile le prestazioni del materiale di componenti realizzati con una macchina metal wire Directed Energy Deposition (DED). Il progetto mira a rendere più sistematico il percorso che porta dall’esecuzione del processo additivo all’accettazione del componente nella catena di fornitura, riducendo la dipendenza da cicli ripetuti di prove e qualifiche condotte “per tentativi”.
Il progetto: “Additive Manufacturing Sensor Fusion Technologies for Process Monitoring and Control” e la finestra temporale 2025–2027
Il programma si intitola “Additive Manufacturing Sensor Fusion Technologies for Process Monitoring and Control”, è partito a luglio 2025 e prosegue fino a luglio 2027. L’obiettivo dichiarato è implementare una procedura standardizzata per valutare la qualità di parti prodotte additivamente (in questo caso con wire DED) e supportare decisioni di accettazione e uso del componente tramite algoritmi di machine learning, con l’idea di ottenere parti “qualificate ed equivalenti” in modo più scalabile su una base di fornitura più flessibile.
Dati in-situ e “sensor fusion”: perché il punto chiave è la combinazione di sensori
Il cuore tecnico del progetto è l’analisi di dati di monitoraggio in-situ provenienti da sensori di tipologie diverse (modalità differenti), combinati con un approccio di sensor fusion: invece di affidarsi a un solo segnale, si aggregano più flussi informativi per ricostruire firme di processo e collegarle a proprietà e prestazioni finali del pezzo. Per i processi DED e in particolare per quelli a filo, la fusione di più sensori è un’area rilevante perché consente una lettura più completa dei fenomeni rispetto a un singolo sensore.
Cosa fa Senvol ML nel progetto: parametrizzazione, feature e previsione delle prestazioni
Nel programma con la US Navy, Senvol utilizza Senvol ML per trasformare i segnali grezzi dei sensori in grandezze sintetiche associate a fenomeni ritenuti rilevanti per la qualità. L’obiettivo operativo è duplice: prevedere caratteristiche di prestazione del materiale a partire dai dati in-situ e indirizzare la scelta dei parametri di processo più coerenti con proprietà finali desiderate, così da aumentare la confidenza nel comportamento del componente prima dell’installazione o dell’impiego.
Perché la US Navy guarda a questi strumenti: qualifiche meno onerose e policy NAVSEA
La US Navy intende ridurre il fabbisogno di qualifiche e test lunghi e costosi integrando requisiti di monitoraggio in-situ all’interno di policy e pratiche NAVSEA. In parallelo, programmi e documentazione pubblica collegata a NAVSEA indicano un interesse strutturato verso requisiti di qualifica e verifica per processi AM metallici e verso una gestione digitale e sicura dei flussi di dati e delle infrastrutture di manifattura.
Il punto di vista di Senvol: soglie di accettazione e fiducia nelle prestazioni
Senvol inquadra il tema come un problema di quality assurance: per far entrare una parte nella supply chain serve confidenza sul comportamento del componente, e un metodo coerente per interpretare i dati in-situ può rendere più raggiungibili le soglie di accettazione richieste dai programmi. In settori ad alta criticità, il monitoraggio in-situ viene spesso considerato un elemento utile per guidare controlli e ispezioni mirate, senza essere automaticamente un sostituto totale dei controlli post-processo.
Wire DED: perché la scelta del processo conta per applicazioni “navali” e supply base scalabile
Il riferimento alla metal wire DED è rilevante perché i processi DED a filo sono spesso associati a tassi di deposizione elevati e a potenziale vantaggio di efficienza materiale, oltre alla possibilità di lavorare su componenti più grandi o di integrare l’additivo in celle ibride. In questo quadro, rendere più affidabile e standardizzabile il controllo qualità tramite dati in-situ e machine learning diventa un tassello per estendere l’adozione del processo in contesti dove ripetibilità e tracciabilità sono requisiti centrali.
Un contesto più ampio: la spinta della US Navy su monitoraggio e standardizzazione
Il tema del monitoraggio in-situ è presente anche in iniziative pubbliche che coinvolgono la US Navy e partner tecnico-scientifici per identificare strumenti e metodi che aumentino l’affidabilità dell’additive manufacturing in ottica operativa. Questo contesto aiuta a interpretare il progetto Senvol come parte di un percorso più ampio verso metodi di qualifica e accettazione più rapidi e ripetibili, sostenuti da metrologia e gestione dati.
